2 Desvendando a codificação de aminoácidos

Transcrição

1 Primeiro Trabalho de Oficina de Computação Professor Murilo V. G. da Silva (DINF/UFPR) 1 Introdução Parte 1: Identificando aminoácidos Neste trabalho iremos desenvolver uma ferramenta chamada DNAcrack que irá tomar como entrada arquivos de texto contendo sequências genéticas e descrições de proteínas. A ferramenta que você vai desenvolver deverá realizar algumas tarefas, identificação de aminoácidos e simulação de recorte e simulação de recombinação de DNA por enzimas de restrição. Neste documento especificaremos a parte 1 deste trabalho, que se refere a identificação de aminoácidos. As demais tarefas serão descritas em outros documento. Antes de definir as tarefas que seu programa deverá realizar, vamos apresentar os dois tipos de arquivos texto que seu programa poderá tomar como entrada. 1.1 Arquivos contendo sequências genéticas Um tipo de arquivo que seu programa tomará como entrada é um arquivo texto contendo sequências genéticas. Estes arquivos texto conterão uma sequência de caracteres que poderão ser A, C, T e G. Estes caracteres correspondem às bases Adenina, Tiamina, Guanina e Citosina. 1.2 Arquivos contendo descrição de proteínas Um segundo tipo de arquivo que seu programa tomará como entrada é um arquivo texto contendo a descrição de proteínas. Estes arquivos texto conterão uma sequência de caracteres minúsculos entre a e y. Na seção veremos como essa sequência de caracteres pode ser usada para descrever uma proteína. 2 Desvendando a codificação de aminoácidos A primeira funcionalidade da sua ferramenta será determinar a codificação genética de aminoácidos. A entrada será um arquivo texto com dados de uma proteína (cf. Seção 1.2) e um arquivo texto com uma sequência genética (cf. Seção 7) que a priori sabemos conter tal proteína. Neste trabalho vamos chamar de codificação genética de um aminoácido uma sequência qualquer de três bases (por exemplo ATT e CGT são codificações genéticas de aminoácidos). Iremos lidar com 25 aminoácidos, cada um deles descritos por uma letra minúscula entre a e y (por exemplo, as codificações genéticas ATT e CGT podem ser referir aos aminoácidos a e b, respectivamente). Observe que existem 64 codificações diferentes de aminoácidos (afinal, uma codificação consiste de uma sequência de três símbolos, sendo cada símbolo uma das quatro bases ou seja, 3 4 ). Cada uma destas 64 codificações correspondem a no máximo um aminoácido, porém, alguns dos 25 possíveis aminoácidos que estaremos lidando podem ter mais do que uma codificação diferente. Uma proteína é uma sequência de aminoácidos. Por exemplo, msiqhmr é uma proteína. 1

2 2.1 O problema a ser resolvido Considere que a sequência genética e a proteína de entrada são, respectivamente: ATTGCTAGCAATGCTAGCAATTGCTAGCAATTCAT msiqhmr Sabemos que a proteína em questão está em algum lugar do código genético. Nossa primeira tentativa seria tomar a proteína msiqhmr e fazer o alinhamento em que o aminoácido m corresponde a ATT, o aminoácido s corresponde a GCT, o aminoácido i corresponde a AGC e assim por diante, conforme descrito abaixo: ATTGCTAGCAATGCTAGCAATTGCTAGCAATTCAT m s i q h m r Entretanto, esta alinhamento não funciona, pois temos a sequência GCT codificando dois aminoácidos diferentes, mais precisamente s em azul e h em magenta. Note que o fato de que o aminoácido m (em vermelho) teria duas codificações diferentes, ATT e AGC, não seria um problema, pois codificações diferentes são permitidas. Poderíamos ir deslizando a proteína até encontrar um casamento. O casamento correto ocorre no caso abaixo: ATTGCTAGCAATGCTAGCAATTGCTAGCAATTCAT m s i q h m r Neste caso, seu programa deve retornar a posição inicial da sequência genética em que houve casamento e a codificação da proteína, como abaixo:./dnacrack -analyze gene.txt proteina.txt Casamento encontrado na posicao 10 AAA. AAC. AAT r AAG. ACA. ACC. ACT. ACG. ATA. ATC. ATT q ATG m AGA. AGC m AGT. AGG. CAA. CAC. CAT. CAG. CCA. CCC. CCT. CCG. CTA s CTC. CTT. CTG. CGA. CGC. CGT. CGG. TAA. TAC. TAT. TAG. TCA. TCC. TCT. TCG. TTA. TTC. TTT. TTG. TGA. TGC. TGT. TGG. GAA. GAC. GAT. GAG. GCA i GCC. GCT h GCG. GTA. GTC. GTT. GTG. GGA. GGC. GGT. GGG. Atenção! Entrega da funcionalidade analyze: às 13h00 do dia 09 de outubro de

