Najpierw obiekt, potem baza

Nie istnieje jedna „baza biologiczna". Sekwencja referencyjna, surowe odczyty, ekspresja genu, wariant kliniczny, struktura i informacja o białku są różnymi obiektami, utrzymywanymi przez różne instytucje, według innych zasad kuracji i wersjonowania. Skuteczne wyszukiwanie zaczyna się nie od wpisania nazwy do wyszukiwarki, lecz od pytania: jakiego rekordu potrzebuję i jaki trwały identyfikator pozwoli go jednoznacznie przywołać za rok? Ten artykuł jest mapą najważniejszych zasobów uporządkowaną według typu obiektu, z naciskiem na identyfikatory, wersje i powiązania, bo to one, a nie nazwy plików, czynią dane odtwarzalnymi.

Mapa najważniejszych baz uporządkowana według typu obiektu. Wspólnym mianownikiem jest zasada FAIR i trwały identyfikator rekordu, a nie nazwa pliku.
Mapa najważniejszych baz uporządkowana według typu obiektu. Wspólnym mianownikiem jest zasada FAIR i trwały identyfikator rekordu, a nie nazwa pliku.

Anatomia identyfikatora: dlaczego accession i wersja są ważniejsze niż nazwa

Zanim przejdziemy przez zasoby, warto zrozumieć budowę trwałego identyfikatora (accession). Dobre accession jest stabilne (nie zmienia się przy aktualizacji strony), rozwiązywalne (prowadzi do jednego rekordu) i wersjonowane (mówi, którą edycję danych masz na myśli). Prefiksy niosą znaczenie — u NCBI RefSeq rozpoznasz typ rekordu po nim: NM_ to mRNA, NP_ białko, NR_ niekodujące RNA, NC_ chromosom/genom, a XM_/XP_ to rekordy przewidywane obliczeniowo. Ensembl koduje typ i gatunek: ENSG to gen, ENST transkrypt, ENSP białko (człowiek), a ENSMUSG to gen myszy. UniProt używa krótkich accession w rodzaju P04637, PDB — czteroznakowych kodów struktur (obecnie rozszerzanych), dbSNP — identyfikatorów rs.

Kluczowa jest wersja: NM_000546 bez sufiksu to rekord „w ogóle", a NM_000546.6 to konkretna, niezmienna edycja sekwencji. Publikacja, która podaje tylko symbol genu, jest z punktu widzenia odtwarzalności niepełna. Dlatego zapisuje się gatunek, wersję genomu, wydanie bazy, accession i jego wersję oraz datę pobrania.

Jeden gen (TP53) opisany w kilkunastu bazach jako różne rekordy powiązane krzyżowymi identyfikatorami: HGNC (nomenklatura), NCBI Gene/RefSeq, Ensembl/GENCODE, UniProt, PDB/AlphaFold, ClinVar/gnomAD/GTEx. Klejem jest accession, nie nazwa.
Jeden gen (TP53) opisany w kilkunastu bazach jako różne rekordy powiązane krzyżowymi identyfikatorami: HGNC (nomenklatura), NCBI Gene/RefSeq, Ensembl/GENCODE, UniProt, PDB/AlphaFold, ClinVar/gnomAD/GTEx. Klejem jest accession, nie nazwa.

Nomenklatura: skąd wiadomo, że mówimy o tym samym genie

Zanim porównasz cokolwiek między bazami, potrzebujesz jednoznacznej nazwy. Dla genów człowieka nadaje ją HGNC (HUGO Gene Nomenclature Committee) — to on decyduje, że dany gen to oficjalnie TP53, a nie „p53", „TRP53" czy dawne synonimy.6 Analogiczne komitety porządkują nazwy u innych gatunków (np. MGI dla myszy). Bez tej warstwy porównania „po nazwie" są zawodne, bo ten sam symbol bywał w historii używany dla różnych genów, a jeden gen miewa kilkanaście aliasów. Praktyczny wniosek: mapuj na stabilny identyfikator (Ensembl ENSG, NCBI GeneID), a symbolu używaj tylko jako etykiety dla człowieka.

