Molekularbiologische. Datenbanken. Kartierung von Chromsomen. Wissensmanagement in der. Bioinformatik. Ulf Leser

Transkript

1 Molekularbiologische Datenbanken Kartierung von Chromsomen Ulf Leser Wissensmanagement in der Bioinformatik

2 Daten, Schema, Modell, Metamodell Daten Tatsächliche Werte, uninterpretiert Anfrageergebnisse Schema Container und Struktur der Werte Adressiert durch Anfragen Datenmodell Definition der Typen, die ein Schema ausmachen Adressiert durch DDL Metamodell Definition von Typen und Beziehungen I.d.R. fest implementiert Metamodell Datenmodell Schema Daten, Werte Instanz von Instanz von Instanz von Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

3 Zusammenfassung: Entry-Based Datenbank = Menge ähnlich strukturierter Entries Entry: Menge von Feldern (Attribute, Lines), Identifikation durch Line Code Können 0-n mal vorkommen (semistrukturiert) Können komplexe eigene Struktur haben Können eingebettete Objekte repräsentieren Microsyntax in Werten (Sprechende Schlüssel) Keine deklarativen Konsistenzbedingungen Kein Klassen- oder Objektbegriff Menschenlesbar, leicht zu ändern, sehr flexibel Schwer zu parsen, schlechte Skalierbarkeit Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

4 Weitere Modelle ASN.1 Relationales Modell Modellierung: ER, UML Speicher und Anfrageformat (nicht Repräsentation) Vorteile Strukturierte Anfragen Sehr weit verbreitet, robust, Industriestandard Skalierbarkeit und Optimierbarkeit Nachteile SQL schwierig zu lernen Volltextsuche nicht direkt möglich Erfordert speziell zu entwickelnde Editoren, Suchmasken,... Erfordert Administration, Backup, etc. Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

5 UML Unified Modelling Language Klassendiagramme Vorteile Reichhaltige Datenmodell, graphische Notation Automatische Erzeugung von Persistenzschicht mgl Nachteile Dualität OO RDBMS nicht trivial (Impedance Mismatch) Roundtrip Problem Queries adressieren rel. Schema, nicht UML Modell UML ist für Software, nicht für Datenbanken gemacht Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

6 Objektrelationales Mapping Vier Varianten Union: 1 Tabelle Vertikale Zerlegung: 1 schmale Tabelle pro Klasse Horizontale Zerlegung: 1 breite Tabelle pro Klasse Volle Materialisierung Point -position Mappable -species -chromosome -type Segment -length -unit Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

7 Union Vertikal (Schmal) Horizont. (Breit) Voll Bewertung Speicherverbrauch Zugriff Extension Zugriff Intension Konsistenz -sicherung Inserts / Updates Hoch Eine Query Eine Query NULL-Werte garantieren 1 Insert Minimal (OID doppelt) Minimal Hoch Eine Query (aber nur OID) UNION Alle Nachfahren Eine Query Joins Alle Vorfahren Eine Query Eine Query FK für OID Raum OID Räume können überlappen Redundante Daten Anomalien N Insert (Alle Vorfahren) 1 Insert N Insert (Alle Vorfahren) Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

8 ML Austauschformat Leichter zu Parsen als Entry-Based Viele vorhandene Tools Volle Stärke erst zusammen mit DTD Definition von Standard Semantik durch Beschreibung Zunehmende Popularität Native Datenbanken Native Query-Languages Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

9 Identifikatoren Trade-Off Semantikfrei IDs: Stabilität, aber nicht aussagekräftig Sprechende IDs: Nicht stabil, aber für Menschen einfacher Identität ist anwendungsabhängig Wie viele Objekte: PAK1 bei Mensch und Maus? Anforderungen Objekte werden gesplittet Objekte werden gemerged Objekte in unterschiedlichen Versionen Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

10 Versionen im relationalen Modell Linear, tuple-basiert, komplette Versionen Anforderungen Zustand der Datenbank zu beliebigem Zeitpunkt 2 Varianten Single Table Schattentabellen Vergleich Viele Updates und Inserts: Variante 1 Schneller Zugriff auf aktuelle Version: Variante 2 Komplexe Materie: ausprobieren, messen, administrieren Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

