写在前面
整个5-6月份发表了近100篇数据库文章。进一步去掉一些其他物种的以及植物方面的数据库，最后剩下了88个数据库。由于这个月发表的数据库比较多，所以我们分上、中、下来介绍这些新发表的数据库。
这次的数据库我们分成了六个方面。(1) 疾病相关数据库；(2) DNA相关数据库；(3) RNA相关数据库；(4) 蛋白相关数据库；(5) 组学分析流程数据库；(6) 微生物和老鼠相关数据库；(7) 其他数据库。
以下是所有这个月数据库的汇总，如果想要pdf格式的文件。可以直接后台回复:"6月数据库"。
image-20200630101546245
1.疾病相关数据库
这类疾病相关的数据库，基本上是总结了多个公共数据集的数据集来进行分析。通过这样的数据库，我们就省去了去GEO这样的公共数据库检索目标疾病数据集的时间。
1.1 SNE-NICHD https://snengs.nichd.nih.gov
视网膜数据库。提供了多个物种关于视网膜和松果体的转录组数据。
image-20200627194718007
1.2 OSluca: http://bioinfo.henu.edu.cn/Index.html
肺癌生存分析数据库。数据库纳入了35个数据集的5741个患者的生存数据。不过只是一个简单的各个数据集的汇总做完的汇总。并不是整合到一起的结果
image-20200627205853435
1.3 dBMHCC: http://predictor.nchu.edu.tw/dBMHCC/index.php
肝癌标志物数据库。整合了多个数据库，可以见检索基因是否是肝癌的标志物。
image-20200627231128052
1.4 VIRdb: https://www.vitiligoinfores.com/index.html
白癜风综合性数据库。利用白癜风相关的高通量数据，来分析和白癜风相关的基因。
image-20200627232232642
1.5 MyomiRDB: http://www.myomirdb.in/
肌肉萎缩相关miRNA数据库。分析肌肉萎缩过程当中相关的miRNA以及这些miRNA相关功能的数据库。
image-20200627233423963
1.6 TTRMDb： http://vit.ac.in/ttrmdb
运甲状腺素蛋白突变体的淀粉样疾病数据库
image-20200628101746881
2.DNA相关数据库
2.1 SNPnexus： https://www.snp-nexus.org
SNP注释数据库。对SNP位置和调控相关预测数据库。
image-20200629093732101
2.2 EpiRegioDB:https://epiregio.de/
非编码DNA区域对于基因表达调控数据库。通过输入基因名来获取这个基因可能收到的调控位置。属于预测表观遗传的数据库。
image-20200629101246330
3. 老鼠和微生物数据库
3.1 PROSPECT: http://PROSPECT.erc.monash.edu/
细菌蛋白质磷酸化位点预测数据库。通过输入 fa序列来进行预测。
image-20200628093549768
3.2 PSI-MOUSE: http://psimouse.rnamd.com
老鼠的假性尿苷（Ψ）数据库。
image-20200628144603271
3.3 gutMEGA：http://gutmega.omicsbio.info
人类肠道基因组图谱数据库。收集了多个16S测序的结果来综合的一个数据库。算是肠道基因组方面一个很好的数据库了。
image-20200628205206198
4. RNA相关数据库
4.1 DeepCLIP: https://deepclip-web.compbio.sdu.dk/
利用深度学习的方法来预测RNA绑定蛋白位点
image-20200628150001813
4.2 IRESbase: http://reprod.njmu.edu.cn/cgi-bin/iresbase/index.php
实验验证的内部核糖体进入位点(IRESs)数据库。内部核糖体进入位点（IRESs）是功能性RNA元件，可以以不依赖帽的方式将核糖体直接募集到mRNA的内部位置以启动翻译。
image-20200628151329897
4.3 CCLA： http://bioinfo.life.hust.edu.cn/web/CCLA/
肿瘤细胞系认证数据库。基于表达谱芯片来认证肿瘤细胞系是哪种细胞。通过上传这个细胞系的表达谱芯片来评估这个基因是什么癌症细胞。
image-20200628152136908
4.4 RNAProbe: https://rnaprobe.genesilico.pl