3 Parte 2: Recombinando DNA A ideia deste trabalho é simular o processo de recorte de cadeias de DNA feito por tesouras moleculares, conhecidas como enzimas de restrição. Embora esta simulação seja uma versão bastante simplificada da reação química verdadeira, ela será importante para exercitar o uso de listas encadeadas e listas encadeadas circulares. 3 Recortando DNA: enzimas de restrição Enzimas de restrição cortam uma cadeia de DNA em uma posição específica, tipicamente separando a cadeia de DNA em dois pedaços. Considere o seguinte segmento de DNA e a seguinte enzima: O segmento de DNA CTCTTAATCCGAATTCGTATCTA; A enzima EcoRI, definida pela sequência GAATTC. A enzima localiza no segmento a ocorrência do padrão GAATTC na sequência e o divide, de maneira que os dois pedaços resultantes são CTCTTAATCCG e AATTCGTATCTA. O trecho em vermelho no segundo pedaço (ou seja, a sequência AATTC) é chamado de ponta adesiva e o trecho em vermelho no primeiro pedaço (consistindo apenas da letra G), é chamado de ponta cega. Na realidade, como uma molécula de DNA consiste de duas cadeias paralelas (em formato helicoidal), a rigor no exemplo acima, teríamos duas sequências, como o exemplo a seguir CTCTTAATCCGAATTCGTATCTA GAGAATTAGGCTTAAGCATAGAT Assim como na Parte 1 do trabalho, iremos trabalhar apenas com a cadeia de cima (esta é a sequência genética que estaresmo lendo dos arquivos texto de entrada), enquanto a a cadeia de baixo contém G s no lugar de C s e vice versa e A s no lugar de T s e vice versa. Embora a segunda cadeia não seja relevante em nossa simulação, o entendimento do processo de colagem de segmentos de DNA (descrito na seção seguinte) torna-se mais fácil se soubermos que, quando a enzima quebra o segmento de DNA, há duas pontas adevivas opostas, conforme a Figura 3. Figura 1: Enzima de restrição recortando um segmento de DNA em dois (figura retirada de Khan Academy). Em nosso trabalho estaremos apenas representando a cadeia da parte de cima do desenho. Na Seção 5 explicaremos que tipo de estrutura de dados você usará para armazenar sequência no computador e na Seção 8 explicaremos exatamente quais tarefas você deverá realizar neste trabalho. 3

4 4 Colando DNA: pontas adesivas Dados três segmentos de DNA veremos agora como funciona o processo de colagem. Considere os segmentos obtidos do recorte visto na seção anterior, i.e., CTCTTAATCCG e AATTCGTATCTA (lembrando que os trechos em vermelho são as pontas cegas e adesivas). Considere agora um terceiro segmento AATTCTGATAATTCG que contém uma ponta cega em uma extremidade e uma ponta adesiva em outra (indicado em vermelho). O segmento resultante do processo de colagem será CTCTTAATCCGAATTCTGATAATTCGAATTCGTATCTA. Os trechos marcados em marrom claro são os trechos que previamente eram pontas adesivas/cegas. Os trechos em azul e verde correspondem aos trechos das cadeias originais. Na cadeia resultante deste exemplo não há mais nenhuma ponta cega e nenhuma ponta adesiva. A Figura 4 ilustra o processo. Figura 2: Colagem de dois segmentos de DNA (figura retirada de Khan Academy). Lembramos que estaremos preocupados apenas com o segmento da parte de cima da figura. O trecho marcado com Target gene corresponde ao trecho TGATAATTC do terceiro segmento do exemplo que vimos. 5 Usando listas para manipular recombinação de cadeias de DNA Em seu trabalho você deve utilizar uma lista para representar uma cadeia de DNA. A ideia é que cada base seja armazenada em um nó. A abaixo mostra um exemplo da sequência AAGT armazenada em uma lista. Em nossa simulação, as enzimas de restrição não irão quebrar uma cadeia apenas em dois pedaços, mas em uma série de pedaços. E cada um destes pedaços será armazenado em uma lista diferente. Por exemplo, digamos que uma cadeia foi quebrada em três pedaços CTCTTAATCCT, GCAGTATCTAT e GCACTCTTATAATCC (note as pontas adesivas e cegas em vermelho) pela enzima TGCA. Neste caso, a cadeia que estava armazenada originalmente armazenada em apenas uma lista, agora se será armazenada em três listas diferentes (uma para cada segmento). Agora digamos que haja uma colagem dos dois primeiros segmentos com o segmento GCAGTGATAATTCT (este também armazenado em alguma outra lista). Assim como precisamos quebrar uma lista em duas ou mais listas com os processos de corte, também precisaremos fazer concatenação de listas quando houver processos de colagem cadeias. Convenção: As quebras se darão sempre com uma sequência contendo exatamente uma base e a outra contendo as demais base. Por exemplo, no parágrafo anterior tivemos a enzima TGCA fazendo a quebra tal que uma sequência tivesse uma base (no caso, T) e a outra sequência as demais bases (ou seja, GCA) e na da Seção 3, a enzima GAATTC fazendo a quebra tal que uma sequência tivesse uma base (no caso, G) e a outra sequência as demais bases (ou seja, AATTC) 4

