Schreibe ein Programm, das den AT Gehalt diese DNA Sequenz berechnet. Hinweis: A-Gehalt plus T-Gehalt bezogen auf die gesamte Sequenz.

Transkript

1 1 Einführung Keine Übungen 2 Python - Zeichenketten - "Strings" (1. Tag) 2.1 AT Gehalt berechnen Berechne aus der folgenden DNA Sequenz den AT-Gehalt. GAGATTTCTTTATTACAATCACTGTGTTTGTTAAAATACCTGCNTCACTTGGTTGTTCTTCAATAACACCAACTTA ACGAAATCATGAGACAGACTATAAAATTTGAAGAGTCTGTAGAACGACTA (Quelle Gen: GK-120F Schreibe ein Programm, das den AT Gehalt diese DNA Sequenz berechnet. Hinweis: A-Gehalt plus T-Gehalt bezogen auf die gesamte Sequenz. Achtung: bei Python 2 im Gegensatz zu Python 3 folgenden Code einfügen from future import division 2.2 Komplement schreiben - Complementing DNA Hier ein kurzes Gen: ATTCATCATGGCTGATAGTTGTTGTATCAG (Gen MASC e ) Schreibe ein Programm, das das Komplement zu dieser Sequenz ausgibt. 2.3 Fragment Längen nach Verdau Hier ein kurzer Ausschnitt aus einer DNA-Sequenz: AGTTCCACCCACAACACAGCCCGAGAGATATCCAAATTACGCAACAGGAAACGAGAGCTTTCCT (GK-132G Ausschnitt, Die Sequenz enthält eine Schnittstelle für das Restringtionsenzym EcoRV. Das Enzym schneidet bei GAT^ATC. Das Symbol^ zeigt die Schnittstelle. Schreibe ein Programm, das die Länge der 2 Fragmente berechnet, wenn die DNA mit EcoRV verdaut wird. Hinweis: Mit dem kostenlosen Programm Ape kann das Ergebnis kontroliert werden. Dieter Steinmetz, ZMBP SS 17 1

2 2.4 Splicing Introns, Teil 1 Hier ist die Sequenz des Gens AT1G Das Gen wurde im Zusammenhang von alternativem Splicing untersucht. GTCACCTGCTAGATCCATTTCCCCGCGTTCACGGCCCCTTAGTCGTTCTCGCTCGCTATAC AGCTCTGTCTCAAGATCTGGCTCACTGCTACGAGCTGGGGATTGGATCTAGATGGGTCAT CTAGATGGATTCTTGGACTGGATTTACAAAGCTGGATTAGCATGAACTTGAACTTCTGTTT TTACGGTCTGGTCTGGTCTGGTACTCCGCGCGTATCAGCTGTAGGATCTGATCGCAAAGTT TTGGACTATGATTACTCTGATTCCTCAATATATTTATCTTTTTGACAATAGTGGATTCTGTG TTGAGTTCTTTTCTAGGACAGCATTTAAGCTCCCGGGACTAGATGGGAGATGGTCAGTAA ATTTCTTTGTTATGCCACACTTACATGGGGTTTTTGGTCTTGCTGCAGGTCCCAATCAAGA TCAAAATCAAGATCAAGATCAAGATCGAATTCTCCAGTTTCACCTGTGATATCTGGTTGA AAATGAAAACTGGCCACTGGCTGTACCCGAATCGTCTCAAGCTTCTCAGGC Gen AT1G Hartmann L et al., Plant Cell Nov;28(11): Epub 2016 Nov 1. LSBR1_Supplemental_Data.pdf Das Gen besteht aus 2 Exons und 1 Intron. Das erste Exon ist von 1. bis zur 75.Base (je einschließlich). Das zweite Exon von 414 bis an das Ende. Schreibe ein Programm, das nur die codierende Sequenz (Exons!) ausdruckt. Für Nichtbiologen Video zu Splicing; Splicing Introns, Teil 2 Benutze die Daten von Teil 1. Schreibe ein Programm, das den Prozentsatz der codierenden DNA-Sequenz berechnet. Achtung: bei Python 2 im Gegensatz zu Python 3 folgenden Code einfügen from future import division 2.6 Splicing Introns, Teil 3 Benutze die Daten von Teil 1. Schreibe ein Programm, das die ursprüngliche DNA ausgibt, aber die codierenden Sequenz in Großbuchstaben und die nicht-codierenden Sequenz in Kleinbuchstaben. Dieter Steinmetz, ZMBP SS 17 2

