Нуклеотидные банки данных

**Рис. 1** Буроголовая гаичка ( *Poecile montanus*)

Выбор сборки генома

Буроголовая гаичка, или пухляк (англ. Willow tit, лат. Poecile montanus) — небольшая подвижная синица, населяющая зону лесов Европы и Азии. В отличие от близкой родственницы черноголовой гаички, больше тяготеет к хвойному лесу и по этой причине встречается в более северных широтах. Одна из самых распространённых синиц. По общей численности уступает лишь большой синице, а в средней Сибири порой обычна и встречается чаще, чем какая-либо другая птица из этого семейства. Русское название пухляк получила за манеру сильно распушать оперение в ненастную погоду. Мой выбор пал на эту птицу, потому что я считаю ее очень милой.

Поиск генома происходил на сайте NCBIDatasets. По запросу Poecile montanus было получено 3 сборки, выбор пал на референсную ASM3842987v2

Таблица 1. Характеристики сборки

GenBank	GCA_038429875.2
RefSeq	-
Уровень сборки генома	Chromosome
Размер генома	1.2 Gb
Число фрагментов генома в сборке	41 хромосома (гаплоидная сборка) 190 скэффолдов 525 контигов
Скэффолд N50	76.2 Mb
Скэффолд L50	6
Контиг N50	16.3 Mb
Контиг L50	25

L50 —число фрагментов (скэффолдов или контигов), в которых содержится половина всех нуклеотидов сборки.

N50 — длина фрагмента (скэффолда или контига), для которого половина всех нуклеотидов сборки содержится в контигах такой и большей длины

Были скачены 3 файла: нуклеотидная последовательность генома (genomic.fna), белковые последовательности (protein.faa) и последовательность генома с аннотацией (genomic.gbff)

Кадгерин

NCBI Nucleotide

Чтобы оценить количество записей с белком в названии, запрос имел вид cadherin[Title], по этому запросу был получено 67653 записи, из которых 3394 принадлежат генам, а 61702 мРНК. Также из всего количества записей 5094 находлись в GenBank, а 62559 в RefSeq.

Чтобы определить сколько из этих записей относятся к белкам человека, был создан запрос (cadherin[Title]) AND homo sapiens[Organism], по которому было получено 550 записей, из них 51 принадлежат генам и 462 мРНК, 207 GenBank и 343 RefSeq

Можно заметит, что среди полученных записей встречаются cadherin related (кадгерин-подобные белки) в названии, если исключить их из запроса (((((cadherin[Title]) AND homo sapiens[Organism]))) NOT cadherin related[Title]) количество записей уменьшается до 481

ENA

Для поиска записей по кадгерину человека в базе ENA запрос для генов будет выглядить как tax_tree(9606) AND description="cadherin" AND mol_type="genomic dna" 76 и по нему можно получить 76 записей. Для мРНК запрос будет иметь вид tax_tree(9606) AND description="cadherin" AND mol_type="mrna" 800 по нему в ENA содержится 800 записей.