Bioinformatyczne bazy danych

Transkrypt

1 Bioinformatyczne bazy danych

2 Czym jest bioinformatyka? Bioinformatyka jest nauką integrującą różne dziedziny wiedzy Gruca (2010)

3 Czym jest bioinformatyka? Bioinformatyka obejmuje technologie wykorzystujące komputery do przechowywania, pozyskiwania i rozpowszechniania danych dotyczących takich makrocząsteczek biologicznych jak DNA, RNA czy białka oraz do manipulowania tymi danymi. Luscombe i in. (2001) Bioinformatyka jest interdyscyplinarną dziedziną nauki obejmującą: - rozwój metod obliczeniowych służących do badania struktury, funkcji i ewolucji genów, białek i całych genomów, - rozwój metod wykorzystywanych do zarządzania i analizy informacji biologicznej gromadzonej w toku badań genomicznych oraz badań prowadzonych z zastosowaniem wysokoprzepustowych technik eksperymentalnych. Higgs, Attwood (2005)

4 Trochę historii 1950 metoda sekwencjonowania białek metodą degradacji Edmana 1965 Zuckerkandl i Pauling Evolutionary divergence and convergence in proteins ; Molecules as documents of evolutionary history 1965 Margaret Dayhoff Atlas of Protein Sequence and Structure 1970 pierwsze użycie terminu bioinformatyka jako badanie procesów informacyjnych w systemach biologicznych 1970 opracowanie pierwszego algorytmu komputerowego do porównywania sekwencji białkowych (Needleman, Wunsch) 1971 PDB (Protein Data Base) baza krystalograficzna 1977 sekwencjonowanie DNA (Sanger, Maxam, Gilbert) 1977 sekwencja genomu bakteriofaga ΦX pierwszy pakiet programów komputerowych do analizy sekwencji DNA (Staden R. Sequence data handling by computer Nucleic Acids Res. 4, )

5 Gauthier et al. Briefings in Bioinformatics, 2018, 1 16

6 1979 Los Alamos Sequence Database 1981 EMBL Data Library (European Molecular Biology Laboratory) pierwsze centralne depozytorium sekwencji nukleotydowych 1982 GenBank druga publiczna baza danych sekwencji nukleotydowych 1984 DDBJ (DNA Data Bank of Japan) 1984 PIR (Protein Information Resource) pierwsza publiczna baza danych sekwencji białkowych 1985 FASTP program do porównywania sekwencji białkowych 1988 FASTA program do porównywania sekwencji nukleotydowych 1988 Utworzenie NCBI (National Center for Biotechnology Information) 1990 udostępnienie narzędzia BLAST (Basic Local Alignment Search Tool)

7 Przełom XX i XXI wieku początek ery sekwencjonowania pełnych genomów 1995 genom Haemophilus influenzae 1997 genom E. coli 1997 genom drożdży S. cerevisiae 1998 genom nicienia Caenorhabditis elegans 1999 genom muszki owocowej 2001 genom człowieka 2005 genom szympansa Rozwój metagenomiki, która zajmuje się uzyskiwaniem i analizą sekwencji genomowych całych populacji a nie pojedynczych osobników. Mikrobiom przewodu pokarmowego człowieka prawie 568 miliardów par zasad. Projekt sekwencjonowania 1000 genomów (ilość wygenerowanych danych przekroczyła 4TB) Projekt sekwencjonowania genomów (Wielka Brytania) Projekt sekwencjonowania genomów bakterii patogennych Projekt sekwencjonowania genomów 1000 guzów z 33 rodzajów nowotworów (próbki od osób)

8 Biologiczne Bazy Danych Baza danych to komputerowe archiwum wykorzystywane do przechowywania i organizowania danych w taki sposób, żeby zawarte w nich informacje można było w prosty sposób pobierać, wykorzystując różne kryteria wyszukiwania (Xiong, 2006). Trzy kategorie biologicznych baz danych: Pierwszorzędowe (pierwotne) Surowe dane biologiczne, archiwa sekwencji lub dane strukturalne wprowadzane do baz przez naukowców (GenBank, PDB) Drugorzędowe (wtórne) Informacje przetworzone komputerowo, lub poprawione ręcznie na podstawie oryginalnych informacji z pierwszorzędowych baz danych (SWISS-PROT, PIR, Ref-Seq) Specjalistyczne (Ribosomal Database Project, HIV Database, OMIM - Online Mendelian Inheritance in Man)