11 Widersprüchliche Daten Sehr häufig Rohdaten: Verschiedene Experimente - Verschieden Ergebnisse Ergebnisdaten: Verschiedene Datenquellen verschiedene Meinungen Entscheidung über Wahrheit nicht möglich Repräsentation der Widersprüche 1:n Beziehungen Keine Single Value Attribute mehr Metadaten wichtig Abschätzung der Datenqualität Vergleichbarkeit der Ergebnisse Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

12 Repräsentation Datenintegration Datenquelle Wer, Version, Warum Objekt Attribut Experimentelle Daten Experiment: Wer, wann, wie, wo Untersuchtes Objekt Untersuchungsergebnis Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

13 Inhalt dieser Vorlesung Was ist Kartierung (Mapping)? Genomkarten Kartierungsalgorithmen Integrierte Karten Datenmodelle Datenbanken Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

14 Teil I. Ziel des HGP 1. A 2. C 3. G 4. G 5. C 6. C 7. T 8. G 9. G 10. A 11. G 12. G A C G G T Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

15 Sequenzierung Problem Chromosome sind nicht direkt sequenzierbar DNA Stücke nur bis ca bp sequenzierbar Finde eine Menge von Bruchstücken so dass: Die Bruchstücke sind kurz (sequenzierbar) Das Verfahren ist kostengünstig Ihre Reihenfolge der Stücke ist berechenbar Mapping von Chromosomen Schwierig, weil Chromosomen recht unhandlich sind... Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

16 Grundidee Chromosom isolieren Zufällig in Stücke brechen (Clone) Minimal Tiling Path ermitteln Stücke sequenzieren Fertig Mapping (Kartierung) Problem der Bestimmung einer minimalen Menge und ihrer Ordnung von Clonen so dass ihre Sequenz zusammengenommen ein Chromosom überdeckt Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

17 Teil II. Genomkarten und Kartierungsverfahren Cytogenetische Karten Genetische Karten Physikalische Karten Clone-Karten Marker-Karten Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

18 II.1 Cytogenetische Karten Beobachtung charakteristischer Färbungen Chromosome Bands Bedingt durch Konformation der DNA Grobe Orientierung Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

19 Elemente eines Chromosomes Telomer p der kurze Arm Centromere q der lange Arm Telomer Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

20 II.2 Genetische Karten Mendelsche Vererbungsgesetzte Folgerung Vererbung beinhaltet Rekombinationsereignisse Eigenschaften liegen in Kopien vor, von denen eine dominiert Aber: Keine Kenntnis der Orte der Vererbungseinheiten Wie kann man Vererbungseinheiten lokalisieren? Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

21 Rekombination Frage: Vererben sich bestimmte Ereignisse häufig zusammen? Haben Menschen mit blaue Augen oftmals blonde Haare? Haben Pflanzen mit großen Blüten auch lange Stengel? Beobachtung Bestimmte Phänotypen vererben sich öfter gemeinsam als andere Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

22 Genetische Karten Rekombination ist Regel, nicht die Ausnahme Kann an allen Stellen eines Chromosoms passieren Wahrscheinlichkeit der gemeinsamen Vererbung zweier Merkmale hängt vom Abstand ab Großer Abstand: viel Platz für Rekombination, häufige Trennung der Merkmale Kleiner Abstand: kaum Platz für Rekombination, häufiges gemeinsame Vererbung der Merkmale Auf verschiedenen Chromosomen: statistische Unabhängigkeit einer gemeinsamen Vererbung Einheit: CentiMorgan Wahrscheinlichkeit 1% für Trennung von M 1 und M 2 : 1 cm Wahrscheinlichkeit 2% für Trennung von M 1 und M 2 : 2 cm... Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

23 Erstellung genetischer Karten Tiere: Züchtung Menschen: Grosse Stammbäume (CEPH) Verfahren Bestimmung der Merkmale bei allen Individuen Beobachtung der Wahrscheinlichkeiten der gemeinsamen Vererbung Berechnung der Ordnung und Abstände der Marker Algorithmus Prinzipiell: O(n!) mögliche Ordnungen Siehe Literatur Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

24 Fazit Historisch ältestes Verfahren Keinerlei Biotechnologie notwendig Zuverlässig Aber Rekombination ist nicht gleichverteilt Maximale Auflösung ca. 1 cm Bei Menschen schwierig (Große Stammbäume) Keine Hilfe zur Sequenzierung Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

25 II.3 Physikalische Karten - Übersicht Zwei Arten von Objekten Clone: YAC, PAC, BAC, Cosmids,... mit Ausdehnung Marker: Loci, STS, EST,... ohne Ausdehnung Hybridisierung und PCR Kartierungsverfahren Clone Hybridisierung STS Content Mapping Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