Sekwencje, genomy i odczyty

NCBI Nucleotide/GenBank, ENA (EMBL-EBI) i DDBJ archiwizują sekwencje nukleotydowe zgłaszane przez badaczy. Tworzą one INSDC — trójstronną współpracę, dzięki której rekordy są codziennie wymieniane, więc accession nadane w jednym serwisie działa w pozostałych.4 GenBank działa od 1982 roku i rośnie wykładniczo. Rekord ma numer dostępu, wersję, opis źródła i adnotacje — ale sekwencja zgłoszona przez autora nie staje się przez to ekspercko zweryfikowaną referencją; to archiwum zgłoszeń, nie zbiór prawd.

RefSeq dostarcza kuratorowane lub obliczeniowo adnotowane referencyjne sekwencje genomów, transkryptów i białek — to „posprzątana", nieredundantna warstwa nad GenBankiem. Ensembl (oraz Ensembl Genomes dla gatunków niekręgowych) i amerykański UCSC Genome Browser łączą złożenia genomów z genami, transkryptami, wariantami i genomiką porównawczą, udostępniając je w przeglądarkach genomowych. Zestaw adnotacji genów człowieka i myszy koordynuje projekt GENCODE. Do wyszukiwania podobieństwa sekwencji służy BLAST (NCBI) i jego odpowiedniki — porównują zapytanie z całą bazą, zwracając trafienia z miarą istotności; to podstawowe narzędzie „co to za sekwencja?".

Kluczowa jest wersja genomu odniesienia. Dla człowieka współczesnym standardem jest GRCh38 (u UCSC: hg38), wciąż spotyka się starszy GRCh37/hg19, a od 2022 roku dostępny jest kompletny, „telomer-do-telomeru" genom T2T-CHM13. Współrzędne z różnych złożeń nie są zamienne — do ich przeliczania służą narzędzia typu liftOver. Osobną, techniczną pułapką jest konwencja liczenia pozycji: formaty BED są 0-indeksowane, a GFF/GTF i VCF 1-indeksowane (szerzej w artykule Formaty danych biologicznych).

SRA (NCBI) i ENA Read Archive przechowują surowe dane wysokoprzepustowego sekwencjonowania i są największymi publicznymi archiwami tego typu.1 Hierarchia prowadzi zwykle od BioProject i BioSample przez eksperyment do runu: numer SRR identyfikuje pliki wykonania, ale biologiczne znaczenie próbki (tkanka, warunek, osobnik) mieści się w powiązanych metadanych, nie w samym numerze. Do pobierania służą SRA Toolkit i szybsze ścieżki ENA (bezpośrednie FASTQ).

Ekspresja i dane funkcjonalne

GEO (Gene Expression Omnibus) archiwizuje badania mikromacierzowe, sekwencyjne i inne dane genomiki funkcjonalnej.2 Rekord GSE opisuje serię, GSM próbkę, a pliki uzupełniające mogą zawierać macierze zliczeń lub wyniki przetworzone. GEO nie zastępuje SRA: jedno badanie RNA-seq ma zwykle opis i macierz w GEO, a surowe FASTQ w SRA — trzeba umieć przejść między nimi. ArrayExpress/BioStudies (EMBL-EBI) pełni analogiczną rolę po stronie europejskiej.

Do pytania „gdzie gen jest eksprymowany?" służą zasoby przetworzone: Expression Atlas (ujednolicone pipeline'y na publicznych zbiorach), GTEx (ekspresja w kilkudziesięciu tkankach ludzkich wraz z eQTL), Human Protein Atlas (ekspresja białek i lokalizacja w tkankach i komórkach) oraz Bgee. Świat jednokomórkowy porządkują Human Cell Atlas, CELLxGENE i Single Cell Expression Atlas. Wszystkie one ułatwiają orientację, ale do wiernej reprodukcji i tak potrzebne są rekord źródłowy i opis projektu.

Białka, struktury i szlaki

UniProt łączy sekwencję białka z nazwą, funkcją, domenami, modyfikacjami, lokalizacją i odnośnikami.5 Część Swiss-Prot jest ręcznie kuratorowana, TrEMBL — adnotowana obliczeniowo; trzeba sprawdzać organizm, izoformę i status przeglądu. Rodziny i domeny białkowe opisują InterPro (parasol integrujący) oraz Pfam, a funkcje w ustandaryzowanym słowniku — Gene Ontology (GO) (procesy, funkcje molekularne, komponenty komórkowe).

