ANISEED 2015：海鞘比较发育生物学的数字框架

本文发表于 Nucleic Acids Research 2016年第44卷数据库专刊，文章类型为数据库论文，属于类型b的范畴。该研究由法国蒙彼利埃大学CRBM研究所的Patrick Lemaire团队牵头，联合法国、美国、日本、意大利等多国研究机构共同完成，第一作者包括Matija Brozovic、Cyril Martin、Christelle Dantec和Delphine Dauga。文章详细介绍了ANISEED数据库自2010年首次发布以来五年的重大升级与扩展，使其成为海鞘发育生物学领域最主要的信息系统。

海鞘（ascidian）隶属于被囊动物亚门（tunicate），是脊椎动物现存最近的姐妹群。由于其胚胎发育具有高度不变的细胞谱系（cell lineage）和“镶嵌式发育”（mosaic development）的特点，海鞘成为研究胚胎发育、再生和干细胞生物学的理想模式生物。ANISEED数据库的核心目标有二：一是为全球海鞘发育生物学家提供高质量、易用的数据服务；二是通过语义网技术（semantic web technology）将分子和解剖学数据形式化、结构化，最终使胚胎“可计算化”（computable），从而推断每个胚胎区域内基因调控网络（gene regulatory network, GRN）的架构与动态。

文章首先报告了ANISEED在数据库架构层面的根本性重构。2010年版使用的是自定义数据库模式（custom schema），难以扩展新的数据类型。2015年版全面迁移至Chado关系型数据库模式，这是由GMOD联盟开发、被多数主要模式生物数据库广泛采用的本体驱动型模块化模式。重构过程中引入了两个关键扩展：第一，创建了“实验模块”（experiment module），用于描述在对照胚胎和实验处理胚胎上平行进行的胚胎学实验，其中分子扰动工具（如吗啉代寡核苷酸morpholino、TALE核酸酶、CRISPR/Cas9构建体）通过序列本体（Sequence Ontology）定义，化学抑制剂通过ChEBI本体定义，分子分析通过证据本体（Evidence Ontology, ECO）描述。第二，实现了“每物种独立模式副本”（species-specific schema）的数据库组织方式，每个物种的模式承载其特有的基因组、基因模型、表达模式等数据，而文章、药理学试剂和通用受控词表则存放于共享模式中，极大便利了跨物种比较分析和各物种数据的独立更新。

在用户界面方面，ANISEED 2015完全重新设计了用户界面、生物审编（biocuration）界面和后端管理界面。新首页提供六个入口磁贴：BLAST、基因组浏览器（genome browser）、基因组注释、解剖学、基因表达与功能、文献，每个入口对应一个集中式搜索页面，支持自动补全功能以确保受控词表的正确拼写。复杂查询（如“在某一组区域内表达但排除另一组区域的基因”）的执行时间优化至5秒以内。

文章的核心内容之一是玻璃海鞘（*Ciona intestinalis*）数据的全面改进与扩充。ANISEED 2015采用改进的KH基因组组装和15284个手工审编的基因模型作为参考。基因组浏览器中整合了多种数据轨道（track）：miRNA和其他非编码RNA、操纵子（operon，约15%的玻璃海鞘基因以操纵子形式组织）、EST、6个胚胎发育阶段的链特异性RNA-seq数据、11个转录因子在早期原肠胚期的ChIP-chip数据、875个实验验证的顺式调控区域（cis-regulatory region）以及C. intestinalis A型与*Ciona savignyi*之间的序列保守性。功能注释流水线首先用InterProScan 5识别蛋白质保守结构域，然后用OrthoMCL在多物种间构建直系同源群（ortholog group），涉及的物种包括所有已测序海鞘、三种脊椎动物（人、小鼠、鸡）和两种更早分支的后口动物（紫海胆和文昌鱼），最后将每个基因与三个最相似的人类蛋白质关联。基因本体（Gene Ontology, GO）注释通过InterPro2GO和Ensembl人类直系同源基因的注释继承而来，并过滤掉与海鞘生物学无关的术语（如“肢体发育”）。

解剖学本体（anatomical ontology）的重构是该版本的另一重大进展。2010年版将不同发育阶段的解剖学术语分散在24个独立本体中，2015年版将其统一为单一本体，基于Hotta发育表（developmental table），将从未受精卵到成体的发育过程划分为4个元时期（meta-period）、13个时期（period）和50个发育阶段（developmental stage），阶段之间用“preceded by”关系表征时间序列，层级关系用“included in”表征。此外，本体定义了797个解剖实体（anatomical entity），每个实体通过“is a”表征粒度（细胞、细胞对或结构）、“part of”表征细胞-组织-器官层级、“belongs to”表征头尾区域归属、“develops from”表征谱系来源，并以“start”和“end”阶段定义其存在的时间窗口。早期原肠胚阶段之前的细胞邻接关系和接触面积数据也得以保留，因为这些参数已被证明是海鞘早期细胞诱导的关键预测因子。

ANISEED 2015最显著的扩展体现在物种覆盖面上。自*C. intestinalis*基因组发布以来，已有9种海鞘的基因组完成测序。本文报道了全部9个新物种的基因组浏览器均可在ANISEED中通过BLAST进行搜索。其中基因组质量最高的6个物种获得了完整的发育浏览器支持，包括功能基因注释和解剖学本体：*Ciona savignyi*、*Phallusia mammillata*、*Halocynthia roretzi*、*Halocynthia aurantium*、*Molgula oculata*和*Botryllus schlosseri*。文章提供了详细的对比表格，列出了各物种的基因组组装质量（N50 scaffold大小）、基因模型数量、InterPro结构域平均数量、与人类基因的直系同源关系数量、GO术语平均数量以及原位杂交表达模式数量。由于海鞘胚胎细胞谱系在远缘物种间极度保守，各物种的胚胎解剖学本体几乎完全相同，这极大便利了发育程序的跨物种比较。*H. roretzi*的本体从*C. intestinalis*本体通过修改少数已知谱系差异生成，并用于注释937个基因的5876个野生型表达模式。对于群体海鞘*B. schlosseri*，ANISEED采用了新发表的BODA本体（Botryllus Ontology of Development and Anatomy）来描述无性发育。

文章还介绍了ANISEED在数据可计算性和可访问性方面的进展。下载区域提供了大多数数据的解析格式文本或XML文件，表达数据采用MISFISHIE格式。系统计划将来实现BioMart服务器和专用应用程序编程接口（API），以支持动态提取数据子集。文章最后提出了未来的两大挑战：一是扩展生物审编工作以覆盖RNA-seq、ChIP-seq等新型基因组数据类型和大量待录入的科学文献；二是将分子层面的发育程序描述与即将到来的活体成像数据集相整合，利用海鞘胚胎透明或半透明的特性进行全胚胎成像和细胞膜自动分割。

ANISEED 2015代表了海鞘发育生物学数据基础设施建设的重要里程碑，通过专业级系统重构、多物种扩展和语义网技术应用，为理解脊索动物发育程序的进化保守性与可塑性提供了不可替代的计算资源。