基于RNA结构探针数据来预测RNA结构的在线分析数据库。
image-20200628152613750
4.5 ncRI：http://www.jianglab.cn/ncRI/
炎症相关的ncRNA数据库。这个数据库收集了经过实验验证了验证相关的ncRNA。其中ncRNA包括lncRNA、miRNA等等。
image-20200629094526598
4.6 miRNet 2.0：https://www.mirnet.ca
miRNA一站式分析数据库。数据库提供了关于miRNA芯片分析流程以及miRNA相关调控的一站式数据分析的结果。
image-20200629094827765
4.7 CVCDAP：https://omics.bjcancer.org/cvcdap/
肿瘤RNA-seq数据与临床数据分析数据库。数据库利用TCGA和CPTAC公共数据，来分析基因和临床性状之间的数据。类似于GEPIA，数据库好像更大一些。
image-20200629104438149
4.8 ASAP : https://asap.epfl.ch
单细胞测序数据分析平台。数据库对HUMAN CELL ATLAS数据库的单细胞测序说的数据进行了分析。方便我们使用这个这个数据库的scRNA-seq的结果。同时也可以分析自己的数据。
image-20200629110856837
4.9 3D-GNOME：https://3dgnome.cent.uw.edu.pl/
三维基因组数据库可视化。数据库利用 ChIA-PET 以及 Hi-C等数据对基因组进行了三维可视化。
image-20200629111226970
4.10 Fluxer：https://fluxer.umbc.edu
代谢途径可视化数据库。基于全基因组测序的数据，来进行代谢途径的可视化。
image-20200629145127212
4.11 scTPA：http://sctpa.bio-data.cn/sctpa
单细胞数据通路分析数据库。利用单细胞数据在多个数据库当中进行通路的富集分析。
image-20200629151034601
4.12 iMRM：http://www.bioml.cn/XG_iRNA/home
多种RNA修饰预测的数据库。可以预测m6A, m5C, m1A, ψ and A-to-I修饰的结果。
image-20200629153707000
4.13 TIMER2.0：http://timer.cistrome.org/
免疫浸润评价数据库。基于RNA-seq的数据来评价样本的免疫浸润程度。同时对TCGA的数据进行了分析。目前这个数据库更新到了2.0版本。以后我们会来介绍这个数据。
image-20200629193034979
2. 蛋白相关数据库
2.1 PINOT: http://www.reading.ac.uk/bioinf/PINOT/PINOT_form.html
蛋白相互作用数据库。至于这个数据库和一些经典的STRING/BIOGREAD有什么区别。这个就可能需要再详细的看文章了。
image-20200628091445659
2.2 RaacLogo: http://bioinfor.imu.edu.cn/raaclogo
蛋白motif分析的在线软件。
image-20200628091819668
2.3 PPAI： http://39.96.85.9/PPAI
蛋白质和适体预测数据库。通过输入目标蛋白/具体序列来预测其相互作用。
image-20200628092214979
2.4 CapsNet-SSP: http://www.csbg-jlu.info/CapsNet-SSP/
人类唾液分泌蛋白预测。通过输入蛋白的fa序列通过深度学习的算法来预测目标序列是不是唾液分泌蛋白。
image-20200628092610625
2.6 TopMatch-web: https://topmatch.services.came.sbg.ac.at
三维蛋白质和核酸链成对匹配数据库。
image-20200628094556318
2.7 mCSM-membrane: http://biosig.unimelb.edu.au/mcsm_membrane
突变对跨膜蛋白稳定性的影响以及它们与疾病相关的可能性的数据库。
image-20200628094911732
2.8 PaCRISPR： http://pacrispr.erc.monash.edu/
预测和可视化抗CRISPR蛋白数据库。通过输入fa序列来预测抗CRISPAR蛋白
image-20200628101233638
2.9 FATCAT 2.0: http://fatcat.godziklab.org/
蛋白结构预测数据库。利用新的算法来更好的预测蛋白结构的多样性。
