RefSeq

RefSeq
Tipo Base de datos de secuencias genómicas curadas y no redundantes
Sede central Centro Nacional para la Información Biotecnológica (NCBI)
Sitio web https://www.ncbi.nlm.nih.gov/RefSeq

RefSeq (de The Reference Sequence en Inglés) es la base de datos pública de secuencias de ácidos nucleicos (ADN y ARN) y proteínas, anotadas y curadas, del Centro Nacional para la Información Biotecnológica (NCBI). RefSeq comenzó a funcionar en el año 2000 y, a diferencia de GenBank, solo ofrece un registro por cada biomolécula, ya sea ADN, ARN o proteína, para los organismos más relevantes desde virus hasta bacterias y eucariotas. Para cada organismo modelo, RefSeq guarda registros separados y enlazados para el ADN genómico, los transcritos y las proteínas resultantes de estos. Esta base de datos está limitada a los organismos más importantes, para los que hay disponible la suficiente información (121 461 organismos diferentes a fecha de julio de 2022), mientras que GenBank incluye secuencias para cualquier organismo subido a la base de datos (aproximadamente 504 000 especies formalmente descritas).

Categorías de datos

RefSeq incluye diferentes tipos de datos, con diferentes orígenes, por lo que es necesario establecer categorías e identificadores para cada uno. Las categorías más importantes en RefSeq son:

Categoría Descripción
NC Regiones genómicas completas
NG Regiones genómicas incompletas
NM ARNm
NR ARNnc
NP Proteína
XM Modelo de ARNm (predicción)
XR Modelo de ARNnc (predicción)
XP Modelo de proteína (predicción de secuencias eucariotas)
WP Modelo de proteína (predicción de secuencias procariotas)

Para más detalles y más categorías, se puede consultar la Tabla 1 en el Capítulo 18 del manual de uso de la base de datos RefSeq.

Proyectos

Varios proyectos para mejorar los servicios de RefSeq se encuentran actualmente en desarrollo por el NCBI, frecuentemente en colaboración con otros centros de investigación como el EMBL-EBI:

Estadísticas

Según la versión 213 de RefSeq (julio de 2022), el número de especies representadas en la base de datos, clasificadas en función de su identificadores taxonómicos, es el siguiente:

Identificador taxonómico Especies
Arqueas 1443
Bacterias 69122
Total 121461
Hongos 16869
Invertebrados 5715
Mitocondria 13648
Plantas 9177
Plásmidos 6073
Plástidos 9430
Protozoos 746
Vertebrados (mamíferos) 1509
Viral 11620
Vertebrados (otro) 5237
Otro 4

El número de registros y pares de bases por cada tipo de molécula en la base de datos es de:

Tipo de molécula Registros Pares de bases/residuos
Genómica 40 758 769 2,923212393984 × 1012
ARN 45 781 716 1,22253022047 × 1011
Proteína 234 520 053 9,1290623940 × 1010

Véase también