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
-
Abra o arquivo
dados/panthera_onca.fasem 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. -
Acesse o BLAST de nucleotídeos: https://blast.ncbi.nlm.nih.gov/Blast.cgi?PROGRAM=blastn.
-
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). -
Em Choose Search Set, mantenha a base padrão, Core nucleotide database (core_nt); em Program Selection, mantenha Highly similar sequences (megablast).
-
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
0.0ou1e-150indicam 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:
-
A família passa a ter quatro gêneros, e Phantasmarana precisa estar na busca.
-
As sequências depositadas antes de 2021 foram descritas como Megaelosia. A Taxonomia do NCBI atualiza o campo
ORGANISMdos 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
-
Na tabela
contagem, quantas sequências de 16S e de COI há para Megaelosia e para Phantasmarana? Que espécie(s) aparece(m) quando se buscaMegaelosia[Organism]? -
Procure, nos cabeçalhos de
hylodidae_COI.fasta(ou nos nomes gerados pela funçãorenomear()), sequências de Phantasmarana. Elas aparecem com esse nome? O que isso indica sobre a confiabilidade das linhas de descrição dos registros? -
Na a seção Baixando as sequências por número de acesso, compare as colunas
organismoedescricaoda tabela. Quais registros mudaram de nome? -
A lista de números de acesso inclui Limnomedusa macroglossa, que não pertence a Hylodidae. Por que ela foi incluída?
-
Por que excluímos sequências com mais de 5000 pares de bases? O que aconteceria se um genoma mitocondrial completo entrasse no arquivo do 16S?
-
Executar o script
02_baixar_por_nome.Rhoje e daqui a um ano produziria o mesmo arquivo? Como registrar, em um trabalho, quais sequências foram usadas?
Problemas comuns
-
HTTP 429ouToo 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 502ou 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 comgetwd()elist.files(); no RStudio, abra o projeto da prática. -
there is no package called: o pacote não foi instalado. Execute01_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.