Trójwymiarowe struktury gromadzi PDB (struktury doświadczalne — krystalografia, krio-EM, NMR), a przewidywania modeli — AlphaFold DB i ESM Atlas; przy tych ostatnich trzeba pamiętać, że to predykcje z miarą pewności, a nie pomiary. Kontekst szlaków i oddziaływań dają KEGG, Reactome (szlaki) i STRING (sieci interakcji białek) — pokazują one hipotezy i wiedzę zebraną z literatury, nie dowód mechanizmu w badanym układzie. Dane proteomiczne (widma mas) archiwizują PRIDE i parasol ProteomeXchange, a metabolomiczne — MetaboLights.

Warianty, choroby i nowotwory

ClinVar gromadzi zgłoszenia interpretacji wariantów w odniesieniu do chorób; rekord (VCV/RCV) może zawierać sprzeczne klasyfikacje i pokazuje dowody oraz poziom przeglądu (gwiazdki), a nie wydaje diagnozy. Katalog fenotypów i genów mendlowskich prowadzi OMIM. Do częstości populacyjnych służą gnomAD (allele w dużych, zagregowanych populacjach) i dbSNP (katalog znanych wariantów, rs). Warianty somatyczne w nowotworach zbierają COSMIC, a dane pacjentów z dużych projektów udostępniają cBioPortal i portal GDC (TCGA). Nomenklaturę zmian koduje standard HGVS (np. c. na poziomie cDNA, p. na poziomie białka) — bez niego opis wariantu jest niejednoznaczny.

Literatura, taksonomia i linie komórkowe

Warstwę piśmiennictwa spinają PubMed i pełnotekstowe PMC/Europe PMC, a klasyfikację organizmów — NCBI Taxonomy (z identyfikatorem taxid). W przypadku linii komórkowych korzysta się z uznanych kolekcji (ATCC, ECACC, DSMZ, JCRB) oraz metarejestru Cellosaurus (identyfikator CVCL_). Sama nazwa linii w publikacji nie wystarcza — ważne są identyfikator, pochodzenie, autentykacja profilem STR, pasaż i status mykoplazmy (o czym szerzej w artykule o kontroli jakości linii). To domyka logikę całego warsztatu: obiekt bez trwałego identyfikatora jest praktycznie nieodtwarzalny.

Bazy organizmów modelowych i ontologie

Obok wielkich, „gatunkowo-uniwersalnych" zasobów istnieją wyspecjalizowane bazy organizmów modelowych (MOD), często o najgłębszej kuracji dla swojego gatunku: FlyBase (muszka Drosophila), WormBase (C. elegans), SGD (drożdże S. cerevisiae), PomBase (S. pombe), TAIR (Arabidopsis), ZFIN (danio pręgowany), MGI (mysz), RGD (szczur). Koordynuje je częściowo Alliance of Genome Resources. Gdy pracujesz na organizmie modelowym, to tam zwykle znajdziesz najlepsze adnotacje genów, alleli, fenotypów i szczepów — lepsze niż w bazach ogólnych.

Powiązania między bazami spina warstwa ontologii — kontrolowanych, hierarchicznych słowników, dzięki którym „to samo" znaczy to samo w różnych zasobach. Najważniejsze to Gene Ontology (GO) (funkcje, procesy, lokalizacje), Human Phenotype Ontology (HPO) (fenotypy kliniczne), MONDO i Disease Ontology (choroby), Uberon (anatomia międzygatunkowa), Cell Ontology (typy komórek) oraz ChEBI (związki chemiczne). Ontologie pozwalają zadawać pytania „pokaż geny związane z tym procesem" w sposób maszynowo przetwarzalny i porównywalny między badaniami — to one czynią dane naprawdę interoperacyjnymi w duchu FAIR.

Jak dane wychodzą z bazy: formaty rekordów, API i pobieranie

Ten sam rekord baza potrafi wydać w wielu formatach, a wybór ma znaczenie dla dalszej obróbki. Sekwencje pobiera się jako FASTA (sama sekwencja) albo jako bogaty, opisowy plik płaski GenBank lub EMBL (sekwencja + adnotacje cech + metadane); adnotacje genomu jako GFF3/GTF; warianty jako VCF; tabele i wyniki jako TSV/CSV; a odpowiedzi API — jako JSON lub XML do przetwarzania maszynowego. Znajomość tych formatów opisuje szerzej artykuł Formaty danych biologicznych; tu ważne jest, że format wyjściowy to decyzja, nie przypadek — FASTA gubi adnotacje, plik płaski je zachowuje.

