你所不知道的KEGG数据库

这或者可能几乎是最新最全（适应最新广告法）的KEGG数据库使用说明了。KEGG数据库介绍将分为两期推送，本期主要介绍KEGG数据库的基本信息以及之间的联系，下期将介绍KEGG数据库的注释方法以及其他软件实现途径和神秘的API。

（文章图片略多，建议在WiFi下阅读，土豪随意。）

1

KEGG数据库简介

KEGG，（Kyoto Encyclopedia of Genes and Genomes,京都基因与基因组百科全书），是一个整合了基因组，化学和系统功能信息的数据库，旨在揭示生命现象的遗传物质与化学蓝图。它（http://www.kegg.jp/kegg/）是由日本的 Kanehisa Laboratories于1995年创建整理的一个知识库，是基于使用一种可计算的形式捕捉和组织实验得到的知识而形成的系统功能知识库。另外，KEGG数据库具有强大的图形功能，它利用图形介绍众多的代谢途径以及各途径之间的关系。‍

KEGG数据库是一个综合数据库，其主要分为四类，分别是系统信息，基因组信息，化学信息，健康信息。可以通过颜色编码区分。KEGG四类数据库之间的关系如图1.

图1 KEGG四类数据库之间的联系‍

其中这四类又分别包含不同的子库。KEGG数据库中包含各种各样的数据对象，这些数据对象是为了用来对生物系统进行计算机模拟的。因此，各个数据库中的数据记录都被称为KEGG对象。这些对象可以通过KEGG对象标识符来识别，标识符由一个与数据库相关的前缀加五个数字构成。具体如图2所示。核心数据库是KEGG PATHWAY和KEGG ORTHOLOGY数据库。

图2 KEGG子库目录‍

2

KEGG常用的子数据库‍

KEGG PATHWAY Database(代谢通路数据库)

KEGG BRITE Database(分层分类数据库)

KEGG MODULE Database（功能模块数据库）

KEGG ORTHOLOGY Database（直系同源数据库）

KEGG GENES Database(基因数据库)

KEGG GENOME Database(基因组数据库)‍

2.1、KEGG PATHWAY Database

KEGG PATHWAY数据库是一个手工画的代谢通路的集合，包含以下几方面的分子间相互作用和反应网络：新陈代谢、遗传信息加工、环境信息加工、细胞过程、生物体系统、人类疾病、药物开发。同时它也经常更新。

PATHWAY的五种类型：仅仅第一种参考通路(referencepathway)图是手动画出来的，其他的通路图都是通过计算产生的。pathway中的每一个框(或线)都对应一个或多个K编号、EC编号及R编号。几类代谢通路区别：

map -Reference pathway：对于代谢相关的通路，在referencepathway中，一个点同时表示一个基因、这个基因编码的酶及这个酶参加的反应

ko -Reference pathway (KO)：ko通路中的点只表示基因

ec -Reference pathway (EC)：ec通路中的点只表示相关的酶

rn -Reference pathway (Reaction)：Reaction通路中的点只表示改点参与的某个反应、反应物对及反应类型

org- Organism-specific pathway map：对于所有的代谢和非代谢通路，K编号都被认为是基因的标识符，这个标识符在每一个物种中对应该物种中的某个基因，从而得到物种特异性的pathway。‍

同一代谢通路不同类型通路图的区别，例如Metabolic pathways通路图，如下图：

在KEGG PATHWAY 数据库（http://www.kegg.jp/kegg/pathway.html#metabolism）中查询代谢通路，如图3.

图3 KEGG PATHWAY 数据库查询‍

例如查询map00120代谢通路结果。如图4（http://www.genome.jp/dbget-bin/www_bget?pathway:map01200）。代谢通路中的图例说明如图5.

