CONSTRUÇÃO DE UMA BASE DE DADOS GENÉTICOS A PARTIR DE UM INVENTÁRIO DE INTRONS PROCESSADOS EM GENOMA HUMANO

Transcrição

1 CONSTRUÇÃO DE UMA BASE DE DADOS GENÉTICOS A PARTIR DE UM INVENTÁRIO DE INTRONS PROCESSADOS EM GENOMA HUMANO MARTINS, Mirkos O. 1 ; FAGAN, Solange B. 1 1 Doutorado em Nanociências do Centro Universitário Franciscano (UNIFRA), Santa Maria, RS, Brasil mirkos@unifra.br; sfagan@unifra.br; RESUMO Este trabalho apresenta o desenvolvimento de uma base de dados sobre os íntrons do genoma humano. Até o momento não existe uma explicação satisfatória sobre o funcionamento dos íntrons (trechos não codificantes) no conjunto de sequência de bases no genoma dos humanos. Com essa motivação, a pesquisa acerca do íntron é justificada como necessária para o conhecimento do genoma, a compreensão dos elementos na reprodução celular e como funcionam partes não codificantes de proteínas. A metodologia utilizada envolveu o download do arquivo contendo os íntrons, mantido pela Universidade de Toledo, EUA, processamento em Java e construção da base de dados conforme os objetivos de estudo no doutorado. O resultado foi uma base de dados com mais de seis milhões de registros contendo íntrons e associados ao DNA. Conclui-se que essa base de dados possui os requisitos ao estudo dos introns interligados a uma base de informações externa, o PubMed. Palavras-chave: Intron, Genoma, Base de Dados. 1. INTRODUÇÃO A definição de uma base de dados genética contendo informações sobre o genoma humano é uma preocupação da comunidade científica desde a descoberta da estrutura do DNA. Com o desenvolvimento de técnicas de sequenciamento genético, o volume de informações coletadas aumentou consideravelmente possibilitando o armazenamento de dados genéticos em extensos bancos de dados espalhados pelo mundo. Com o uso de sequenciamento em laboratórios espalhados geograficamente em todo o globo, cada um deles possuía seu conjunto de informações sem a interligação de conhecimento entre laboratórios, ou motivados pela falta de tecnologia ou motivados pela concorrência científica. Ainda para piorar o cenário de isolamento das informações, nos primeiros anos de sequenciamento havia concorrência entre os laboratórios para se definir quais foram os responsáveis pelo primeiro sequenciamento de determinadas espécies. Assim foram sequenciadas bactérias, plantas, insetos, pequenos roedores até chegarmos ao sequenciamento completo do genoma humano. Finalizada a fase de competição, os laboratórios amadureceram para a ideia de compartilhar informações com o objetivo de aperfeiçoar suas pesquisas em prol das funções 1

2 do DNA ao invés de somente sequenciá-lo. Com a colaboração entre laboratórios, foram crescendo as bases de informações genéticas e nesse sentido surgiram iniciativas de gerenciar o conteúdo de forma a torna-lo padrão a todas as instituições envolvidas no seu processamento entre Universidades, Laboratórios e Indústria. Dentre as iniciativas encontra-se o PubMed (EBBERT, 2003), cujo objetivo é fornecer uma base de dados centralizada, classificada e com toda a informação tratada de forma a constituir um padrão de pesquisa e desenvolvimento. Após o período de amadurecimento na construção das bases genéticas em diferentes iniciativas ao redor do mundo, identificou-se a necessidade da construção de uma base de dados que fizesse o tratamento nos registos e apresentasse a diferenciação entre éxons e íntrons. Figura 1: Éxons e Íntrons na transcrição de informações gênicas Fonte: Gloster EDU, 2012, chap 12. Conforme pode ser visto na Figura 1, o DNA é formado por diferentes trechos de informação, identificados como Íntrons e Éxons (OHNO, 79, ZHU, 2009). Os Íntrons são os trechos que a princípio não codificam proteínas enquanto os éxons são responsáveis pela codificação de proteínas e, portanto, participam na construção dos mrna (RNA mensageiro) através da fase de transcrição celular. O foco desse trabalho é justamente estudar os íntrons através da armazenagem e classificação dos trechos de DNA que são eliminados na fase de transcrição. Esse conjunto de bases está armazenado em um arquivo, mantido por uma universidade médica norte americana (SHEPELEV, 2009), os quais serão explicados a seguir. 2

3 2. METODOLOGIA Construção da base de dados de íntrons A construção da base de dados seguiu uma sequência de atividades, a primeira fase ocorreu conforme visto na Figura 2. Figura 2 Diagrama de construção da base de íntrons Foram seguidas as seguintes etapas para a construção da primeira versão da base de dados: Download do arquivo oficial de sequências de bases formadoras de íntrons da Universidade de Toledo, Ohio, EUA. Extração das informações do arquivo e armazenamento na forma de uma base de dados relacional. O primeiro passo, o download do arquivo, obedeceu a um critério de verificação no final do processo para verificar a autenticidade e integridade dos dados através da contagem de bits listados no arquivo original e do arquivo armazenado localmente. Não foi possível a utilização de técnicas mais sofisticadas, como chaves MD5 (BOHER, 1994), devido à inexistência da informação no lado do provedor do arquivo. O segundo passo envolveu o desenvolvimento de um programa de reconhecimento, escrito na linguagem Java (ZIVIANI, 2007), para separar os trechos de informação do arquivo fonte obtido através de download em unidades que foram armazenadas em tabelas em uma base de dados local, construída em mysql, chamada intronbase e apta para 3