26 Restriktionsenzyme Proteine, die DNA an spezifischen Stellen schneiden Notwendig in Zelle als Müllabfuhr Viele bekannt (kommerziell) Partieller Verdau möglich Beispiel: Enzym EcoRI schneidet GAATTC GAATTC G AATTC CCAGAATTCTCG CCAG AATTCTCG GGTCTTAAGAGC GGTCTTAA GAGC Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

27 Clonieren: Erstellen der Bruchstücke Schneiden mit Restriktionsenzymen Bruchstücke unterschiedlicher Länge Auftrennen nach Länge Gelelektrophorese Clonierung in Bakterien Vervielfältigung Ergebnis: Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

28 Clonetypen YAC: Yeast Artificial Chromosome Größe zw. 150KB und 1.8MB Schnell zur großen Abdeckung Hohen Anteil an Chimerismen (40-60%) BAC: Bacterial Artificial Chromosome Größe zwischen 150 und 300 KB Sehr stabile Vervielfältigung Arbeitspferd des Human Genome Projects Cosmids Größe zwischen 35 und 45 KB Kann direkt sequenziert werden Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

29 Minimal benötigte Menge von Clonen Cosmids (40KB) BAC (250 KB) YAC (1000 KB) Drosophila 180 MB Homo Sapiens MB Theoretischer Wert Clone sind gleichverteilt Hohe Überdeckung notwendig (6-10) Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

30 Clonelibraries Mapping erfordert viele Versuche Identität der Clone muss gleich bleiben Libraries Mengen von Clonen, einmal hergestellt Internationale Verwendung Identifikation: Koordinaten ICRFy900F18, CEPH44G, 128_H_44 Eigenschaften Coverage Redundanz Clonetyp und länge Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

31 Clonelibraries kann man kaufen Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

32 DNA Marker Eindeutig im Genom lokalisierbare Punkte Bei allen Individuen gleich STS EST Sequence-tagged Sites Eindeutige Sequenzen Länge Basenpaare Expressed Sequence Tags STS aus kodierenden Abschnitten ESTs machen 80% der Genbank Sequenzen aus! Nachweis: PCR oder Hybridisierung Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

33 Kartierungstechniken Ziel ist der Minimum Tiling Path Was kann man über Clone/Marker herausbekommen? Clone überlappen Hybridisierung Clone enthalten Marker PCR Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

34 Hybridisierung (Sketch) Ein Clone (Probe, Sonde) wird markiert (Radioaktiv, fluoreszierend) Probe wird mit Library auf Filter zusammengebracht DNA hybridisiert, wenn komplementär Nicht hybridisierte Clone werden abgewaschen Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

35 Ergebnis Manuelle Auswertung Imageanalyse Spot- Strategien Cloneüberlappungen Quelle: Choi, Wing, Caltech Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

36 Abstraktes Ergebnis Gegeben Library Menge von Proben Hybridisierungsergebnisse Folgerungen Clone-Überlappungen Clone-Nicht Überlappungen Mapping - Aufgabe Konsistente Reihenfolge der Clone finden Algorithmen später Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

37 Beispiel für Mapping-Strategie KurzeClone vielehybridisierungen notwendig Lange Clone nicht sequenzierbar Mehrstufige Verfahren Beispiel 1. Stufe: YAC YAC Hybridisierung YAC Minimum Tiling Path, Y 1,...Y n 2. Stufe: YAC Cosmid Hybridisierung Alle Cosmids zu Y i, picken und neue Library machen 3. Stufe: Cosmid Cosmid Hybridisierung Cosmid Minimum Tiling Path pro Yac 4. Stufe: YAC Übergangszonen klären Cosmid Minimum Tiling Path Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

38 Einschub: In Situ Hybridisation Clone kann man direkt mit Chromsomen hybridisieren Zuordnung von Clonen zu Chromosomen Zuordnung von Clonen zu Chromosomenbändern Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

39 PCR (Sketch) Polymerase Chain Reaction Methode zur Vervielfältigung von DNA Bruchstücken Zusammen mit Gelektrophorese hochempfindliches Nachweisverfahren Nachzuweisende Sequenz muss bekannt sein Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

40 PCR Illustration Gegeben: Doppelsträngige DNA D Probe S mit bekannter Sequenz Frage: S D? Primer I Enthalten? 3 Primer II 5 3 Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

