FOR MUW SSM3 (2008) STUDENTS EDUCATIONAL PURPOSE ONLY

Transkript

1 Angewandte Bioinformatik Grundlagen der Annotation von eukaryotischen Genomen Online Datenbanken und Bioinformatik Tools Sequenzen Sequenzalignment: Fasta und Blast Motive und Hidden Markov Models Genom-Browser Fallbeispiele von Sequenzannotation Bioinformatik als Werkzeug der transnationalen Medizin DI Dr. Hubert Renauld hubert.renauld [at] meduniwien.ac.at

2 ...

3 Genome sequencing at WTSI in 2005 average read length: 500 b 140 ABI 3700 >110,000 sequences/day >30 PURPOSE mo b/day ONLY colony-picking robot a bacterial genome/day high-quality draft sequence 96 sequences simultaneously 24/7 trace server

4 ATG (start) 5 UTR : promoter, transcription initiation site TAA, TGA, TAG (stop) gene A UTRs A (untranslated regions) intergenic region gene B exon intron 3 UTR : polyadenylation signal DNA donor sequence acceptor sequence Molecular Genetics (1) 1 2 CH 3 -cap RNA splicing & maturation AAAAA transcription mrna CH 3 -cap AAAAA traduction genetic codes NH 2 COOH protein NH 2 COOH

5 Others ATG (start) gene fragments Molecular Genetics (2) TAA, SSM3 TGA, TAG (stop) (2008) TAA, TGA, TAG (stop) ATG (start) TAA, TGA, TAG (stop) ATG (start) TAA, TGA, TAG (stop) PURPOSE ATG (start) ONLY TAA, TGA, TAG (stop) mutations, truncations, frame variation (mutation)

6 Molecular Genetik (3) symbolhafte Sicht, Alphabeten und formale Übersetzungsprozesse DNA AGTCTCGTTACTTCTTCAAAT... Transkription = {A, G, C, T} T U RNA AGUCUCGUUACUUCUUCAAAU... ~ = {A, G, C, U} Polypeptid Triplett Translation Aminosäure PURPOSE S L V T S S P... ONLY = {A, C, D,..., W, Y}

7 IUPAC Nomenklatur (1) IUPAC: Internationale Union für reine und angewandte Chemie (International Union of Pure and Applied Chemistry) Nukleotid

8 Aminosäure IUPAC Nomenklatur (2)

9 standarde Version Genetischer Code (1)

10 oder Genetischer Code (2)

11 oder Genetischer Code (3) Degeneration

12 oder Genetischer Code (4)

13 oder Genetischer Code (5)

14 Genetischer Code (6): Wie viele?

15 Genetischer Code (7): Wie viele? z.b. Candida sp.

16 Genetischer Code (7): Ambiguität? In Candida sp. gibt es Ambiguität in der Translation, d.h. CUG kann wie Leucine oder Serine dekodiert werden. und Leucine!!! phenotypic diversity!!! z. B. virulent Gomes et al. (2007) Genome Biol. 8(10):R206. [PMID ] A genetic code alteration generates a proteome of high diversity in the human pathogen Candida albicans.

17 Annotation (1) genes & related sequences intergenic exons pseudogenes, introns, UTRs LINEs SINEs mobile DNA LTRs DNA transposons other repeats micro-satellite various key coding potential CDS misc_feature junk DNA repeat_region /product /note [/pseudo] /note [/product] [/pseudo] qualifier /note /rpt_unit_seq coding positioning transcribing

18 Grundüberlegunge: 1. Die wichtigste Grundlage für die angewandte Bioinformatik ist die Sammlung von Sequenzdaten und damit verbundener biologischer Informationen, z.b. im Rahmen von Genomsequenzierungsprojekten. Notwendig dafür ist eine strukturierte Ablage der Daten, um diesen sinnvoll zu nutzen können. Andererseits sollten Die Daten von allen interessierten Wissenschaftlern weltweit eingesehen werden können.

19 Datenbanken und Formate: - Primäre Datenbanken enthalten Annotationinformationen wie Sequenzinformationen (Nukleotid- oder Protein-Sequenzen) und zugehörige - Funktionsinformationen - Bibliographien - Kreuzrefenzen zu weiteren Datenbanken usw. sie bleibt erhalten, auch wenn später - definierte Schlüsselworte, z.b. Accession-Number: PERSISTENT, d.h. Änderungen an diesem Datenbankeintrag vorgenommen werden. Die ist die einzige Möglichkeit eine bestimmte Sequenz bzw. einen bestimmten Eintrag zweifelsfrei zu identifizieren. - Abfrage auch mit logischen Operatoren (AND, OR, NOT)