5 6 Listas circulares para cadeias de DNA circulares Uma lista circular é uma lista em que o último elemento coincide com o primeiro elemento. A escolha de qual elemento é o primeiro (ou último) é arbitrária. Em nossa simulação vamos lidar com cadeias de DNA circulares. Para armazenar tais cadeias vamos usar uma lista circular. Figura 4: A maneira como o processo de recombinação ocorre em uma cadeia circular é análoga a maneira como descrevemos recombinação de cadeias lineares. A figura ao lado ilustra um exemplo. (figura retirada de 7 Arquivos de entrada e saída Assim como na Parte 1 do trabalho, os arquivos de entrada serão do tipo texto contendo sequências genéticas. O formato de texto será o mesmo tanto para cadeias de DNA quanto para enzimas, ou seja, consistirão de caracteres A, C, T e G. Uma diferença é que agora serão permitidas cadeias de DNA que tenham caracteres minúsculos a, c, t e g nas extremidades. A ideia é que estes caracteres sejam usados para descrever pontas adesivas e pontas cegas. A segunda diferença é que um arquivo pode conter várias cadeias de DNA, cada uma delas separados por espaço. 8 A estrutura de dados e o problema a ser resolvido O seu programa poderá trabalhar com cadeias de DNA que estarão armazenadas em arquivos texto como sequências genéticas. Você terá várias cadeias de tamanho arbitrário. Como já mencionamos, cada uma destas cadeias deve ser armazenada em uma lista diferente. Este tipo abstrato de dados lista deve ser denominado CadeiaDNA. Observe que como você pode ter que lidar com várias cadeias simultaneamente, você deverá usar uma segunda lista, sendo que cada nó desta segunda lista será do tipo CadeiaDNA (ou seja, cada nó será uma lista). O tipo abstrato de dados para esta segunda lista deve ser denominado simplesmente de Lista. Com relação as listas do tipo CadeiaDNA, em seu trabalho você deve implementar seus nós de maneira que eles contenham um campo para a base (armazenado em um tipo char que pode ser A, C, T e G), um tipo enumerado que pode ser ADESIVA, CEGA, NORMAL e ponteiros para o nó da base seguinte e da base anterior. No caso de DNAs circulares você deve estar atento para permitir que a lista seja circular. A sua estrutura de dados CadeiaDNA deve ser genérica, de maneira que a lista poderá ser convertida de linear para circular e vice-versa, conforme a necessidade. Este tipo de dados deve conter um campo que indique se no momento a lista é circular ou é linear. Pode ser útil também ter um campo que indique o tamanho da cadeia de DNA sendo armazenada (ou seja, o número de nós da lista em questão). 5

