Bases de dados de interesse biológico

Transcrição

1 Bases de dados de interesse biológico Pedro Fernandes Instituto Gulbenkian de Ciência Oeiras, Portugal LEBM - Bioinformática 1

2 Bases de dados em Biologia Antes do aparecimento da Biologia Molecular Bases de dados taxonómicas Colecções biológicas Observações de campo Bases de dados de bibliografia científica Os meios computacionais eram primitivos LEBM - Bioinformática 2

3 Com a Biologia Molecular A comunidade científica apercebeu-se da real dimensão dos conjuntos de dados a que tinha acesso e da sua complexidade dos requisitos computacionais do que a Biologia iria representar em termos de organização de informação e de aquisição de conhecimentos dos impactos no mundo clínico, ambiente, indústria, etc LEBM - Bioinformática 3

4 Tipologia de bases de dados de interesse biológico Conteúdo: Bibliografia Sequências Genomas e Proteomas Clínicas Homologia LEBM - Bioinformática 4

5 Divisão temática de bases de dados de interesse biológico Sequências: nucleotídicas, RNA, Proteínas Estruturais Genómicas (não-vertebrados) Vias Metabólicas e de Sinalização (Signaling) Genomas (Humano e de outros vertebrados) Genes Humanos e Doenças Dados de Microarrays e Expressão Génica Proteomica Biologia Molecular (outras) Organelos Plantas Imunologia (adaptado de Nucleic Acids Research, DB Issue 2005) LEBM - Bioinformática 5

6 O interesse das bases de dados em Biologia aumenta Se forem acessíveis pela www indexadas instaláveis localmente (actualização) interligadas integradas LEBM - Bioinformática 6

7 Com Bioinformática, a utilização de bases de dados de proteínas permite - Detectar num conjunto de proteínas uma possível relação evolutiva, se existir - Detectar semlhanças locais que permitam atribuir função - Explorar estruturas tridimensionais preditas ou encontradas experimentalmente e com elas predizer o papel de proteínas - Explorar possíveis interacções de proteínas com proteínas ou de proteínas com outras moléculas - Explorar a possibilidade de desenhar inspiradamente novas proteínas para fins específicos - Explorar a possibilidade de modificar proteínas existentes, modificando as suas funções LEBM - Bioinformática 7

8 A Biologia, uma grande fonte de informação? Há galáxias no Universo observável Há 4 x estrelas no Universo observável P: Quantos grãos de areia tem esta praia? R: Assumindo que a praia tem 5km x 500m x 5m e que um grão de areia tem 1 micron de diâmetro, a praia terá 12.5x10 25 partículas Conhecemos cerca de 10 5 mas as regras que conhecemos fazem prever que poderão formar-se espécies moleculares diferentes, a maioria delas com um papel biológico relevante LEBM - Bioinformática 8

9 Tipos de bases de dados com sequências biológicas Primárias: contêm dados laboratoriais (sequências) em registos revistos, validados e comentados em registos gerados automaticamente Secundárias: de padrões, resultantes de análises de material das primárias LEBM - Bioinformática 9

10 Bases de dados primárias Entradas submetidas pelos investigadores, revistas e validadas Com accession number único por entrada De Nucleótidos (N): Genbank, EMBL, DDBJ Sincronizadas (depósito em paralelo) De Proteinas (P): Swissprot, PIR, PDB LEBM - Bioinformática 10

11 Crescimento de bases de dados primárias N Thousands Nucleotide databases: EMBL, Genebank, DDBJ 7 Set This morning the EMBL Database contained 107,573,768,148 nucleotides in 58,160,970 entries. Breakdown by entry type: Entry Type Entries Nucleotides Change in 1 year Standard 47,527,188 52,172,771, % Constructed (CON) 333,717 n/a Third Party Annotation (TPA) 4, ,476, M Whole Genome Shotgun (WGS) 10,294,618 54,793,749,562 2x LEBM - Bioinformática 11

12 Crescimento de bases de dados primárias P LEBM - Bioinformática 12

13 Crescimento de bases de dados primárias P PDB: base de dados primária de proteínas com informação estrutural (de origem experimental e obtida com modelos) LEBM - Bioinformática 13

14 O dilúvio de informação vem Dos projectos de sequenciação de genomas Dos projectos de Proteómica De experimentação de alto débito: Microarrays Arrays de Proteínas Teste paralelizado de fármacos Outros testes em larga escala LEBM - Bioinformática 14

15 O tamanho dos genomas ORGANISMO CROMOSOMAS Tam. GENOMA # GENES Homo sapiens 23 3,200,000,000 ~ 30,000 Mus musculus 20 2,600,000,000 ~30,000 D. melanogaster 4 180,000,000 ~18,000 Sa. cerevisiae 16 14,000,000 ~6,000 Zea mays 10 2,400,000,000??? Tabela elaborada por Silke Sperling, LEBM - Bioinformática 15