41 PCR Illustration Heat Heat Cool Cool Zugabe von Primern und Polymerase Polymerase verlängert Primer an Template Heat Cool Heat etc. Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

42 PCR - Nachweis Ergebnis: S D: Lösung enthält sehr viel S S D: Lösung enthält fast kein S Nachweis: Auftrennung im Gel Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

43 STS Content Mapping Gegeben Menge von Clonen Menge von STS Gesucht Welcher der Clone enthält welche STS? Verfahren PCR mir jedem STS Ergebnis Anchoring der Clone Algorithmen später Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

44 Fazit Physikalische Kartierung Voraussetzung für Sequenzierung Traditionell versus Whole Genome Shotgun Vielzahl von etablierten Methoden verfügbar Aber Aufwändige und komplexe Hochdurchsatzverfahren notwendig Keine Bevorzugung interessanter Regionen : Transscript Mapping Fehleranfällige Verfahren und komplexe Algorithmen Keine Informationen über Orientierung und Abstände in Contigs Keine Infos über Lage von Contigs zueinander und im Genom Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

45 Zusammenfassung Sinn der Kartierung Sequenzieren mit wenig Aufwand Finden relevanter Abschnitte (Transscript Mapping) Verschiedenste Arten von Karten Physikalisch, genetisch, cytogenetisch, integriert Weitere: Fingerprinting, Radiation Hybrid,... Alle Methoden fehlerträchtig Clone Chimerism Selbsthybridisierungen Notwendigkeit toleranter Algorithmen Notwendigkeit zur Integration von Karten Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

46 Teil III. Algorithmen Das Problem Matrixdarstellung Algorithmen für STS Content Mapping PQ Trees Hamming TSP Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

47 Abstrakte Problemdarstellung Clone-Mapping Problem Geg.: Menge C von Clonen, Menge P von Proben, Menge S von Überlappung (P C) (c i,c j ) S: c i Cund c j P überlappen (Hybridisierung) (c i,c j ) S: c i und c j überlappen nicht Gesucht: Ordnung von c C, die mit S konsistent ist STS Content-Mapping Problem Geg.: Menge C von Clonen, Menge P von Markern, Menge S von Treffern (p i,c j ) S: p i ist in c j enthalten (PCR) (p i,c j ) S: p i ist nicht in c j enthalten Gesucht: Ordnung von p M, die mit S konsistent ist Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

48 Matrixdarstellung Darstellung der experimentellen Ergebnisse in einer Matrix M Zeilen: Clone aus C Spalten: Clone aus P / Marker aus P Zellen 1: p i ist in c j / c i überlappt mit c j 0: sonst Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

49 Beispiel: Marker-Mapping C1 C2 C3 P1 P2 P3 Nicht möglich, wenn Clone gleiche Länge haben Cosmids, Oder BACs? C1 C2 C1 C2 P1 P2 P3 C3 C3 P1 P2 P3 Oder? P2 P1 P3 C1 C2 C3 Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

50 C1 C2 C3 Beispiel: Clone-Mapping C1 C2 C3 C1 C2 C3 Oder? C1 C2 C3 Oder? C1 C2 C3 Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

51 C1 C2 C3 P1 Beispiel: Marker-Mapping 2 P2 P3 Oder? P1 P2 P3 C1 C2 C3 P3 P2 P1 C1 C2 C3 Richtung nicht bestimmbar Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

52 Beispiel: Clone-Mapping mit Fehler C1 C2 C3 C4 C1 C2 C3 C4 C1, C2, C3 C1 C2 C3 Matrix muss Fehler enthalten! False Negative (C1-C4)? False Positive (C3-C4)? C1, C2, C3, C4 C2, C3, C4 C1 C2 C3 C2 C3 C4 C4 Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

53 Beispiel: Marker-Mapping mit Fehler Clone mit gleicher Länge C1 C2 C3 C4 P1 P2 P3 C1, C2, C3 C1 P1 P2 P3 C2 C3 C1, C2, C3, C4 C2, C3, C4 C1 P1 P2 P3 C2 C3 C2 P1 C3 P3 P2 C4 C4 Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

54 A1 A2 A3 A4 C1 C2 C3 C4 Beispiel: Marker-Mapping mit Fehler P1 P2 P3 Lösung für Clone unterschiedlicher Länge? C2 C4 C1 P1 P3 P2 C3 Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