Przy większej skali nie pobiera się rekordów ręcznie. Najważniejsze zasoby mają interfejsy programistyczne: NCBI udostępnia E-utilities (Entrez), wygodne Entrez Direct (efetch, esearch) i nowsze NCBI Datasets; Ensembl — REST API i eksploracyjny BioMart; UCSC — Table Browser i API; UniProt oraz EMBL-EBI — własne REST/Search (w tym narzędzie ID Mapping). Do surowych odczytów służą SRA Toolkit (prefetch, fasterq-dump) i szybkie ścieżki ENA, a do dużych transferów — FTP/HTTPS z wget/curl, protokół Aspera (ascp) i Globus. Warto pamiętać o limitach i uprzejmości: NCBI ogranicza zapytania do E-utilities (bez klucza API rzędu 3 zapytań/s, z bezpłatnym kluczem API — 10/s), a masowe pobrania robi się z zasobów bulk/FTP, nie przez odpytywanie interfejsu rekord po rekordzie. Programistyczny dostęp to nie wygoda, lecz warunek odtwarzalności — zapisany skrypt z wersją bazy odtwarza pobranie; łączy się to wprost z narzędziami z artykułu Linux, Git, Python i R.

Wersje, wydania i mapowanie identyfikatorów

Bazy zmieniają się pod ręką: Ensembl wydaje numerowane releases (np. „release 112"), UniProt — datowane wydania, dbSNP — kolejne buildy, RefSeq — wydania adnotacji. Ten sam accession może w nowszym wydaniu mieć inną adnotację, a symbol genu — zmienić przypisanie. Dlatego do odtwarzalności przypina się konkretną wersję (bazy i genomu) i notuje datę pobrania; solidne repozytoria danych mają DOI, a standard identifiers.org pomaga jednolicie rozwiązywać i cytować identyfikatory (przeciwdziałając „gniciu linków"). Rejestry FAIRsharing i re3data katalogują same bazy i standardy.

Ponieważ ten sam obiekt ma inne identyfikatory w różnych bazach (patrz przykład TP53 wyżej), stałym zadaniem jest mapowanie identyfikatorów między nimi i między wersjami. Służą do tego UniProt ID Mapping, Ensembl BioMart, bioDBnet, a w kodzie pakiety typu MyGene/mygene, g:Profiler (g:Convert) czy bioconductorowe biomaRt i AnnotationDbi. Naiwne łączenie tabel „po symbolu genu" jest jedną z najczęstszych, cichych przyczyn błędów — mapuj po stabilnych accession, nie po nazwach.

FAIR: wspólny mianownik dobrych danych

Wszystkie te zasoby łączy zestaw zasad FAIR: dane mają być Findable (znajdowalne), Accessible (dostępne), Interoperable (interoperacyjne) i Reusable (nadające się do ponownego użycia).3 W praktyce oznacza to trwały identyfikator, jasną licencję i wystarczające metadane, by rekord dało się zrozumieć bez pytania autora. Uwaga terminologiczna: Accessible w FAIR znaczy „mają jasno opisany, ustandaryzowany sposób dostępu" — nie „są otwarte dla każdego". To rozróżnienie prowadzi wprost do zasad dostępu.

Zasady dostępu: „publiczne" nie znaczy „otwarte"

Cztery poziomy dostępu: dane otwarte (CC0/CC-BY, tylko cytowanie), zarejestrowane (konto + regulamin), kontrolowane (wniosek do DAC, umowa DUA, zgoda dawców) i objęte embargiem lub normami przedpublikacyjnymi. Im wrażliwsze dane, tym więcej formalności.
Cztery poziomy dostępu: dane otwarte (CC0/CC-BY, tylko cytowanie), zarejestrowane (konto + regulamin), kontrolowane (wniosek do DAC, umowa DUA, zgoda dawców) i objęte embargiem lub normami przedpublikacyjnymi. Im wrażliwsze dane, tym więcej formalności.