4 consultas. Para efetivar o segundo passo houve o estudo do formato do arquivo fonte para a devida compreensão e divisão das estruturas de conhecimento em cada trecho de íntron, como segue no trecho abaixo: >30A_NT_ protein_id:np_ ;homo sapiens chromosome 1 genomic contig./gene= Cab45 ;intron(phase:u21110,size:2945,4499,474,4316,135,769,intr_sum:131 38); exon(size:110,479,137,114,159,176,780,ex_sum:1955);{splice:gtag,gtag,gtag,gtag,gtag, gtag}; CDS_start=3209, CDS_end¼14490, CDS_len=1089 A linha inicia-se com o número de série do EID (Exon-Intron Database, ou base de dados de éxons e íntrons), no gene (30 neste exemplo). A letra opcional após o número do gene mostra que existem várias isomorfas (codificações equivalentes) alternativas no banco de dados genéticos GenBank (HENNELL, 2012). Cada isomorfa no banco de dados tem um código de letra única a partir de "A", e continua como se segue: {A, B, C,..., Z, AA, AB,..., Etc.} A ordem dos genes no EID segue as do GenBank, e, portanto, corresponde para a ordem física dos genes nos cromossomas. Assim, os genes vizinhos no genoma sempre têm números consecutivos em EID. Seguido o número de genes EID e underscore ("_"), é o nome do contig a que este gene pertence (NT_ neste exemplo). Ele é seguido pelo identificador de proteína (NP_ ), as espécies e informação cromossoma, e o nome comum do gene (Cab45, neste caso). Estes dados são tomados a partir do registro GenBank correspondente. Informações sobre as fases de íntrons, os tamanhos dos íntrons (em nucleotídeos), tamanho total de todos os íntrons, os tamanhos dos éxons, o tamanho total de todos éxons e sítios de splice são fornecidos também. A segunda fase da construção da intronbase envolveu a ligação entre informações dos íntrons com publicações mantidas no PubMed. Para isso foi estudado o conjunto de serviços fornecidos pela NLM (US National Library of Medicine) livremente sob a forma de web services (CERAMI, 2002) na internet. Figura 3: Conexão com bases de dados externas 4

5 A ligação com as bases externas da base intermediária de íntrons (intronbase), seguiu o formato conforme a arquitetura da Figura 3: um localizador de gene fazia a leitura na tabela local do intronbase e buscava informações no PubMed através de web services, retornando ou um conteúdo relacionado com o setor do gene ou um sinal indicando não haver informação cadastrada para aquele gene. A partir do gene também é feita uma leitura no GenBank e com essas informações, é construída localmente uma malha de relação entre o íntron, o gene, sua estrutura e os estudos relacionados (palavras-chave), conforme Figura 4. Figura 4: Relacionamentos internos no Banco de Dados (final) A versão final do primeiro conjunto de dados para o trabalho de doutorado consiste no relacionamento entre o arquivo original de íntrons juntamente com os dados retornados da base PubMed e GenBank. Para o aprimoramento da base de dados, serão aplicados na sequência de trabalhos, um cálculo de contagem de cada tipo de base genética e também a verificação do comprimento x localização no gene para a procura de padrões na ocorrência de íntrons. 3. CONCLUSÃO O estudo mostrou que a construção da base de dados foi relativamente rápida, porém trabalhosa no sentido da compreensão dos campos no arquivo de íntrons original da universidade norte-americana. A parte de ligação dos dados das tabelas na base de dados crua inicial foi trabalhosa também no tempo que dependia a ligação de conectar e validar os dados com as informações contidas no PubMed. Os registros resultantes do processamento atingiram um número maior que seis milhões de linhas, tornando a quantidade de dados para eventuais consultas altamente coesa com as informações pertinentes à cada gene contidos no PubMed e GenBank. 5

6 REFERÊNCIAS BOHER, B. BOSSELAER A. Collisions for the compression fuction of MD5, Advances in Cryptology EUROCRYPT 93, Springer Berlin, CERAMI, E. Web Services Essentials, O'Reilly & Associates, Inc. Sebastopol, CA, USA ISBN: EBBERT J. O. Searching the Medical Literature Using PubMed: A Tutorial, Mayo Clinic proceedings. Mayo Clinic 1 January 2003 (volume 78 issue 1 Pages DOI: /S (11)61834-X) HENNELL, J. R. et al Using GenBank for Genomic Authentication: A Tutorial. Methods in Molecular Biology, 2012, Volume 862, , DOI: / _15 OHNO, S. So much junk dna in your genome. Brookhaven Symp Biol, v.1, n. 23, p , SHEPELEV, V. FEDOROV A. Advances in the exon-intron database (EID). Briefings in Bioinformatics, v. 7, n. 2, p , ZIVIANI, N. Projeto de algoritmos com implementação em Java e C++. São Paulo. Thomson, São Paulo ZHU, L. Et al. Patterns of exon-intron architecture variation of genes in eukaryotic genomes. BMC Genomics, v.10, n.47, Jan