Aquisição de sequências no GenBank

BLAST, buscas no site do GenBank e download de sequências com o R

Tutorial da disciplina de pós-graduação Métodos Computacionais em Sistemática e Filogeografia (Unesp Bauru).

O que é o GenBank?

O GenBank (https://www.ncbi.nlm.nih.gov/genbank/), mantido pelo NCBI (National Center for Biotechnology Information, EUA), é a base de dados que reúne as sequências de DNA disponíveis publicamente. Ele faz parte de um consórcio internacional (INSDC) com o ENA, europeu, e o DDBJ, japonês: as três bases trocam dados diariamente e compartilham os mesmos registros e números de acesso.

Quando você elabora um trabalho com sequências de DNA, provavelmente visitará o GenBank para adquirir sequências antes de começar as análises e, depois, para depositar as sequências que produziu: o depósito em um repositório público é exigido para a publicação de artigos. Cada registro recebe um número de acesso (por exemplo, KJ961566) e uma versão (KJ961566.1), que identificam a sequência de modo permanente.

Uma ferramenta muito útil associada ao GenBank é o BLAST (Basic Local Alignment Search Tool), que compara uma sequência com as sequências da base do NCBI e lista as mais parecidas. Ele serve, por exemplo, para verificar se uma sequência recém-produzida é de fato do organismo esperado ou se está contaminada.

Usando o BLAST

  1. Abra o arquivo dados/panthera_onca.fas em um editor de texto (Bloco de Notas, Sublime Text, Notepad++). Ele contém uma sequência parcial do gene mitocondrial 16S rRNA identificada como de onça-pintada (Panthera onca) do Pantanal.

  2. Acesse o BLAST de nucleotídeos: https://blast.ncbi.nlm.nih.gov/Blast.cgi?PROGRAM=blastn.

  3. Copie a sequência inteira, incluindo a linha de cabeçalho (>), e cole-a no campo Enter accession number(s), gi(s), or FASTA sequence(s). Outra possibilidade é enviar o arquivo inteiro pelo botão Escolher arquivo (Or, upload file).

  4. Em Choose Search Set, mantenha a base padrão, Core nucleotide database (core_nt); em Program Selection, mantenha Highly similar sequences (megablast).

  5. Clique no botão BLAST e aguarde (de alguns segundos a alguns minutos).

Os resultados aparecem na aba Descriptions, ordenados da sequência mais parecida para a menos parecida. As colunas mais importantes são:

  • Scientific Name: o organismo da sequência encontrada;

  • Query Cover: a porcentagem da sua sequência que foi alinhada;

  • Per. Ident: a porcentagem de bases idênticas no trecho alinhado;

  • E value: o número de resultados com essa qualidade esperados ao acaso (quanto menor, melhor; valores como 0.0 ou 1e-150 indicam semelhança que não se explica pelo acaso);

  • Accession: o número de acesso da sequência encontrada.

Para refletir

Qual foi a sequência mais próxima da nossa? Se você tivesse acabado de produzir esta sequência, o que isto poderia significar?

Buscando sequências no site do GenBank

Se todas as sequências de DNA públicas estão no GenBank, é lá que procuramos quando precisamos de alguma. Acesse https://www.ncbi.nlm.nih.gov/nuccore/ e busque pela sequência de algum organismo e de um fragmento. Se estiver sem ideia, vejamos as sequências do marcador mitocondrial 16S rRNA da rã-de-unhas-africana (Xenopus laevis). Digite no campo de busca:

Xenopus laevis 16S

e clique em Search. A página mostra as sequências de X. laevis que mencionam o marcador: são centenas. Repare nos filtros da coluna da esquerda (por exemplo, Sequence length) e no quadro Search details, à direita, que mostra como o NCBI interpretou a sua busca, com campos entre colchetes, como [Organism]. Os mesmos campos podem ser usados diretamente:

Xenopus laevis[Organism] AND 16S[All Fields] AND 100:5000[SLEN]

[SLEN] é o comprimento da sequência; aqui, de 100 a 5000 pares de bases, o que exclui os genomas mitocondriais completos (cerca de 17 mil pares de bases).

Baixar centenas de sequências clicando uma a uma daria um trabalho danado! Por isso, foram criados pacotes para a plataforma R que interagem com o GenBank.

Vamos supor que você encontrou uma espécie nova de rã que parece ser do gênero Hylodes e quer fazer uma árvore com dois marcadores mitocondriais, 16S rRNA e COI (citocromo c oxidase subunidade I), da família Hylodidae, para posicionar a nova espécie. Baixar no clique todas as sequências disponíveis para a família seria trabalhoso; vamos fazer isso no R.