Zasoby biologiczne układają się w kilka poziomów dostępu, a pomylenie ich bywa nie tylko techniczną, ale i prawną pomyłką:

  • Dane otwarte — pobierasz bez wniosku, pod licencją: CC0 (zrzeczenie praw, domena publiczna) lub CC-BY (z obowiązkiem uznania autorstwa). Tak działają GenBank/ENA, RefSeq, Ensembl, UniProt, PDB czy zagregowane częstości gnomAD. Jedynym realnym wymogiem jest cytowanie źródła (bazy, wersji, a często konkretnej publikacji).
  • Dane zarejestrowane (registered access) — dostęp po założeniu konta, weryfikacji statusu badacza i akceptacji regulaminu, ale bez komisji.
  • Dane kontrolowane (controlled access) — surowych genomów pacjentów zwykle nie da się po prostu pobrać. Repozytoria dbGaP (USA) i EGA (Europa) udostępniają je dopiero po złożeniu wniosku do Komisji Dostępu do Danych (DAC), podpisaniu umowy o wykorzystaniu danych (DUA) oraz wykazaniu podstawy prawnej i zgody dawców — często z obowiązkiem analizy „w miejscu", bez wynoszenia danych. Warunki użycia opisuje maszynowo standard GA4GH Data Use Ontology (DUO), a tożsamość i uprawnienia badacza — GA4GH Passports/Visas.7
  • Embargo i normy przedpublikacyjne — dane bywają zdeponowane, lecz czasowo niedostępne (embargo do publikacji) albo objęte porozumieniami z Fort Lauderdale i Toronto, które pozwalają twórcom zasobu opublikować go pierwszym, zanim inni wykorzystają dane do konkurencyjnych analiz.

Do tego dochodzą wymogi prawne i etyczne: dane ludzkie w UE podlegają RODO (GDPR), a ich użycie — zgodzie i zgodzie komisji bioetycznej. „Publiczne" nie znaczy więc automatycznie „otwarte" — część najcenniejszych danych wymaga formalnej ścieżki dostępu, opisanej szerzej w artykułach o odpowiedzialności. Zawsze sprawdza się też, jak cytować dany zasób: wiele baz ma wskazaną publikację i zasady atrybucji, a pominięcie ich łamie licencję.

Deponowanie danych i standardy metadanych

Prędzej czy później stajesz po drugiej stronie — to ty deponujesz dane. Czasopisma i grantodawcy wymagają dziś złożenia surowych danych w publicznym repozytorium (sekwencje do ENA/GenBank/SRA, ekspresja do GEO/ArrayExpress, białka do PDB, proteomika do PRIDE) i podania accession w publikacji — często przed jej ukazaniem (accession rezerwuje się wcześniej, dane odblokowuje przy publikacji). Jakość zgłoszenia zależy od metadanych, dla których istnieją standardy minimalnej informacji: MIAME (mikromacierze), MINSEQE (sekwencjonowanie), MIxS (próbki środowiskowe/metagenomy) czy format ISA-Tab do opisu eksperymentu. Dobre metadane w chwili deponowania są tańsze niż odtwarzanie ich po latach — i to od nich zależy, czy twoje dane będą dla kogokolwiek Reusable.

Procedura wyszukiwania

  1. Zapisz pytanie i wymagany poziom danych: surowe, przetworzone czy kuratorowane.
  2. Znajdź rekord badania (BioProject/GSE), a nie pojedynczy plik z wyszukiwarki.
  3. Przejdź po powiązaniach: publikacja → projekt → próbka (BioSample) → run → wynik.
  4. Pobierz metadane przed dużymi plikami; zbuduj tabelę próbek.
  5. Sprawdź licencję, warunki kontrolowanego dostępu i dopuszczalność użycia danych ludzkich.
  6. Zapisz identyfikatory, wersje (accession i genomu), datę pobrania i sumy kontrolne.

Najcenniejszym rezultatem pierwszej godziny nie jest terabajt odczytów, lecz tabela próbek, z której wiadomo, co można porównać. Następny artykuł pokazuje, jak tę tabelę i pliki przeprowadzić przez Workflow i kontrolę jakości danych; typy samych plików omawia Formaty danych biologicznych.