Roteiro. Principais Tarefas. Biologia Computacional e Bioinformática. Motivação. Motivação. Biologia Molecular, IA e bioinformática

Transcrição

1 Biologia Molecular, IA e Bioinformática Ana Lúcia C. Bazzan Universidade Fed. do Rio Grande do Sul Instituto de Informática {bazzan@inf.ufrgs.br} Roteiro Biologia Computacional e Bioinformática características e principais objetivos Biologia Molecular: uma introdução Projetos Genoma Inteligência Artificial em Ferramentas de Bioinformática sequenciamento anotação Biologia Computacional e Bioinformática Bioinformática uso de computadores em aplicações da área de biologia (tecnologia e infra-estrutura computacional) análise de dados provenientes do genoma (elucidar processos biológicos complexos) diagnósticos de doenças, desenvolvimento de novos fármacos Biologia computacional estudo de sistemas moleculares naturais e artificiais novos paradigmas de computação baseada em DNA Principais Tarefas Algumas tarefas associadas à bioinformática em projetos Genoma: receber e armazenar sequências montar o genoma disponibilizar ferramentas para anotação do genoma comunicação com repositórios de dados (incluindo envio) Tarefas específicas para Inteligência Artificial auxiliar anotação... Motivação encontrar mais rapidamente um fármaco para uma patologia específica; alguns aspectos do processo de descoberta científica e de desenvolvimento de fármacos migrarão para biologia in silico bioinformática tem o potencial de mudar a biologia e a medicina genoma sem bioinformática não conseguirá sobreviver face à concorrência, especialmente no mundo dos negócios associados à biotecnologia Motivação volume de dados é de altíssima ordem Incyte Genomics: 20 milhões de pares de bases de DNA / dia Celera Genomics: afirma possuir 50 terabytes de dados armazenados ( 80 mil CDs) apenas os bancos de dados que armazenam sequências! adicionalmente: expressões gênicas (quando e onde um gene se expressa), diferenças genéticas entre indivíduos (singlenucleotide polymorphisms ou SNP), estruturas de proteínas, interação de proteínas, referências a publicações científicas (artigos, revistas, livros, etc.).

2 Uma Analogia O Genoma Humano genoma livro cromossomos capítulos genes estórias exons parágrafos (interrompidos por introns) codons palavras ~3 bilhões pares de bases (bp) 30K - 60K genes ~ gene/~30kbp ~6 exons/gene ~50 bp/exon genes: onde estão e como se parecem? bases letras (A,C,G,T) Seleção e Evolução Biologia Molecular busca em espaço de características possíveis para os organismos espaço precisamente definido 4 letras em uma dupla fita (2 sequências lineares) tradução e transcrição: complexa genótipo x fenótipo: codificação genética x características físicas busca é sobre espaço do genótipo seleção é sobre espaço do fenótipo célula procariotos: sem núcleo ou outras organelas; DNA circular => bactérias eucariotos: núcleo e organelas (e.g. mitocôndria) => animais, plantas, leveduras, fungos célula somática: divisão em 4 fases; é especializada (e.g. 4 tipos em tecidos) questão em aberto: COMO, QUANDO??? célula reprodutiva: divide-se via meiose Biologia Molecular composição da célula: núcleo, citoplasma, material genético e mecanismos para sua tradução em proteínas, membrana membrana: lipídio (hidrofóbico) + grupo fosfatado (hidrofílico) material genético: DNA ou RNA (carga negativa) proteína: molécula responsável por maioria das funções da célula estrutura primária: sequência de amino-ácidos (20 tipos) cadeia: até 4500 a.a. => espaço de busca = ácidos nucléicos DNA e RNA polímeros formados a partir de nucleotídeos: adenina, citosina, guanina, timina dupla fita, hélice dupla A com T (U no RNA) C com G cada fita: cabeça (5 ) e cauda (3 ) motifs: padrões de amino-ácidos na sequência 2