3 3 Dateien lesen und schreiben (1. Tag) 3.1 DNA Sequenz aufspalten und in Dateien schreiben In Skript unter Übungsaufgaben befindet sich ein Link zu der Datei genomic_dna.txt. Die Datei enthält die gleiche Sequenz wie in Aufgabe 2.4. Schreibe ein Programm, das die codierende (Exons) in eine Datei schreibt und die nicht-codierende DNA in eine andere Datei schreibt. 3.2 Eine FASTA-Datei schreiben Das FASTA-Dateiformat wird allgemein für DNA- und Proteinsequenzen benutzt. Eime einzelne DNA- Sequenz sieht folgendermaßen aus: >sequence_name ATCGACTGATCGATCGTACGAT Der Kopfteil ( Header ) beginnt mit dem Symbol > und beschreibt die nachfolgende Sequenz. Eine FASTA-Datei kann auch mehrere Sequenzen enthalten: >sequence_one ATCGATCGATCGATCGAT >sequence_two ACTAGCTAGCTAGCATCG >sequence_three ACTGCATCGATCGTACCT Schreibe ein Programm, das eine FASTA-Datei erstellt, die alle folgende 3 Sequenzen enthält. Stelle sicher, dass die Sequenzen in Großbuchstaben geschrieben werden und nur A, T, G und C enthalten. Sequenz Kopfteil AT1G29910 JYDS NM_ DNA Sequenz GTGGGCTATGCTCCGAGCCCTACGCTGCGTCTT ttatattatattatattatattatattatgacaatagtatttctgttctgtaat CGGAAGTGCT-GGTTGC-GCGTGAC---TTTGAGCT 3.3 Mehrere FASTA-Dateien schreiben Daten wie in Aufgabe 3.2. Statt eine FASTA-Datei, schreibe für jede Seuqenz eine eigene Datei. Der Name der Datei soll den Namen der Sequenz erhalten (Kopfteil) Dieter Steinmetz, ZMBP SS 17 3

4 4 Listen und Schleifen (2. Tag) Alle nötigen Dateien sind auf der Webseite unter Übungsaufgaben zu finden DNA verarbeiten Die Datei input.txt enthält DNA Sequenzen. In jeder Zeile ist eine Sequenz enthalten. Jede Datei fängt mit den gleichen 14 Basen an, eine Sequenzfolge, die entfern werden sollte. Schreibe ein Programm, das 1. diese erste 14 Basen abschneidet und in eine einzelne Datei schreibt. Jede neue Sequenz in einer Zeile. 2. Die Länge der Datei auf den Bildschirm ausgibt. 4.2 Exon Datei für Splicing Die Datei genomic_dna.txt enthält die DNA Sequenz des Gens NM_ Die Datei exons.txt enthält in jeder Zeile die Start und Stopp-Positionen der Exons (zur Übung ausgedachte Werte!). Trennzeichen ist ein Komma. Schreibe ein Programm, dass die Exons aus der Genom-DNA ausschneidet und in einer neuen Datei zusammenfügt. Dieter Steinmetz, ZMBP SS 17 4