image-20200628095900314
2.10 SCLpred-EMS: http://distilldeep.ucd.ie/SCLpred2/
蛋白质亚细胞定位。主要预测输入的蛋白是不是内膜系统和分泌途径的蛋白。
image-20200628100609624
2.11 Leitmotif：https://leitmotif.irb.hr
蛋白质motif检索数据库。通过输入目标蛋白序列以及想要检索的motif。查看目标蛋白是否存在motif。
image-20200628101126022
2.12 ProCaff：http://web.iitm.ac.in/bioinfo2/procaff/
蛋白质-碳水化合物复合物结合亲和力预测数据库。
image-20200628101508721
Scop3P: https://iomics.ugent.be/scop3p
蛋白质磷酸化位点预测数据库。
image-20200628153114349
HomolWat:http://lmc.uab.es/homolwat
G蛋白偶联受体内部水分子预测数据库。内部水分子在包括G蛋白偶联受体（GPCR）在内的膜蛋白的结构和功能中起着至关重要的作用。数据库使用从高分辨率结构获得的同源水分子模板进行建模，进而预测水分子在GPCR结构当中的位置。
image-20200629095225548
其他方面数据库
Webina：http://durrantlab.com/webina
分子对接数据库。利用AutoDock Vina来预测小分子如何结合大分子靶标。
image-20200628145538478
DDIEM：http://ddiem.phenomebrowser.net
先天性代谢缺陷的药物数据库.
image-20200628150848226
Tox21BodyMap：https://sandbox.ntp.niehs.nih.gov/bodymap/
化学物质作用数据库。数据库使用了9,270种化学物质高通量检测的结果，用来评价某种化学物质更可能的作用靶向器官。
image-20200629094227504
SYNERGxDB：http://SYNERGxDB.ca/
药物基因组学相关数据库。通过检索相关的组织或者药物来了解药物之间的协同作用。
image-20200629110434698
1.6 HCVpred：http://codes.bio/hcvpred/
预测HCV NS5B抑制剂生物活性的数据库
image-20200627232715098
1.4 DenvInD:https://webs.iiitd.edu.in/raghava/denvind/index.html
戈登热病毒抑制剂数据库。可以通过检索了解相关疾病的抑制剂。
image-20200627231849447
分析流程数据库
这个模块提供了组学方面数据分析流程的在线数据库。这类的数据库，可以来分析一些组学方面的原始数据。但是对于分析的速度，这个就不好说了。
CSI NGS Portal：https://csibioinfo.nus.edu.sg/csingsportal
NGS数据的在线分析平台。通过上传NGS的原始数据，来进行流程化分析。
image-20200629100331082
CReSCENT：https://crescent.cloud
单细胞测序分析平台。通过上传自己的单细胞测序数据，来进行一站式分析的数据库。同时数据库也提供了一些目前公开的单细胞测序的数据。如果想要使用某一个测序数据的话，倒是可以看一下这里有没有。
image-20200629100550794
M2IA：http://m2ia.met-bioinformatics.cn
微生物和代谢组分析数据库。集合了多种算法。上传数据；自定义分析流程即可。
image-20200629153016570
NAguideR：http://www.omicsolution.org/wukong/NAguideR/
蛋白组学数据缺失值处理数据库。在做蛋白质组的时候会遇到有缺失值的情况。这个时候就可以使用这个数据库来进行缺失值填补。
image-20200629163514640
MetaFS：https://idrblab.org/metafs/
蛋白质组差异表达分析数据库。通过上传原始的蛋白质组数据，通过多种方法来分析差异表达的蛋白。
image-20200629164025310
piNET：http://pinet-server.org
蛋白质组下游分析及可视化数据库。通过提交蛋白相关数据来进行注释以下游分析。
image-20200629192515029
欢迎关注公众号：数据库百科，一个介绍医学科研相关数据库使用的公众号
image.png
网友评论