55 Formalisierung Gegeben Menge C von Clones (Länge egal) Menge P von Probes Matrix M = 1 0 C i matches P otherwise j Def: M hat consecutive ones property (C1P), gdw es eine Permutation π der Spalten von M gibt, so daß in M =π(m) in jeder Zeile 1 er nur hintereinander vorkommen Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

56 C1P - Ordnung Theorem: Eine Matrix M ist C1P gdw es eine mit M konsistente Ordnung der Clone und Proben gibt Beweis: Literatur C1 C2 C3 C4 P1 P2 P3 C2 P1 P3 C1 C3 C4 P2 Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

57 C1 C2 C1 C2 C3 Weitere Beispiele P1 P2 P3 P4 C1 P3 P2 P1 P4 C2 P1 P2 P3 P4 C1 C2 P1 P2 P3 C3 P4? Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

58 Eigenschaften Nicht jede Matrix ist C1P False negatives, false positives, chimerism,... Wenn eine Matrix C1P ist, kann es viele Permutationen geben Viele Lösungen möglich, Experiment ist unterdeterminiert Feststellen der C1P Eigenschaft? Linearer Algorithmus (Booth & Luecker) PQ-Tree Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

59 III.1 PQ - Tree Ziemlich kompliziertes Biest Grundidee: Kompakte Repräsentation von Permutationen PQ Tree Blätter: Die Proben des Problems P-Knoten: Enthält mind. 2 Kinder: PQ-Baum oder Blätter Kinder können in beliebiger Reihenfolge vorkommen Q-Knoten: Enthält mind. 3 Kinder: PQ-Baum oder Blätter Kinder können in geg. Ordnung oder revers vorkommen Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

60 PQ-Tree 2- P-Knoten Q Knoten Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

61 PQ Tree 3- Definition von 9 Transformationen Überführen PQ-Baum in äquivalenten PQ-Baum Äquivalenz: Reihenfolge der Blätter von links nach rechts kann gleich sein (Frontier) Verfahren Geht nicht immer! Starte mit T aus P-Knoten und Blättern Betrachte nacheinander Clone C i mit pos. Probes P 1,..., P n Transformiere T zu äquivalentem T so, dass P 1,..., P n in der Frontier von T in dieser Reihenfolge sein können Theorem: Matrix ist C1P gdw es einen entsprechenden PQ Baum gibt Das o.g. Verfahren findet einen PQ Baum, wenn es ihn gibt Das Verfahren ist O(n+m) (Anz. Clone / Anz. Proben) Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

62 C1 C2 C3 C4 C1 C2 C3 C4 P1 P1 Beispiel P2 P3 P4 P2 P3 P4 Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

63 C1 C2 C3 C4 C1 C2 C3 C4 P1 P1 Beispiel 2- P2 P3 P4 P2 P3 P4 Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

64 C1 C2 C3 C4 P1 Beispiel 3- P2 P3 P4 Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

65 Ergebnis 4- P1 C1 C2 C3 C4 P3 P4 P2 Weitere Möglichkeiten C1 C2 C3 C4 P1 P3 P2 P4 C1 C2 C3 C4 P2 P4 P3 Siehe auch: Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe P1

66 PQ-Tree Zusammenfassung Finden der entsprechenden Transformationen nicht trivial, aber linear Keine Erweiterung bekannt für noisy data Keine Verwendung als Mapping Algorithmus für real life data Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

67 Back to real life Echte Daten sind nicht so hübsch Falsche positive Signale Falsche negative Signale Chimeric Clones Matrix nicht C1P Problem: Finde die wahrscheinlichste Lösung Möglichst wenig 1 einfügen (false negatives) Möglichst wenig 1 löschen (false positives) Möglichst wenig Clone entfernen/auftrennen (chimerism) Möglichst wenig Proben entfernen (Non-Unique) Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

68 Verfahren Diverse Verfahren sind veröffentlicht Maximum Likelyhood Berechnung Bayes sche Wahrscheinlichkeiten... Alle sehr teuer, deshalb Näherungsverfahren Simulated Annealing Heuristiken Greedy... Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

69 III.2 Behandlung Falsch Positiver Geg. Hybridisierungsmatrix M Ges. Matrix M mit M ist C1P DEL ist eine Funktion, die aus M beliebige 1 löscht (also falsch positive entfernt) M =DEL(M) M ist die Matrix, bei der DEL am wenigsten 1 löscht (also am wenigsten falsch positive braucht ) Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