16 O déficit de conhecimento Podemos, em certos casos, predizer propriedades de protínas e até a sua função a partir do conhecimento da estrutura. Quase nunca se consegue fazer o mesmo com apenas a sequência. Sabemos mais de sequências do que de estrutura (e função) Conhecemos 50*10 6 sequências nucleotídicas (EMBL), das quais 22*10 6 são ESTs. Conhecemos 35*10 3 estruturas de proteínas (PDB), das quais apenas 8*10 3 estão confirmadas experimentalmente (NMR, difracção dos raios X, etc.) O rácio é 28*10 6 / 8*10 3 (> 3*10 3 ) Em proteínas conhecemos 194*10 3 sequências (Swissprot) O rácio é 194*10 3 / 8*10 3 (> 24) LEBM - Bioinformática 16

17 Melhoramentos N não-redundante: RefSeq Publicada pelo NCBI como a Genbenk Contém mrna, Contigs genómicos, traduções conhecidas, etc. Contém registos que provêm da anotação de genomas LEBM - Bioinformática 17

18 Melhoramentos P não-redundante: RefSeqP Base de anotação funcional para o projecto do Genoma Humano Suporte básico para o Dogma Central da Biologia Molecular LEBM - Bioinformática 18

19 Subconjuntos TrEMBL Translated EMBL Nº de registos 2,105,517 Complemento da Swissprot com sequências de proteínas que se sabe resultarem da tradução de sequências nucleotídicas entradas na EMBL SpTrEMBL Sequências de proteínas prontas a entrar na Swissprot. Por exemplo, a aguardar uma evidência experimental RmTrEMBL Sequências de proteínas que não vão entrar na Swissprot: fragmentos, sequências sintéticas, etc LEBM - Bioinformática 19

20 Primárias unificadas UNIPROT (EBI, Dec 2003) Base de dados de proteínas unificada e não-redundante, resultante da reunião supervisionada de: SwissProt, TrEMBL e PIR Nº de registos: ~2M LEBM - Bioinformática 20

21 Primárias unificadas UNIParc (UNIPROT Archive, EBI, Jan 2005) Base de dados de proteínas unificada e não-redundante, resultante da reunião supervisionada de: UniProtKB/Swiss-Prot, UniProtKB/TrEMBL, PIR-PSD, EMBL, Ensembl, IPI, PDB, RefSeq, FlyBase, WormBase, European Patent Office proteins, United States Patent and Trademark Office (USPTO) e Japan Patent Office Nº de registos: ~5.7M LEBM - Bioinformática 21

22 A interoperabilidade Tem obrigado a que o formato mais prático de usar seja o de FLAT FILE, um formato de texto em que os registos são constituídos por linhas que começam com um código que indica o tipo de informação que a linha contém. É arcaico mas muito fácil de manipular. Tem vantagens de simplificação, mas obriga a um esforço permanente de reformatação para utilização com software específico LEBM - Bioinformática 22

23 Um registo na EMBL ID U83981 standard; RNA; HUM; 2331 BP. AC U83981; SV U DT 29-JUN-1998 (Rel. 56, Created) DT 04-MAR-2000 (Rel. 63, Last updated, Version 4) DE Homo sapiens apoptosis associated protein (GADD34) mrna, complete cds. KW. OS Homo sapiens (human) OC Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi; Mammalia; OC Eutheria; Primates; Catarrhini; Hominidae; Homo. RN [1] RP RX MEDLINE; RA Hollander M.C., Zhan Q., Bae I., Fornace A.J. Jr.; RT "Mammalian GADD34, an apoptosis- and DNA damage-inducible gene"; " XX SQ Sequence 2331 BP; 543 A; 666 C; 712 G; 410 T; 0 other; cccagttgtt gatcttatgc aagacgctgc acgaccccgc gcccgcttgt cgccacggca 60 cttgaggcag ccggagatac tctgagttac tcggagcccg acgcctgagg gtgagatgaa 120 cgcgctggcc tccctaaccg tccggacctg tgatcgcttc tggcagaccg aaccggcgct 180 cctgcccccg gggtgacgcg cagctcccag ccgcccagac acatggcccc aggccaagca 240 ccccatcagg ctaccccgtg gagggatgcc caccctttct tcctcctgtc cccagtgatg 300 ggcctcctca gccgcgcctg gagccgcctg aggggcctgg gacctctaga gccctggctg 360 gtggaagcag taaaaggagc agctctggta gaagctggcc tggagggaga agctaggact LEBM - Bioinformática 23

24 Cabeçalho contendo a anotação EMBL:U83981 ID U83981 standard; RNA; HUM; 2331 BP. XX AC U83981; EMBL XX SV U XX DT 29-JUN-1998 (Rel. 56, Created) DT 04-MAR-2000 (Rel. 63, Last updated, Version 4) XX DE Homo sapiens apoptosis associated protein (GADD34) mrna, complete cds. XX KW. XX OS Homo sapiens (human) OC Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi; Mammalia; OC Eutheria; Primates; Catarrhini; Hominidae; Homo. XX RN [1] RP RX MEDLINE; RA Hollander M.C., Zhan Q., Bae I., Fornace A.J. Jr.; RT "Mammalian GADD34, an apoptosis- and DNA damage-inducible gene"; RL J. Biol. Chem. 272(21): (1997). XX RN [2] RP (more...) LEBM - Bioinformática 24

