قاعدة بيانات التسلسل

بدأت الحاجة إلى قواعد بيانات التسلسل في عام 1950 عندما نشر فريدريك سانجر البنية الأولية للأنسولين . وقد فاز بجائزة نوبل الثانية لابتكاره طرقًا لتسلسل الأحماض النووية، وكان نهجه المقارن هو ما حفّز علماء الكيمياء الحيوية البروتينية الآخرين على البدء في جمع تسلسلات الأحماض الأمينية. وهكذا بدأت قواعد البيانات الجزيئية. ^{[ 3 ]}

في عام 1965، نشرت مارغريت دايوف وفريقها في المؤسسة الوطنية للأبحاث الطبية الحيوية (NBRF) كتاب "أطلس تسلسل البروتين وبنيته". ضمّنوا في الأطلس جميع تسلسلات البروتينات المعروفة ، حتى تلك غير المنشورة. ويمكن اعتبار هذا العمل أول محاولة لإنشاء قاعدة بيانات جزيئية . استخدم الفريق نظام تحليل واسترجاع الأدبيات الطبية (MEDLARS) المحوسب حديثًا (عام 1964) في المعاهد الوطنية للصحة (NIH). استخدم الفريق الحواسيب لتخزين البيانات، لكنهم اضطروا إلى كتابة كل تسلسل وتدقيقه يدويًا، مما استنزف الكثير من الوقت والمال. ^{[ 3 ]}

في عام 1966، أصدر الفريق الطبعة الثانية من الأطلس، ضعف حجم الطبعة الأولى. احتوت على حوالي 1000 تسلسل، وقد وُصفت هذه الفترة آنذاك بانفجار معلوماتي. كان المركز الوطني لأبحاث علم الأحياء (NBRF) في طليعة استخدام الحواسيب في الطب وعلم الأحياء في ذلك الوقت. استغلت دايوف وفريقها مرافق المركز لتحديد تسلسلات الأحماض الأمينية لجزيئات البروتين باستخدام الحواسيب المركزية. استمر عدد التسلسلات المكتشفة في النمو، مما أتاح إجراء تحليل مقارن أعمق للبروتينات لم يسبق له مثيل. أدى ذلك إلى العديد من التطورات، مثل النماذج الاحتمالية لاستبدال الأحماض الأمينية، ومحاذاة التسلسلات، والأشجار التطورية للعلاقات التطورية للبروتينات. ^{[ 3 ]}

أصبحت عملية التسلسل بأكملها مؤتمتة بالكامل. ^{[ 3 ]}

تم إنشاء أول قاعدة بيانات لتسلسل النيوكليوتيدات . كانت تُعرف سابقًا باسم مكتبة بيانات تسلسل النيوكليوتيدات التابعة للمختبر الأوروبي للبيولوجيا الجزيئية (EMBL) (وتُعرف الآن باسم الأرشيف الأوروبي للنيوكليوتيدات). بدأ مشروع الجينوم البشري في عام 1988. وكان هدف المشروع هو تحديد تسلسل جميع الجينات في الإنسان ورسم خرائطها، الأمر الذي تطلب القدرة على إنشاء قاعدة بيانات تسلسل ضخمة واستخدامها. ^{[ 4 ]}

لدينا الآن العديد من قواعد بيانات التسلسل، وأدوات لاستخدامها، وسهولة الوصول إليها. ومن أكبرها GenBank التي تحتوي على أكثر من ملياري تسلسل. ^{[ 3 ]}

تُودع السجلات في قواعد بيانات التسلسل من مصادر متنوعة، بدءًا من الباحثين الأفراد وصولًا إلى مراكز تسلسل الجينوم الكبيرة. ونتيجةً لذلك، قد تختلف جودة التسلسلات نفسها، ولا سيما الشروح البيولوجية المرفقة بها. كما يوجد قدر كبير من التكرار ، إذ قد تُرسل مختبرات متعددة تسلسلات عديدة متطابقة، أو شبه متطابقة، مع تسلسلات أخرى في قواعد البيانات. ^{[ 5 ]}

تعتمد العديد من بيانات ترميز التسلسلات ليس على التجارب المخبرية، بل على نتائج عمليات البحث عن تشابه التسلسلات التي سبق ترميزها. وبمجرد ترميز تسلسل ما بناءً على تشابهه مع تسلسلات أخرى، وإيداعه في قاعدة البيانات، يصبح أساسًا لترميزات مستقبلية. قد يؤدي هذا إلى مشكلة الترميز المتعدي ، إذ قد تحدث عدة عمليات نقل للترميز عن طريق تشابه التسلسلات بين سجل معين في قاعدة البيانات ومعلومات تجريبية مخبرية فعلية . ^{[ 6 ]} لذا، يجب توخي الحذر عند تفسير بيانات الترميز من قواعد بيانات التسلسلات.

تعتمد معظم خوارزميات البحث في قواعد البيانات الحالية على نظام تقييم يُحدد مدى تطابق النتائج، وهو عادةً نظام تقييم مُحدد. ^{[ 7 ]} ويكمن الحل لهذه المشكلة في توفير مجموعة متنوعة من أنظمة التقييم لتناسب كل مشكلة على حدة.

غالباً ما تنتج خوارزميات البحث قائمة مرتبة تفتقر إلى الأهمية البيولوجية. ^{[ 8 ]}