70 Voraussetzung Hamming-Abstand zweier Spalte Anzahl ungleicher Werte Traveling Salesman Problem Geg.: Graph mit gewichteten Kanten Finde Weg so, dass jeder Knoten genau einmal besucht wird und die Summe der Kantengewichte minimal ist Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

71 Hamming-TSP [AKNW95] Theorem Löse das H-TSP Problem für folgenden Graphen Jede Probe ein Knoten w(p 1,P 2 ) = hamming(p 1,P 2 ) Der Pfad der Lösung induziert M Problem TSP ist NP vollständig... und der Graph ist vollständig Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

72 War nicht lösbar A B C1 C2 C3 C4 C D Beispiel C 3 2 A 3 D B A B C D A B C1 C1 C2 C2 C3 C4 C3 C4 D C C1 C2 C3 C4 D A B Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe C

73 Zusammenfassung Diverse Algorithmen veröffentlicht Graphbasiert, PQ-Trees, statistisch Alle Algorithmen berechnen bestmögliche Anordnungen Interessante Probleme exponentiell Näherungstechniken und Heuristiken Lösungen i.d.r. nicht eindeutig Mehrstufige Verfahren Kleine Fehler große Wirkung (Chimeric Clones) Real life Kombination von Daten aus unterschiedlichen Quellen / Verfahren Crossvalidierung Manuelle Nachbearbeitung Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

74 Teil IV. Integrierte Karten Alle Mapping-Verfahren haben ihre Schwächen Integration von Karten Auflösen von Konflikten Ergänzung fehlender Informationen Verifikation durch Redundanz Höhere Robustheit durch Einsatz unterschiedlicher Techniken Beispiele Orientierung und Abstand von STS-Markern durch genetische Karten Positionierung von Contigs durch genetische Marker Zuordnung von Clonen zu Chromosome durch FISH Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

75 Integration von Karten Zwei Bedeutungen Ergänzung fehlender Daten zwischen Karten gleichen Typs Vergleich zweier BAC Karten Ergänzung fehlender Informationen durch Karten anderen Typs Kombination genetischer und physikalischer Karten Voraussetzungen Karten müssen identische Objekte teilen Marker mit genetischer und physikalischer Position: EST Identische Objekte müssen als solche erkannt werden Entscheidungsfindung bei widersprüchlichen Daten (oft ohne ausreichende oder vergleichbare Evidenz) Integration unterschiedlicher mathematischer Verfahren Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

76 Einschub: Was ist ein Locus? Prinzipiell: ein Ort auf einem Chromosome DNA Marker (bei allen Individuen gleich) Polymorphismus (Unterschiedliche Allele vorhanden) Gen (welches Stück?) Ort häufiger Rekombinationen Eine Probe (Sonde) etwas, was man nachweisen kann Ein Clone... Loci haben keine Eigenschaften, nur Namen Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

77 Vielfältige Probleme Objektnamen Identifizieren gleicher Objekte sehr schwierig Clone/Marker mit >20 Synonymen keine Seltenheit Klassennamen Marker, Locus, Gene alle nicht klar definiert Ein Gen auf Karten kann alles mögliche sein: Gen selber (aber: Gennamen nicht standardisiert) ESTs und cdnas SNPs, Mutationen, Polymorphismen Splicevarianten Proteinname... Bereich zwischen Basen bis 2 MB Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

78 Probleme 2- Typische Integrationsmethode sehr anfällig Eigentlich: Rohdaten (Überlappungen) integrieren Karte neu berechnen Aber: Rohdaten nicht verfügbar Unterschiedliche Protokolle Komplexität der Algorithmen zu groß Also Manuelle Integration der (veröffentlichten) Ergebniskarten Keine Einschätzung der Güte mehr möglich Umrechnung zwischen Koordinatensystemen schwierig 1cM 1MB nur Durchschnittswert Confidence der Koordinaten beachten Physikalische Karten haben keine exakten Koordinaten Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

79 Beispiel Quelle: Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

80 Divergenzen Quelle: Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

81 Fazit (Nahezu) alle Karten sind integrierte Karten Kriterien der Integration oft nicht oder nur auf Papier (Veröffentlichung) bekannt Aussagen zur Güte der Daten gehen verloren Vorsicht Manuelle und subjektive Entscheidungen bei Widersprüchen Statistische Signifikanz unklar Verschiedene Karten benutzen oft dieselben Quellen Ist WI-9922 nach 10-mal kopieren noch WI-9922? Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