Um parêntese taxonômico: Megaelosia e Phantasmarana

Até 2021, a família Hylodidae era dividida em três gêneros: Crossodactylus, Hylodes e Megaelosia. Vittorazzi et al. (2021) mostraram que Megaelosia não era monofilético e descreveram o gênero Phantasmarana (“rãs fantasma”, pela raridade com que são encontradas). Desde então, Megaelosia contém uma única espécie, M. goeldii, e as demais foram transferidas para Phantasmarana, que hoje tem oito espécies (Frost, 2026), duas delas descritas depois da criação do gênero (de Sá et al., 2022):

Megaelosia Phantasmarana
M. goeldii (Baumann, 1912) P. apuana (Pombal, Prado, and Canedo, 2003)
  P. bocainensis (Giaretta, Bokermann, and Haddad, 1993)
  P. boticariana (Giaretta and Aguiar, 1998)
  P. curucutuensis de Sá et al., 2022
  P. jordanensis (Heyer, 1983)
  P. lutzae (Izecksohn and Gouvêa, 1987)
  P. massarti (De Witte, 1930)
  P. tamuia de Sá et al., 2022

Isso afeta a busca de sequências de duas maneiras:

  1. A família passa a ter quatro gêneros, e Phantasmarana precisa estar na busca.

  2. As sequências depositadas antes de 2021 foram descritas como Megaelosia. A Taxonomia do NCBI atualiza o campo ORGANISM dos registros, que é o usado nas buscas com [Organism]; mas o texto descritivo do registro (a linha que aparece no cabeçalho do FASTA) foi escrito por quem depositou a sequência e pode continuar com o nome antigo. Ao montar uma matriz, confira sempre os nomes.

Usando o R para adquirir sequências

Preparando o R

Usaremos o R (https://www.r-project.org/) por meio do RStudio. Recomenda-se criar um projeto do RStudio para a prática (File > New Project > New Directory): o RStudio passa a usar a pasta do projeto como pasta de trabalho, e todos os arquivos são gravados ali, sem a necessidade de setwd() com caminhos que só existem no seu computador. Baixe os arquivos da prática (veja o quadro no início) e copie para a pasta do projeto as pastas R e dados.

Precisamos de dois pacotes: ape (Paradis & Schliep, 2019), para ler e gravar sequências, e rentrez (Winter, 2017), para conversar com as bases do NCBI. Abra o script R/01_preparar_R.R e execute-o (no RStudio, Ctrl+Enter executa a linha atual; Ctrl+Shift+Enter, o script inteiro):

install.packages(c("ape", "rentrez"))
library(ape)
library(rentrez)
packageVersion("ape")
packageVersion("rentrez")

library() carrega o pacote; se ele não estiver instalado ou não funcionar, aparece uma mensagem de erro (por exemplo, there is no package called ’ape’). Se nenhum erro aparecer e as duas últimas linhas mostrarem as versões instaladas (algo como [1] '5.8.1'), você pode seguir adiante. Anote as versões: elas fazem parte da documentação de um trabalho. A instalação só precisa ser feita uma vez em cada computador; nas sessões seguintes basta carregar os pacotes com library().

Limite de acessos do NCBI

O NCBI aceita até 3 requisições por segundo de cada endereço de internet. Em uma sala em que todos usam a mesma rede, esse limite pode ser atingido, e aparecerá um erro como HTTP 429 Too Many Requests: espere alguns segundos e execute o comando de novo. Quem cria uma conta no NCBI pode gerar uma chave pessoal da API (API key), que eleva o limite para 10 requisições por segundo, e informá-la ao R com set_entrez_key("..."). A chave é pessoal: não a publique junto com scripts.

Baixando as sequências por nome

Abra o script R/02_baixar_por_nome.R. Vamos executá-lo por partes, entendendo cada uma.

Parte 1: o que buscar

library(ape)
library(rentrez)
dir.create("sequencias", showWarnings = FALSE)

generos <- c("Crossodactylus", "Hylodes", "Megaelosia", "Phantasmarana")

termo_coi <- paste("(COI[All Fields] OR COX1[All Fields]",
                   'OR "cytochrome oxidase subunit 1"[All Fields]',
                   'OR "cytochrome oxidase subunit I"[All Fields]',
                   'OR "cytochrome c oxidase subunit I"[All Fields])')
marcadores <- c("16S" = "16S[All Fields]", "COI" = termo_coi)
filtro_tamanho <- "100:5000[SLEN]"
termo_generos <- paste0("(", paste0(generos, "[Organism]", collapse = " OR "), ")")

O COI aparece no GenBank com vários nomes; por isso o termo junta as variantes com OR (paste() une os pedaços de texto, separados por espaço). A última linha monta o texto (Crossodactylus[Organism] OR Hylodes[Organism] OR ...): digite termo_generos no console para vê-lo.