3 Proteínas funções: estrutura da célula, enzimas, ativação/desativação de genes, sensores, atuadores, detectores (sistema imunológico) cada célula tem mesmo DNA; cada tipo de célula gera proteínas diferentes constituição: amino-ácidos átomo C + grupo amino (NH 3 ) + grupo carboxil (COOH) + cadeia variável Proteínas estrutura primária: cadeia de amino-ácidos 3 nucleotídeos formam um codon que especifica um aminoácido (são 20 ao todo) 4 3 = 64 => redundância estrutura secundária: arranjos locais (alfa hélices, fita beta, coils etc.) estrutura terciária: depende da posição dos átomos após o folding estrutura quaternária: partes ativas / inativas O Dogma Central Tradução DNA - mrna - trna - proteína etapas: transcrição de uma porção de DNA (via promotores) em RNA mensageiro (ligação de uma RNA polimerase com uma parte da molécula de DNA) splicing: junta os exons; transporte para for a do núcleo tradução: mrna é usado como blueprint para produção de amino ácidos (no ribosomo) que constituem as proteínas folding da proteína, transformações pós translacionais (elementos distintos podem mudar a forma e a atividade) transporte da proteína para onde ela exerce sua função O Dogma Central Sinais em Genes Exon Exon 2 Exon 3 Exon 4 5 Intron Intron 2 Intron 3 TRANSCRIPTION 3 DNA pre-mrna Exon Exon 2 Exon 3 Exon 4 DNA Intron Intron 2 Intron SPLICING Promoter Splice site Splice site Pyrimidine polya signal mrna TATA GGTGAG CAG tract TRANSLATION AUG - X X n - STOP Translation Initiation ATG Branchpoint CTGA C Stop codon TAG/TGA/TAA protein sequence (primary) 3

4 Genoma, Transcriptoma, Proteoma Genoma Sequenciar e montar o material genético (DNA) de um organismo Transcriptoma Encontrar os genes expressos (EST) Proteoma Encontrar as proteínas sintetizadas fig. Kitajima, Unicamp/Fapesp) Sequencing Labs Annotation Gene Identification WWW Function and Structure Genoma DNA Sequences WWW WWW Genome Assembly Sequence Data Base Genoma Fases de um Projeto Genoma Sequenciamento G C A T fig. Kitajima, Unicamp/Fapesp) Montagem de um Genoma Fases de um Projeto Genoma Gaps fig. Kitajima, Unicamp/Fapesp) Contigs Assembler: Phrap ( Complete Genome 4

5 Anotação Básica e Submissão Fases de um Projeto Genoma Alignment program : BLAST/FASTA PDB SwissProt GenBank PIR COG PFAM... Gene Organism E-value dnaa E. coli e-00 dnaa S.flexineri e-89 dnaa X.campestris e HS0998 Homo sapiens 4.0 fig. Kitajima, Unicamp/Fapesp) Repositórios de Dados NCBI (national center for biotechnology information): criado em 988 responsável por: criar Bancos de Dados públicos conduzir pesquisas na área de biologia computacional desenvolver ferramentas de software próprias para análise de dados de genoma disseminar informações biomédicas Genbank Banco de dados de sequências de nucleotídeos gerados a partir do sequenciamento de DNA Desde 982 o número de bases dobra a cada 4 meses Modelo de Dados Bancos de dados de seqüências e as ferramentas de acesso do NCBI foram construídos a partir de um Modelo de Dados particular Modelo de dados simples e poderoso o suficiente para agregar dados heterogêneos sequências de nucleotídeos e amino-ácidos estruturas tridimensionais publicações (Medline) Ferramentas para se Encontrar a Estrutura de um Gene Porque algoritmos? mais rápido e limpo que bancada poda possibilidades fornece pistas para bancada Encontrar similaridades: localização rápida e montagem das regiões conservadas e com similaridade Métodos não baseados em similaridade nicho para Inteligência Artificial 5