25 Cabeçalho contendo a anotação LOCUS HSU bp mrna linear PRI 07-JUL-1998 DEFINITION Homo sapiens apoptosis associated protein (GADD34) mrna, complete cds. ACCESSION U83981 VERSION U GI: KEYWORDS. SOURCE Homo sapiens (human) ORGANISM Homo sapiens Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi; Mammalia; Eutheria; Primates; Catarrhini; Hominidae; Homo. REFERENCE 1 (bases 1 to 2331) AUTHORS Hollander,M.C., Zhan,Q., Bae,I. and Fornace,A.J. Jr. TITLE Mammalian GADD34, an apoptosis- and DNA damage-inducible gene JOURNAL J. Biol. Chem. 272 (21), (1997) MEDLINE PUBMED REFERENCE 2 (bases 1 to 2331) AUTHORS Hollander,M.C. and Fornace,A.J. Jr. TITLE Direct Submission (more...) Genbank LEBM - Bioinformática 25

26 Registo na EMBL (sequência) SQ Sequence 2331 BP; 543 A; 666 C; 712 G; 410 T; 0 other; cccagttgtt gatcttatgc aagacgctgc acgaccccgc gcccgcttgt cgccacggca 60 cttgaggcag ccggagatac tctgagttac tcggagcccg acgcctgagg gtgagatgaa 120 cgcgctggcc tccctaaccg tccggacctg tgatcgcttc tggcagaccg aaccggcgct 180 cctgcccccg gggtgacgcg cagctcccag ccgcccagac acatggcccc aggccaagca 240 ccccatcagg ctaccccgtg gagggatgcc caccctttct tcctcctgtc cccagtgatg 300 ggcctcctca gccgcgcctg gagccgcctg aggggcctgg gacctctaga gccctggctg 360 gtggaagcag taaaaggagc agctctggta gaagctggcc tggagggaga agctaggact 420 cctctggcaa tcccccatac cccttggggc agacgccctg aagaggaggc tgaagacagt cgggatcgca gccgcttcgc acgccgcatc acccaggccc aggaggagct gagcccctgc 2040 ctcacccctg ctgcccgggc cagagcctgg gcacgcctca ggaacccacc tttagccccc 2100 atccctgccc tcacccagac cttgccttcc tcctctgtcc cttcgtcccc agtccagacc 2160 acgcccttga gccaagctgt ggccacacct tcccgctcgt ctgctgctgc agcggctgcc 2220 ctggacctca gtgggaggcg tggctgagac caactggttt gcctataatt tattaactat 2280 ttattttttc taagtgtggg tttatataag gaataaagcc ttttgatttg t 2331 // LEBM - Bioinformática 26

27 Acesso livre e universal BD Bibliográficas Títulos, autores, palavraschave, sumários, referências 12 M registos Vocabulário controlado (MESH) Pesquiza com ENTREZ Iniciativa política LEBM - Bioinformática 27

28 Vocabulário controlado MESH Organização hieráriquica Decisão consensual Hemoglobin ou haemoglobin? NMR é uma técnica de espectroscopia Nuclear Magnetic Resonance é uma técnica de imagiologia LEBM - Bioinformática 28

29 Mais BD Bibliográficas Web of Knowledge, ISI, b-on PubCrawler (alertas) LEBM - Bioinformática 29

30 BD Estruturais Para cada proteína, as coordenadas 3D dos átomos tal como são submetidas por experimentalistas (difracção dos raios X, NMR). Estas coordenadas permitem a visualização como objecto gráfico usando software apropriado (RasMol, Swiss PDB Viewer, VMD, Chemscape Chime, etc.) 1FGB ATOM 1 N ALA D N ATOM 2 CA ALA D C ATOM 3 C ALA D C ATOM 4 O ALA D O ATOM 5 CB ALA D C ATOM 6 N PRO D N ATOM 7 CA PRO D C ATOM 8 C PRO D C LEBM - Bioinformática 30

31 BD Estruturais PDB Research Collaboratory for Structural Bioinformatics (RCSB) Molecule of the Month Cholera Toxin LEBM - Bioinformática 31

32 BD Estruturais com Classificação CATH Classification, Architecture, Topology, Homology SCOP Structural Classification of Proteins LEBM - Bioinformática 32

33 BD integradas Informação proveniente de múltiplas bases de dados, beneficiando de interconexão e anotação supervisada. GeneCards Informação detalhada por gene com ligações a várias bases de dados com informação laboratorial, clínica, etc LEBM - Bioinformática 33

34 BD integradas Interpro Resultado da integração de diversos recursos como PRINTS; PROSITE; SMART; ProDom; Pfam; TIGRfam LEBM - Bioinformática 34

35 BD Clínicas HGMD Mutações e doenças associadas dbsnp O maior repositório público de SNPs LEBM - Bioinformática 35

36 BD de interesse biológico Que esperar do futuro? Maior integração Maior controlo de qualidade Melhores interfaces de utilizador Melhor interoperabilidade XML LEBM - Bioinformática 36

37 FIM LEBM - Bioinformática 37