82 Teil V. Datenmodelle Modellierung von experimentellen Daten Modellierung von Karten (OMG Standard) Integrierte Karten Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

83 Experimentelle Daten Rohdaten der Kartierung sind Experimente Metadaten Durchführender, Datum, Roboter/Geräte, angewandtes Protokoll (Temperaturen, Farbstoffe, Enzyme,...) Experimentdaten (physikalische Karten) Library Clone mit Koordinaten Probe Ergebnisdaten Clone-Mapping: Überlappungen Marker-Mapping: Part_of Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

84 Beispielhaftes Modell Protocoll -operates_on 1 * Experiment -Date -Experimentor uses Probe 1 -uses 1 * * * -results_in 1 Library -Location -Origin -Librarytype -Last_Replication has ** Clone -Coordinates 1 -combines Result -Confidence * -combines 1 * Hybridization Positive_PCR Library clone: m:n Probe kann wiederum Clone sein Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

85 Modellierung von Genomkarten Genomkarte: Experimente + Auswertung Abstraktion von technischen Details der Experimente Elemente von Genomkarten Kartentyp Genetisch, physikalisch, cytogenetisch,... Kartierte Objekte Clone, Marker, Unterkarten, Contigs,... Beziehungen zwischen kartierten Objekten Enthalten, Überlappt, liegt_vor, liegt_nach, linkes_ende,... Koordinaten Ordnung, Halbordnung, ungeordnet Numerische Koordinaten oder nicht Hierarchische Beziehungen: Karten enthalten Karten Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

86 OMG Standard Genome Maps [BLL+99] mappedobj 1..1 Ma ppable species chromosome type getmaps() 0..* MapObject database name id crossreferences 1..1 Point Segment length unit Marke r Ma p Clo ne 1..1 MapEle m e nt positionprecision 1..* onmap 1..1 getnrofelements() getallelements() getrangebetweenobjects() getelementsinsegment() IntervalPosition PointPosition Range Position leftend rightend OrderedPosition rank frameworkelement position Vag ue Po s itio n leftflankingobj rightflankingobj Lin e a rma p maxcoordinate mincoordinate getscalarrange() getaround() Bin CytogeneticElement rank getsuperelement() getsubelements() getsiblings() Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

87 Mappable Ma ppable species chromosome type getmaps() MapObje ct database name id Point Segment length unit Mappable: Alle Objekte, die man auf einer Karte platzieren kann Segments: Haben Ausdehnung: Clone, Chrombands, Karten,... Points: Keine Ausdehnung: Marker, EST, STS,... Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

88 Map Maps: Sind selber Segmente Karten können Karten enthalten Zwei Arten von Karten Linear maps: Mit Koordinatensystem: Physikalische Karten Genetische Karten Bin maps: Geordnete/ halbgeordnete/ ungeordnete Kollektionen Radiation-hybrid Karten Chromsomenbänder 1 Lin e a rma p maxcoordinate mincoordinate getscalarrange() getaround() Segment length unit Ma p getnrofelements() getallelements() getrangebetweenobjects() getelementsinsegment() Bin Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

89 MapElement MapEle m e nt positionprecision IntervalPosition PointPosition Range Pos ition leftend rightend frameworkelement position leftflankingobj rightflankingobj Orde re dposition rank Vag ue Po s itio n MapElement: Zuweisung eines Mappable zu einer Map mit einer Position in einem Coordinatesystem Position: vor, nach, zwischen, in,... n:m Relationship zwischen Map und Mappable Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

90 Bewertung Sehr mächtiges und generisches Modell Orientierung an veröffentlichten Karten Keine Rohdaten (Überlappungen etc.) Übersetzung in Koordinaten erwartet Koordinaten nicht überbewerten Best. Constraints nicht repräsentiert Points dürfen keine IntervalPosition haben BinMaps dürfen keine Koordinaten-Positions haben Humane Karten können keine Mausclone enthalten... Keine Behandlung von Synonymen, Homonymen, etc. OMG Philosophie Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

91 Integrierte Karten Modellierung von Karten Objekte auf Karten Topologische Beziehungen von Objekten Widersprüchliche Positionen i.o. Integrierte Karten Integration der Rohdaten Logische Beziehungen von Objekten Identität und Namen: Synonyme, Homonyme Herkunft: vervielfältigter Clone, STS vom Ende eines Clone, EST vom 3 einer cdna,... Widersprüchliche Beschreibungen i.o. Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