5 5 Funktionen (Tag 2) 5.1 Aminosäuregehalt, Teil 1 Schreibe eine Funktion, die 2 Argumente nimmt. Erstens eine Proteinsequenz und zweitens einen Aminosäurerest. Die Funktion gibt den Gehalt der Amonosäurereste in % zurück. Teste damit die folgenden Vorgaben. assert my_function("msrslllrfllfllllpplp", "M") == 5 assert my_function("msrslllrfllfllllpplp", "r") == 10 assert my_function("msrslllrfllfllllpplp", "L") == 50 assert my_function("msrslllrfllfllllpplp", "Y") == 0 Achtung: bei Python 2 im Gegensatz zu Python 3 folgenden Code einfügen from future import division 5.2 Aminosäuregehalt, Teil 2 Verändere die Funktion von Teil 1. Diesmal wird nicht ein Aminosäurerest sondern eine Liste von Amiosäureresten genommen. Wenn als Argument keine Aminosäureresten angegeben werden, soll standardmäßig eine Liste an hydrophoben Resten (A, I, L, M, F, W, Y and V) genommen. Teste damit die folgenden Vorgaben. Hinweis: Versuche zuerst die Funktion ohne assert laufen zu lassen. Manchmal wird zusätzlich wegen Rundungsfehlern ein round() benötigt um assert() zu erfüllen. assert my_function("msrslllrfllfllllpplp", ["M"]) == 5 assert my_function("msrslllrfllfllllpplp", ['M', 'L']) == 55 assert my_function("msrslllrfllfllllpplp", ['F', 'S', 'L']) == 70 assert my_function("msrslllrfllfllllpplp") == 65 Dieter Steinmetz, ZMBP SS 17 5

6 6 Verzweigungen (Tag 3) Unter Abschnitt 6 Übungsaufgaben im Kursskript befindet sich die Datei data.csv. In der Datei sind einig Gene aufgelistet. Diese Datei kann als Tabelle gelesen werden. Jede Zeile ist ein Gen. Die Spalten sind durch Kommas getrennt. Daher auch die Bezeichnung.csv ( comma seperated values ). Die Spalten sind: species name sequence gene name expression level Benutze diese Datei für die folgenden Aufgaben: Achtung: bei Python 2 im Gegensatz zu Python 3 folgenden Code einfügen from future import division 6.1 Bestimmte Spezies Gebe die gene names aus die zu folgenden Spezies gehören: Drosophila melanogaster or Drosophila simulans. 6.2 Länge der Sequenzen Gebe die gene names aus, die Gene mit 90 bis 110 Basen langen Sequenzen aufweisen. 6.3 AT Gehalt und Expression Gebe die gene names aus, die einen AT-Gehalt weniger als 0,5 und bei denen das expression level größer als 200 ist. 6.4 Bedingung für Gennamen und Artname Gebe die gene names aus, von Genen die mit k oder h beginnen, aber nicht Drosophila melanogaster sind. 6.5 Hoch Mittel - wenig Gebe für jedes Gen auf den Bildschirm eine Nachricht aus, ob der AT-Gehalt hight (größer als 0,65), low (weniger als 0,45) oder medium (dazwischen) ist. Dieter Steinmetz, ZMBP SS 17 6

7 7 Regular expressions (Tag 3) 7.1 Nach Bezeichngen fischen Hier ist eine Liste mit Bezeichnungen xkn59438, yhdck2, eihd39d9, chdsye847, hedle3455, xjhd53e, 45da, de37dp Schreibe ein Programm, das nur die Bezeichnungen ausgibt, die die folgenden Kriterien erfüllen (jedes einzeln): 1. Enthält die Nummer Enthält das Zeichen d oder e. 3. Enthält die Zeichen d und e in der Reihenfolge. 4. Enthält die Zeichen d und e in der Reihenfolge und nur mit einem Buchstaben dazwischen. 5. Enthält beide Buchstaben d und e, Reihenfolge egal. 6. Begint mit einem x oder y. 7. Begint mit einem x oder y und endet mit einem e. 8. Enthält 3 oder mehr Zahlen in einer Reihe. 9. Endet mit d gefolgt von a,r, oder p. 7.2 Double digest Unter Übungsaufgaben, auf der Seite des Kursskriptes befindet sich eine Datei dna.txt mit der DNA-Sequenz des Gens NM_ (siehe Aufgabe 4.2). Diese DNA soll gleichzeitig mit 2 Restriktionsenzymen verdaut werden. AvaI Erkennungssequenz ist C*YCGRG BsaAI - Erkennungssequenz ist YAC*GTR Das Sternchen bezeichnet die Schnittstelle Schreibe ein Programm das die Länge der geschnittenen Fragmente bestimmt. Zur Kontrolle kannst du das Ergebnis mit dem kostenlosen Programm Ape kontrollieren. Dieter Steinmetz, ZMBP SS 17 7