图4 map00120代谢通路图

图5 代谢通路图图例说明‍

2.2 KEGG BRITE Database‍

KEGG BRITE是一个层级分类的数据库，包含生物系统各个方面的知识。相对于KEGG PATHWAY仅限于分子间相互作用和反应，KEGG BRITE包含了许多不同的关系类型。例如，可以查询酶和底物之间的关系，也可以查询某种酶的同源基因。

2.3 KEGG MODULE Database

KEGG MODULE是一个人工定义的功能单元的集合。被用于已测序基因组的注释和生物学上的解释。各个模块使用M开头的编号及与其对应的一系列K开头的编号来表示。四种主要的KEGG模块：

1.通路模块：代表在KEGG代谢通路图中的复杂功能单元，例如M00002(糖酵解，与三碳化合物相关的核心模块)

2.结构复合物：通常形成分子机械，例如M00072(寡糖转移酶)

3.功能集：基本单元的其他形式，例如M00360(氨酰基-tRNA合酶，原核生物)

4.特征模块：作为某种表型的标记，例如M00363(肠出血性大肠杆菌致病性特征，志贺毒素)

2.4 KEGG ORTHOLOGY Database‍

KEGG建立了KEGG直系同源系统（the KEGG Orthology(KO) System），通过把分子网络的相关信息连接到基因组中，从而发展和促进了跨物种注释流程。具体来说就是，对于每个功能已知的基因，会把和其同源的基因所有基因都归为一类，就是每一个KO, 并赋予一个K number, 用该基因的功能作为这个KO的功能；基于同源基因具有相似功能的假设，把每个基因的功能进行了扩充，对于某个物种中功能研究的很清楚的基因，在不同的物种间搜寻该基因的同源基因，将这些同源基因定义为一个orthology, 用该基因的功能作为该orthology 的功能；这样就将对于不同物种基因功能的研究都利用起来，提供了一个全面的研究基因功能的数据库。比如在KEGG数据库中检索K02123，检索结果（http://www.kegg.jp/dbget-bin/www_bget?ko:K02123）如图6所示：

图6 K02123

前面提到了的“ko”和现在”KO“或者”K”“并不是一个玩意，K编号表示一个基因，是ko通路中的基本单位，某一K编号代表的不是某一具体物种的基因，而是所有物种的某一同源基因的统称。千万别弄混了！

2.5 KEGG GENOME Database

KEGG GENOME Database：该数据库中收集了5203中物种(429eukaryotes, 4511 bacteria, 263 archaea)的基因组信息，这些物种都已经具有完整的基因组序列，并根据大量的EST数据集进行了增补。

2.6 KEGG GENES Database

KEGG GENES 数据库的几点说明：

1.KEGG GENES是所有已知全基因组序列的基因目录的集合。这些全基因组信息主要参考可得到的公共数据库，尤其是NCBI RefSeq数据库。这些基因从属于SSDB(SequenceSimilarity Database)并通过KOALA工具进行计算和KO编号的分配(基因注释)。

2.KEGG DGENES中包括一些真核生物的基因组草图。

3.KEGG EGENES是一个包含大部分植物的EST数据集的补充基因目录，以上数据都随着GENES被当做一个参考数据集的使用被KAAS自动分配上KO编号。

4.MGENES表示通过自动注释的宏基因组。

5.VGENES表示病毒基因目录，还没有全部整合到KEGG系统中。

2.7 KEGG SSDB Database

KEGG SSDB数据库的两点说明:

1.KEGG SSDB(序列相似性数据库)包括全基因组中的所有蛋白编码基因的氨基酸序列相似性的信息，这些信息是从KEGG中的GENES数据库计算得到的。所有可能的成对基因组比较由SSEARCH程序来执行，并且Smith-Waterman相似性分数大于或等于100的基因对会被选入SSDB数据库，数据库中还包括最佳匹配(best hits)以及双向最佳匹配(best-best hits)序列的信息。‍

2.SSDB是一个如此巨大的加权的有向图，这使得该数据库可以被用于查询直系同源和旁系同源基因，还可以在额外考虑染色体上位置正确性的情况下查询保守的基因簇。

KEGG数据库基本信息内容已经介绍完了，下期将分享KEGG注释及可视化。敬请大家关注。最后祝大家2018年一切顺利~

供稿人：微生物事业部 宋德强