92 Beispielhaftes Modell Das Ende des einwertigen Attributs... Jedes Eigenschaft mit Evidenz und Ursprung Namen als Eigenschaften Evidence Origin * Relationship * * Clone * * * * * * * Has_Length -Length -Origin -Evidence Has_Name -Name -Origin Is_Chimeric -Chimeric -Origin -Evidence Right_end Left_end Probe_for end_5p Same_origin end_3p Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

93 Teil VI. Datenbanken The Genome Database (GDB) egenome LocusLink Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

94 GDB [ Jahrelang Standarddatenbank für HGP Mapping Daten Anzahl Objekte Clone (BAC und PAC) Gene mit Position Marker Verfahren der Integration Submission based (CTL Format) Idee der Community Curation GDB Consensus Maps: heuristisches Verfahren, ohne Rohdaten ( Chromosome Editors Technische Implementierung OPM, Sybase OPM-Modell mit ca. 75 Klassen, ca. 140 Tabellen Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

95 GDB Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

96 GDB Bewertung Sehr technisch orientiert Modell ähnlich zu OMG Standard Maps on Maps Coordinate Systems Object Mapping Map Komplizierte Search-Forms kaum benutzt Community Curation kaum benutzt Relativ langsam Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

97 egenome [ Projekt, org. Chromosom 1 Z.Z. ca Marker Clones Ein Marker alle 45 KB Integrationsverfahren Konservatives Verfahren CEPH Genetic maps Radiation Hybrid maps - UniGene Cluster - Benutzung der Konfidenzvalues I.d.R: Berechnung von Bins (Bundels), nicht Koordinaten Technische Realisierung 4Dimension (3GL Datenbank + Entwicklungsumgebung) Export als Flatfiles verfügbar Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

98 egenome Einfache Textsuche & Region Search Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

99 LocusLink [ Repository von Genen und some non Genes Vielfältige Informationen über Mapposition hinaus Proteine, Funktionen, RNA, Phenotypes, ESTs, Genes Integrationsverfahren Wöchentliches Update Enge Verzahnung mit RefSeq Technische Implementierung NCBI: Entrez Search Interface Tab-del Files Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

100 LocusLink Integrationsworkflow Quelle: Mischung aus manueller und automatischer Bearbeitung Objektstatus: Provisional - Reviewed Kein Releasekonzept, keine Versionierung Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

101 Weitere Human Genome Browser Chromosomenspezifische Jedem Chromosom seine Datenbank Die grossen Mappingprojekte Whitehead, Washington, Ceph,... Die grossen Sequenzierprojekte Sanger, Celera,... Übersicht z.b. in [BO01], Kap. 6 Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

102 Zusammenfassung Mapping, Kartierung Objekte Clone, STS, Clonierung Experimente Hybridisierung, PCR Algorithmen C1P, Real-Life Probleme, Näherungsverfahren Modelle Experimentdaten, Karten, integrierte Datenbanken Datenbanken GDB, egenome, Locuslink Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe

103 Literatur [BO01] Baxevanis, A. D. and Ouellette, B. F. F., Eds. (2001). "Bioinformatics. A Practical Guide to the Analysis of Genes and Proteins", John Wiley & Sons. Kapitel 6 [Sen02] Sensen, C., Ed. (2002). "Essentials of Genomics and Bioinformatics", Wiley-VCH, Weinheim., Kapitel 2, 6 [Pri96] Primrose, S. B. (1996). "Genomanalyse". Heidelberg, Spectrum; Akademischer Verlag. [GI95] Greenberg, D. S. and Istrail, S. (1995). "Physical Mapping by STS Hybridisation: Algorithmic Strategies and the Challenge od Software Evaluation." Journal of Computational Biology 2(2): [AKNW95] Alizadeh, F., Karp, R. M., Newberg, L. A. and Weissner, D. K. (1995). "Physical Mapping of Chromosomes: A Combinatorial Problem in Molecular Biology." Algorithmica 13(1/2): [BLL+99] Barillot, E., Leser, U., et al. (1999) A Proposal for a Standard CORBA Interface for Genome Maps, Bioinformatics 15(2): Ulf Leser: Molekularbiologische Datenbanken, Vorlesung, SoSe