8 8 Dictionaries (Tag 4) 8.1 DNA Translation Schreibe ein Programm, das eine DNA-Sequenz in eine Proteinsequenz übersetzt. Das Programm sollten den Standard Gentic Code, der auf der folgenden Webseite zu finden ist. Zur Erleichterung befindet sich unter Übungsaufgaben auf dem Kursskript schon das entsprechnde Dictionary in der Datei genecode.py. Aber es macht auch Spass das einmal selbst zu bauen. Dieter Steinmetz, ZMBP SS 17 8

9 9 System, Input, formatierte Ausgabe (Tag 4) 9.1 Binning Protein sequences Im Kursskript unter Übungsaufgaben befindet sich eine multiple FASTA Datei multi.fasta die für folgende Übung verwendet wird. Die Vorgeschichte: Für ein Projekt wurde in der EMBL-EBI Datenbank ( nach Proteinen gesucht. Als Resultat wurde eine Liste erstellt ( Suche xlsx und daraus names.csv generiert). Mit einem Pythonskript (fasta-from-csv.py) wurde aus der Liste ( names.csv) eine multiple FASTA-Datei (multi.fasta ) angelegt. Es wurde dafür in der uniprotkb Datenbank ( gesucht. Die Dateien Suche xlsx, names.csv und fasta-from-csv.py sind für die Aufgabe nicht wichtig und nur beigelegt um das Projekt zu verstehen. Da die Datenbankabfrage etwas länger dauert wurde zum Ausprobieren die Liste gekürzt und nur die ersten 50 Proteine gewählt ( names-first50.csv ). Ihre Aufgabe besteht darin die multiple FASTA-Datei ( multi.fasta ) auszuwerten. Jedes Gen enthält einen Kopfteil ( header ) mit dem Namen des Organismus, zum Beispiel OS=Homo sapiens. Erstelle ein Programm, dass für jeden Organismus einen Ordner erstellt und darin die Gene als eigene Dateien sammeln, die zu diesem Organismus gehören. Also in dem Ordner Homo sapiens sind alle zogehörigen FASTA-Dateien. Für jedes Gen eine eigene Datei! Und so für alle anderen Organismen. Dieter Steinmetz, ZMBP SS 17 9

10 9.2 Kmer zählen Im Kursskript unter Übungsaufgaben befindet sich ein Ordner kmer. In dem Ordner befinden sich Dateien mit Gensequenzen aus einem Projekt, die für folgende Übung verwendet wird. Schreibe ein Programm das die Zahl aller kmer von einer gegebene Länge ( kmer-lenght ) aller Dateien im Ordner berechnet. Gebe nur die Kmer über einer bestimmten Größe aus ( Cutoff ). Starte das Programm in der Eingabeaufforderung mit den 2 Argumenten, kmer-lenght und Cutoff. Denke an das Beispiel Zählen der Trinukleotide in einer Sequenz unter Hier wurde ein kmer mit 3 Nukleotiden behandelt. Und die Zahl der möglichen kmer in einer Sequenz wurden ermittelt. Jetzt besteht die Aufgabe ein Programm für 1, 2, 3, 4, 5 (= kmer-length) usw. Nukleotiden zu finden. Wurde der Code für das Programm entwickelt fehlt noch die Begrenzung auf einen cutoff. Uns interessiert nur kmers die mindestens mit einer Zahl über cutoff vorkommen. Beide kmer-length und cutoff werden beim Starten an das Programm übergeben. Dieter Steinmetz, ZMBP SS 17 10