20 Annotation (2) genome genes & related sequences genome-wide repeats (mobile DNA) intergenic other repeats exons pseudogenes, introns, UTRs LINEs SINEs LTRs DNA transposons micro-satellite various flat file feature coding potential (genes and potogenes ) miscellaneous ( junk DNA) misc_feature repeat_region key CDS coding sequence; sequence of nucleotides that corresponds with the sequence of amino acids in a protein; includes amino acid conceptual translation region of biological interest which cannot be described by any other feature key; a new or rare feature [misc_feature] [gene] region of biological interest identified as a gene and for which a name has been assigned region of the genome containing repeating units [repeat_unit] single repeat element

21 Annotation (3) DNA sequence Dotter BlastN tblastx Primary trna scan Gene finders Repeats rrna Genome annotation: A strategy trna Pseudo-genes Preannotation manual curation CDSs RepeatMasker Fasta BlastP Clustal

22 Grundüberlegunge: 2. Ähnlichkeit der Sequenz bedeutet Ähnlichkeit der Proteinstruktur, und das bedeutet Ähnlichkeit der Proteinfunktion. Algorithmen wie Fasta und BLAST können Sequenzen mit bereits gelisteten Daten abgeglichen werden. Das Alignment zeigt den Grad der Ähnlichkeit von zwei Sequenzen.

23 Alignment Anordnung von zwei (paarweises Alignment, z.b. in FASTA und Blast) oder mehreren (multiples Alignement) Sequenzen, bei der ähnliche oder identische AminosäuRen bzw. Nukleotide direkt untereinander stehen. - lokal Alignment (Blast): Auf einzelne Bereiche eingeschränktes Alignement von Sequenzen - global Alignment (FASTA): Alignment über deie gesamte Länge von zwei Sequenzen - Identität: Zahl der identischen Sequenzpositionen in einem Alignment PURPOSE - Signifikanz: Untern einem signifikanten Ergebnis ONLY versteht man ein Resultat, das nicht zufällig vorkommt und daher wahrscheinlich wahr ist. Durch statistische Tests kann die Signifikanz von Ergebnissen errechnet werden.

24 FOR Global match MUW : align all of one sequence with all of the other And.--so,.from.hour.to.hour,.we.ripe.and.ripe And.then,.from.hour.to.hour,.we.rot-.and.rot- Deletion/Insertion Mismatch From Lesk, A.M. (2002) Introduction to Bioinformatics, Oxford University Press.

25 Local match :find a region in one sequence that matches a region of the other My.care.is.loss.of.care,.by.old.care.done, Your.care.is.gain.of.care,.by..care.won Deletion/Insertion Mismatch Overhangs not considered as gaps From Lesk, A.M. (2002) Introduction to Bioinformatics, Oxford University Press.

26 Datenbanken und Formate: Sekundäre biologische Datenbanken hingegen SSM3 fassen Ergebnisse (2008) aus Analysen primäre Sequenzdatenbanken zusammen. Dabei ist das Ziel der Analysen für Klassen von Sequenzen gemeinsame Merkmale abzuleiten, die wiederum zur Klassifizierung unbekannter Sequenzen werden können.

27 Datenbanken und Formate: Eine bedeutende sekundäre biologische Datenbank ist Pfam, wo man konservierte Protein Domains (oder Profiles) analysiert. Unter Profil versteht man in diesen Zusammenhang ein Schema, das für jede Position in der Sequenz die Wahrscheinlichkeit für das Auftreten einer bestimmten Aminosäure bzw. einer Insertion oder Deletion bewertet. Sequenzprofile, die in verwandten Proteinen konserviert sind und meist eine Schlüsselfunktion in der Proteinfunktion einnehmen. Die Suche nach solchen Motiven in unbekannten Proteinen kann einen Hinweis auf die Zugehörigkeit zu einer Proteinfamilie bzw. die Funktion des Proteins liefern.

28 Datenbanken und Formate: Ein Profil wird aus multiplen Alignments abgeleitet, manuell bearbeitet PURPOSE und dienen als Ausgangspunkte zur automatischen ONLY Erstellung von Hidden Markov Modellen (HMM) und in der Datenbank abgespeichert.

29 3. Man arbeitet mit Wahrscheinlichkeiten. Die Basen sind ja nicht zufällig über das Genom gestreut. Bestimmte Muster und Basen-Kombinationen sind an bestimmten Abschnitten des Genom häufiger als an anderen. Wie könnte man dem Vorhersagen einer unbekannten Sequenz Gene technisch machen? Stellen Sie einen Text in einer unbekannte Sprache vor. Sie werden Muster und wiederholende Kombinationen finden. Lasst sich auch erraten, mit welchen Buchstaben eine angefangenes Wort wahrscheinlich enden wird? Vor fast hundert Jahre hat der russische Mathematiker Andrei Andrejewitsch Markow die Häufigkeit von Buchstabensequenzen in der russischen Literatur untersucht und daraus ein stochastisches Werkzeug entwickelt, das aus Datensätzen Vorhersagen erlaubt. Seine Verborgenen Markow-Modelle (Hidden Markov Models, HMMs) werden heute sowohl in der Spracherkennung angewendet als auch in Annotationsprogrammen.