6 8.1 Recortando DNA linear Seu programa deve ser capaz de recortar cadeias de DNA usando a opção -cut. Note que ao ler um arquivo, não é possível determinar se a sequência se refere a uma cadeia linear ou uma cadeia circular. Para que o programa saiba que a sequência de entrada é uma cadeia linear, você usa o parâmetro adicional -l. Neste caso seu programa toma dois arquivos texto, o primeiro com a sequência genética linear e o segundo com um padrão que corresponde a uma enzima:./dnacrack -cut -l dna.txt enzima.txt A saída deverá ser um arquivo de texto contendo os segmentos resultantes do processo de recorte da cadeia descrita no arquivo dna.txt pela enzima descrita no arquivo enzima.txt. Note que o arquivo de saída poderá conter cadeias que podem ter uma, duas ou nenhuma ponta adesiva/cega. Atenção! Entrega da funcionalidade cut: às 13h00 do dia 09 de outubro de Recombinando DNA linear Seu programa também deve ser capaz de colar cadeias de DNA usando a opção -glue. De maneira similar ao caso anterior, para que o programa saiba que a sequência de entrada é uma cadeia linear você deverá usar o parâmetro adicional -l. A ideia é que seu programa tome dois arquivos texto e tente colar cadeias do segundo arquivo no primeiro arquivo. A execução ficaria:./dnacrack -glue -l dna1.txt dna2.txt Como resultado, o programa deverá tentar colar, um a um, cada segmento de dna2.txt no primeiro par disponível de segmentos (os segmentos são considerados na ordem em que aparecem nos arquivos) de dna1.txt, desde que haja casamento (a ordem em que os segmentos do arquivo dna1.txt é lexicográfica) e, caso não haja casamento, o programa faz uma segunda passada, mas desta vez, ao invés de serem tomados pares de segmentos de dna1.txt, serão tomados segmentos um a um, tentando fazer uma colagem para criar uma cadeia circular. Cada vez que for criada uma cadeia circular, o programa deve imprimir na tela uma mensagem indicando tal fato. Ao final de todo processo, o resultado deve ser gravado em um arquivo output.txt que deve conter o maior segmento obtido destes processos de colagem. O programa deve também gerar um arquivo chamado dump.txt contendo todos os segmentos restantes do primeiro arquivo seguidos por todos os segmentos do segunto arquivo que o programa não conseguiu utilizar para fazer processo de colagem. Mais precisamente, o processo é o seguinte: sejam as listas de segmentos S = s 1,..., s n e R = r 1, r 2,..., r m as duas listas de segmentos contidos no arquivo dna1.txt e dna2.txt respectivamente. O programa toma cada um dos segmentos r i sendo i = 1,..., m e, para cada um deles, primeiramente tenta encontrar um par de segmentos s j, s k S tal que seja possível fazer uma colagem cujo resultado seja s j r i s k ou s k r i s j. Caso não seja possível fazer isso com nenhum par de segmentos, tenta-se fazer uma colagem usando apenas um segmento de S, ou seja tenta-se fazer uma colagem obtendo-se um DNA circular s j ri ou r i s j. A ordem em que os segmentos de S são enumerados dois a dois no primeiro passo é lexicográfica, ou seja, são tomados segmentos (s 1, s 2 ), (s 1, s 3 ),..., (s 1, s n ), (s 2, s 3 ),..., (s 2, s n ),..., (s n 1, s n ), sendo que para cada um dos segmentos, tenta-se primeiramente fazer a colagem s j r i s k e em seguida a colagem s k r i s j. A ordem em que os segmentos de S são tomados para se fazer uma colagem obtendo-se um DNA circular é s 1, s 2,..., s n. 6

7 Atenção! Entrega da funcionalidade glue: às 13h00 do dia 22 de novembro de Recombinando DNA circular O seu programa poderá trabalhar com cadeias circulares de DNA que estarão armazenadas como sequências genéticas em um arquivo texto. O formato de arquivo é o mesmo, mas seu programa interpretará a cadeia como sendo circular. Para que seu programa faça isso, você deverá usar a opção -c. O objetivo desta parte do trabalho é fazer com que o programa tome como entrada dois arquivos com sequências genéticas e um terceiro arquivo contendo uma enzima com a seguinte linha de comando:./dnacrack -recombine -c dna1.txt dna2.txt enzima.txt Neste caso, o arquivo dna1.txt conterá uma única cadeia de DNA circular e o arquivo dna2.txt conterá uma única cadeia de DNA linear. Seu objetivo será simular o recorte pela enzima de ambas as cadeias e a colagem do primeiro segmento disponível de dna2.txt após a quebra e que contenha uma ponta cega e uma ponta adesiva (note que pode ocorrer que, após a quebra, o primeiro e o último segmento podem conter apenas uma ponta adesiva/cega) em pontos que a enzima quebra a cadeia de dna1.txt. A saída será apenas um arquivo contendo o DNA circular resultante. Atenção! Entrega da funcionalidade recombine c: às 13h00 do dia 22 de novembro de