6 e s u o C M BLAST basic local alignment search tool BLAST é um algoritmo usado por uma família de cinco programas que procuram por similaridade Métodos estatísticos são utilizados para julgar se a similaridade é significante O resultados final da busca é apresentado por ordem de significância Alinhamento por Similaridade Alinhar para encontrar pontos chave entre sequências Por comparação: quanto melhor similaridade, maior o escore Exact matches of individual sequence letters The individual are marked local on the alignments comparison can The graph. be collected connected This strips alignment to of form identity clearly a global can shows be thought the regions of as of short identity local between alignments the If within two we alignment. cast sequences the edges Some of diagonals these are diagonals excluded the global towards in favor alignment. each of a axis, better These we global can local alignment. easily stretches depict the form local diagonals alignment: within the Mouse: graph. GCC TTG GCC Human: GCC TTG GCC e M A A G G G G C C T T T T G G C C C C T T A A A A Human sequence Complexidade predição envolve rearranjos no alinhamento (substituição, inserção, deleção, duplicação, inversão de bases) alinhamento de sequências curtas: complexidade para atingir alinhamento ótimo é desprezível alinhamento de segmentos de cromossomos: deseja-se um resultado ótimo em período de semana Alinhamento Múltiplo motivação: bancos de dados de proteínas são categorizados por famílias (Pfam, PDB, prosite, etc.) construir um bom alinhamento que represente a família método da soma dos pares (SP): valor para alinhamento de k strings é dado pela soma de todos os alinhamentos dois a dois com complexidade O((2n) k )!!! consensus string: a c - c g t - - c - a g t g a - t c g a g a c - c g t g Métodos não Baseados em Similaridade Codon bias vários codons codificam um amino-ácido codon aparece mais que os demais Sinais em sequências (podem levar a sobre estimação do número de genes se sinal for fraco) GENSCAN exemplo de utilização de hidden markov models (HMM) aspectos positivos: flexível, processos probabilísticos não necessita de similaridades com genes conhecidos melhores resultados em termos de sensibilidade e especificidade aspectos negativos: podem ser complicados, necessita treinamento viés em relação ao conjunto de treinamento 6

7 Modelo Oculto de Markov Autômato com probabilidades de transição e emissão Modela um processo aleatório em um nr. finito de estados X i- X i X i+ Hipótese de Markov: cadeia não tem memória; o estado corrente depende apenas do estado anterior Modelar sequências de resíduos de forma aleatória Treinar modelos a partir de dados reais Exemplo ACTGCGTATTTGTGTTG sequência observada IIIIIIEEEEEEEIIIIIIIIIIIIIII modelo? IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII modelo 2? IIIIEEEEEEEEEEIIIEEEEE modelo 3?.. aqui: I = intron e E = exon I s e E s são os estados ocultos ATG Simple Hidden Markov Gene Model End 0. Exon 0.9 TAA 0.9 A 0.9 C 0.03 G 0.04 T 0.03 A 0.45 C 0.05 G 0.05 T A 0.25 C 0.25 G 0.25 T 0.25 Intron 0.8 identificação de regiões funcionais em sequências sítio = sequência (curta) contendo algum sinal amostra A de sítios de compr. n amostra B de não sítios de compr. n dada uma seq. s de compr. n, qual a prob. de ser um sítio? Exemplo cyclic AMP receptor protein (CRP): fator de transcrição na E. Coli sítios de aprox. 22 nucleotídeos, sinal mais forte entre 3 e 9 amostra de 23 sequências Estatística tabela n x nr. de resíduos possíveis (aqui A C G T) 7