Parte 2: uma função para buscar e baixar

baixar_fasta <- function(termo, arquivo, lote = 200) {
  busca <- entrez_search(db = "nuccore", term = termo, use_history = TRUE)
  if (busca$count == 0) return(0)
  if (file.exists(arquivo)) file.remove(arquivo)
  for (inicio in seq(0, busca$count - 1, by = lote)) {
    fasta <- entrez_fetch(db = "nuccore", web_history = busca$web_history,
                          rettype = "fasta", retstart = inicio, retmax = lote)
    cat(fasta, file = arquivo, append = TRUE)
    Sys.sleep(0.5)
  }
  busca$count
}

entrez_search() faz a busca na base nuccore (nucleotídeos) e, com use_history = TRUE, deixa a lista de resultados guardada no servidor do NCBI. entrez_fetch() baixa as sequências em formato FASTA, em lotes de 200 (retstart indica a partir de qual resultado), o que funciona mesmo quando há milhares de resultados. O arquivo antigo é apagado antes, para que executar o script de novo não duplique as sequências, e Sys.sleep(0.5) faz uma pausa entre os lotes, respeitando o limite do NCBI.

Parte 3: baixar um arquivo por marcador

for (m in names(marcadores)) {
  termo <- paste(termo_generos, "AND", marcadores[[m]], "AND", filtro_tamanho)
  arquivo <- file.path("sequencias", paste0("hylodidae_", m, ".fasta"))
  n <- baixar_fasta(termo, arquivo)
  message(m, ": ", n, " sequências gravadas em ", arquivo)
}

Ao final, a pasta sequencias contém hylodidae_16S.fasta e hylodidae_COI.fasta, cada um com todas as sequências de Hylodidae do marcador. Anote quantas sequências foram gravadas: o número cresce à medida que novas sequências são depositadas.

Parte 4: quantas sequências há de cada gênero?

O script repete a busca para cada gênero e marcador, pedindo só a contagem (retmax = 0), e monta uma tabela:

contagem <- sapply(generos, function(g) {
  sapply(names(marcadores), function(m) {
    Sys.sleep(0.5)
    termo <- paste(paste0(g, "[Organism]"), "AND", marcadores[[m]], "AND", filtro_tamanho)
    entrez_search(db = "nuccore", term = termo, retmax = 0)$count
  })
})
contagem

Parte 5: conferir os arquivos

s16 <- read.FASTA("sequencias/hylodidae_16S.fasta")
coi <- read.FASTA("sequencias/hylodidae_COI.fasta")
length(s16)
head(names(s16))
summary(lengths(s16))

length() informa o número de sequências; names(), os cabeçalhos; e summary(lengths()), o resumo dos comprimentos em pares de bases.

Parte 6: nomes curtos

Os cabeçalhos do GenBank são longos (KJ961566.1 Megaelosia boticariana voucher CFBHT00425 cytochrome oxidase…). Para transformá-los em Genero_especie_acesso, usamos o mesmo tipo de expressão regular visto na disciplina (no R, cada \ é escrita \\, e perl = TRUE permite o grupo de não captura (?:...), que aqui ignora o aviso UNVERIFIED: presente em alguns registros):

renomear <- function(nomes) {
  sub("^([A-Z]+_?[0-9]+)\\.[0-9]+ (?:UNVERIFIED: )?([A-Z][a-z]+) ([a-z]+).*$",
      "\\2_\\3_\\1", nomes, perl = TRUE)
}
names(s16) <- renomear(names(s16))
names(coi) <- renomear(names(coi))
names(s16)[duplicated(names(s16))]
write.FASTA(s16, "sequencias/hylodidae_16S_nomes.fasta")
write.FASTA(coi, "sequencias/hylodidae_COI_nomes.fasta")

A penúltima linha verifica se há nomes repetidos (deve mostrar character(0)).

Baixando as sequências por número de acesso

Suponhamos que acaba de sair a descrição de uma nova espécie de Phantasmarana, como P. curucutuensis e P. tamuia, descritas em 2022 (de Sá et al., 2022), e que os autores fizeram uma ótima árvore, à qual você gostaria de acrescentar a sua espécie nova de Hylodes. Infelizmente, os autores não disponibilizaram a matriz usada no artigo, mas o material suplementar traz a lista de números de acesso de todas as sequências. Nesse caso, você pode baixar exatamente as mesmas sequências. Abra o script R/03_baixar_por_acesso.R:

library(ape)
ids_16S <- c("KY007117.1", "KU215902.1", "KM390791.1", "AY843579.1", "AY263235.1",
             "MF624225.1", "KY627916.1", "KJ961575.1", "KJ961577.1", "MF624238.1",
             "AY843689.1", "KJ961586.1", "KJ961578.1", "DQ283072.1", "KJ961583.1",
             "KM390793.1", "KM390794.1", "KU495250.1", "KY002953.1", "KY627911.1",
             "KY627913.1", "KY627914.1")
ids_COI <- c("KU494387.1", "DQ502738.1", "KU494457.1", "KC593345.1", "KJ961562.1",
             "KJ961561.1", "KJ961558.1", "KJ961557.1", "KJ961556.1", "DQ502873.1",
             "KJ961565.1", "KU494594.1", "KJ961566.1", "DQ502839.1")
s16 <- read.GenBank(ids_16S)
coi <- read.GenBank(ids_COI)