8 Probabilidade para testar sítios seja t=t t 2 t n uma seq. aleatória de A A r, j = P r (t j = resíduo qualquer) ou seja A r, j é a prob. de que o j-ésimo resíduo da seq. t seja um dado resíduo, dado que t é uma seq. retirada aleatoriamente de A ex.: o resíduo na pos. tem 35% de prob. de ser uma adenina, 7% de ser uma citosina etc. Hipótese de independência: resíduo na pos. j independe dos resíduos que ocorrem nas demais posições (nem sempre válida!) Definição: dois eventos prob. E e F são independentes se as prob. de ambos ocorrerem for igual ao pord. das prob. de cada um ocorrer: P(E & F) = P(E) * P(F) prob. de uma seq. aleatoria r r 2 r 3 r n é: P r (t = r r 2 r 3 r n ) = P r (t =r & t 2 =r 2 & t n =r n ) = P r (t j = r j ) = A r, j Exemplo qual a prob. de uma CRP escolhida randomicamente ser a seq. TTGTGAC? P r (t = TTGTGAC ) =.35 *.87 *.78 *.9 *.83 *.83*.3 = notar que TTGTGAC é a seq. de maior prob.! taxa de probabilidade (likelihood ratio) seja B uma amostra de não sítiosretirada aleatoriamente usando A e B, pode-se dizer se uma seq. stem mais prob. de ser um sítio ou um não sítio [ denota-se LR(A,B,s) ] dada a seq. s = s s 2 s n, LR ( A, B, s ) é definida: Pr ( t = s t sítio) LR( A, B, s) = = P ( t = s t nãosítio) r n As j j = n Bs j j =, j, j = n As B j, j j = s j, j exemplo seja B = {A,C,G,T} 7 o conj. de todas as seq. não sítios de compr. 7 uma amostra B tem B r, j = 0.25 para qq. r e j assim, para s = TTGTGAC : n As j, j LR( A, B, s) = = = B (0.25) essa taxa é boa ou ruim??? necessita um limiar L j= s j, j normalmente se usa o log likelihood ratio (LLR) para evitar problemas de overflow ou underflow numérico As j, j n j= log 2 LR( A, B, s) = log2 n = log j= Bs j, j n j= A n s j, j 2 = Bs j, j j= Ws j, j 8

9 Entropia: Entropia mede a quantidade de informação função de um conj. χ (p.ex. de letras) e X é uma var. aleatória sobre χ def.: exemplo Entropia apostar em cavalos (8 por páreo) enviar msg. c/ aposta (+ curta possível) 8 cavalos com igual probabilidade => 3 bits H ( X ) = p( x) log p( x) x χ Entropia se prob. a priori de cada cavalo é: /2 (c), /4 (c2), /8 (c3), /6 (c4), /64 (c5 a c8) então H(x) sobre os 8 cavalos é: H ( X ) = p( i) log p( i) i= H(x) = 2 bits (média dos bits necessários) codificação: 0 (c), 0 (c2), 0 (c3), 0 (c4), etc. 8 Entropia Relativa B r, j é dita distribuição de fundo (background distrib.) dos resíduos r no genoma B r, j nem sempre é 0.25: M. jannaschii : B A, j = B T, j = 0.34 B C, j = B G, j = 0.6 Entropia Relativa Entropia Relativa exemplo calcular o profile, LLR e a entropia relativa para os sítios: ATG, ATG, ATG, ATG, ATG, GTG, GTG, TTG (assumir B r, j = 0.25 ) 9

10 Entropia Relativa entropia relativa total é 4.7 contribuição informacional de cada resíduo: na segunda posição: toda contribuição vem do resíduo T: 2 bits de informação (o fato de que o resíduo é sempre T pode ser codificado com 2 bits) na primeira posição: entropia relativa é 0.7 ( 0.7 bits de informação): indica que nesta posição a distr. se aproxima mais da distr. de fundo exemplo 2 Entropia Relativa recalcular o profile, LLR e a entropia relativa para os sítios: ATG, ATG, ATG, ATG, ATG, GTG, GTG, TTG (assumir agora B A, j = B T, j = e B C, j = B G, j = 0.25) Entropia Relativa Fases de um Projeto Genoma exemplo 3 calcular o profile, LLR e a entropia relativa para a cyclic AMP receptor protein (CRP) Maiores Informações Sites da moda estão constantemente mudando Populares