A função read.GenBank(), do ape, baixa as sequências e guarda, no atributo species, o nome do organismo segundo a taxonomia atual do NCBI. Compare esse nome com a descrição original de cada registro:

data.frame(acesso = names(coi),
           organismo = attr(coi, "species"),
           descricao = substr(attr(coi, "description"), 1, 60))

Por fim, damos às sequências nomes no formato Genero_especie_acesso, usando o nome atual do organismo, e gravamos os arquivos:

names(s16) <- paste(attr(s16, "species"), sub("\\.[0-9]+$", "", names(s16)), sep = "_")
names(coi) <- paste(attr(coi, "species"), sub("\\.[0-9]+$", "", names(coi)), sep = "_")
write.FASTA(s16, "sequencias/16S_ids.fasta")
write.FASTA(coi, "sequencias/COI_ids.fasta")

Agora você tem no seu computador os arquivos 16S_ids.fasta e COI_ids.fasta, com as sequências desejadas. O script traz, comentada, a versão com o rentrez (entrez_fetch()), que grava o FASTA exatamente como o NCBI o fornece.

Sem acesso ao NCBI?

Se a rede da sala bloquear o NCBI ou o serviço estiver fora do ar, baixe os arquivos prontos 16S_ids.fasta e COI_ids.fasta: são as mesmas sequências da lista acima, já com os nomes no formato Genero_especie_acesso.

Com as sequências em mãos, o próximo passo é o alinhamento.

Para refletir

  1. Na tabela contagem, quantas sequências de 16S e de COI há para Megaelosia e para Phantasmarana? Que espécie(s) aparece(m) quando se busca Megaelosia[Organism]?

  2. Procure, nos cabeçalhos de hylodidae_COI.fasta (ou nos nomes gerados pela função renomear()), sequências de Phantasmarana. Elas aparecem com esse nome? O que isso indica sobre a confiabilidade das linhas de descrição dos registros?

  3. Na a seção Baixando as sequências por número de acesso, compare as colunas organismo e descricao da tabela. Quais registros mudaram de nome?

  4. A lista de números de acesso inclui Limnomedusa macroglossa, que não pertence a Hylodidae. Por que ela foi incluída?

  5. Por que excluímos sequências com mais de 5000 pares de bases? O que aconteceria se um genoma mitocondrial completo entrasse no arquivo do 16S?

  6. Executar o script 02_baixar_por_nome.R hoje e daqui a um ano produziria o mesmo arquivo? Como registrar, em um trabalho, quais sequências foram usadas?

Problemas comuns

  • HTTP 429 ou Too Many Requests: limite de requisições do NCBI atingido (comum quando a turma toda usa a mesma rede). Aguarde alguns segundos e repita; se possível, use uma chave da API (set_entrez_key()).
  • HTTP 500, HTTP 502 ou tempo esgotado: instabilidade do NCBI. Repita mais tarde ou use os arquivos prontos da seção anterior.
  • cannot open file: o arquivo não está na pasta de trabalho. Confira com getwd() e list.files(); no RStudio, abra o projeto da prática.
  • there is no package called: o pacote não foi instalado. Execute 01_preparar_R.R.

Referências

  • de Sá, F. P., Condez, T. H., Lyra, M. L., Haddad, C. F. B. & Malagoli, L. R. 2022. Unveiling the diversity of giant neotropical torrent frogs (Hylodidae): phylogenetic relationships, morphology, and the description of two new species. Systematics and Biodiversity 20(1): 2039318.
  • Frost, D. R. 2026. Amphibian Species of the World: an Online Reference, versão 6.2. American Museum of Natural History, Nova York. https://amphibiansoftheworld.amnh.org/. Acesso em 9 nov. 2026.
  • Paradis, E. & Schliep, K. 2019. ape 5.0: an environment for modern phylogenetics and evolutionary analyses in R. Bioinformatics 35: 526–528.
  • Vittorazzi, S. E., Augusto-Alves, G., Neves-da-Silva, D., Carvalho-e-Silva, A. M. P. T., Recco-Pimentel, S. M., Toledo, L. F., Lourenço, L. B. & Bruschi, D. P. 2021. Paraphyly in the giant torrent-frogs (Anura: Hylodidae: Megaelosia) and the description of a new genus. Salamandra 57(2): 274–284.
  • Winter, D. J. 2017. rentrez: an R package for the NCBI eUtils API. The R Journal 9(2): 520–526.