9 Ile jest biologicznych baz danych? 2017 lista 1737 publicznych baz danych

10 Sekwencyjne Bazy Danych Bazy Sekwencji Nukleotydowych GenBank

11 Dwa kluczowe źródła bioinformatyczne NCBi i EBI Metabazy: bazy danych kojarzące ze sobą rekordy z wielu typów baz

12 Uzyskiwanie danych z wielu baz (45) poprzez system Entrez (Global Cross-database NCBI search)

13

14 Podstawowe informacje o ostatniej wersji GenBank Genetic Sequence Data Bank June NCBI-GenBank Flat File Release Distribution Release Notes 263,957,884,539 bases, from 209,775,348 reported sequences (260,189,141,631 bases, from 208,452,303 reported sequences April ) Uncompressed, the Release flat files require roughly 894 GB (sequence files only) Pierwsza upubliczniona wersja GenBank (Release 3; December 1982) zawierała 606 sekwencji o łącznej długości 680,338 zasad

15 Release 100, 15 April sequences, bases

16 GENBANK AND WGS STATISTICS

17 GENBANK AND WGS STATISTICS GenBank WGS W październiku 2017 roku w bazie Sequence Read Archive (SRA) znajdowały się sekwencje o łącznej długości 14 x nukleotydów

18 Pułapki związane z korzystaniem z pierwotnych baz danych - nie można traktować danych sekwencyjnych jako absolutnie niezmiennych i ostatecznych - każda sekwencja w bazach jest wynikiem eksperymentu, czyli mniej lub bardziej dokładnego procesu sekwencjonowania (np. zanieczyszczone sekwencje pełnych genomów eukariotycznych sekwencjami pochodzenia bakteryjnego) - problem błędnych adnotacji (przypisywanie genom funkcji) - Na podstawie przeprowadzonych analiz porównawczych dla 37 modelowych rodzin różnych białek enzymatycznych, które zostały dokładnie scharakteryzowane metodami eksperymentalnymi, pokazano, że automatyczna adnotacja funkcjonalna dla sekwencji aminokwasowych tych enzymów, z wykorzystaniem wybranych baz danych, może być błędna nawet na poziomie kilkudziesięciu procent dla sekwencji białkowych w obrębie danej rodziny. - problem wysokiej redundancji (nadmiarowości) danych

19 Pułapki związane z korzystaniem z pierwotnych baz danych. Rozwiązanie problemów: RefSeq: drugorzędowa (wtórna) baza danych sekwencji -nieredundantna baza danych, w której połączono sekwencje identyczne z tych samych organizmów oraz fragmenty tej samej sekwencji w jeden rekord -sekwencje białkowe stworzone z jednej sekwencji DNA są ze sobą wyraźnie połączone jako powiązane rekordy -warianty sekwencji pochodzące z tego samego organizmu, charakteryzujące się bardzo niewielkimi różnicami, które mogą wynikać z błędów w sekwencjonowaniu traktuje się jako wyraźnie powiązane rekordy Xiong (2006)

20 Analiza przykładowych rekordów bazy GenBank Numery dostępu sekwencji nukleotydowych w bazie GenBank: 1 litera + 5 cyfr 2 litery + 6 cyfr Np. sekwencje bezpośrednio zgłaszane do bazy posiadają następujący prefiks: D, AB, LC DDBJ U49845 AF L00727 V,X,Y,Z,AJ,AM, FM,FN,HE,HF, HG,FO,LK,LL, LM,LN,LO,LR, LS,LT U,AF,AY,DQ,EF, EU,FJ,GQ,GU, HM,HQ,JF,JN, JQ,JX,KC,KF, KJ,KM,KP,KR, KT,KU,KX,KY, MF,MG,MH,MK ENA GenBank NM_ NC_

21 Tabela cech Nagłówek wyświetlanie sekwencji w formacie FASTA Sekwencja

22 powrót do formatu GenBank Format FASTA > identyfikator sekwencji w formacie FASTA (pierwszy wiersz zawierający opis sekwencji lub jej nazwę) >sekwencja_1 GCACCCGAGGGCCGGTTCCCCTCACAAAGACCAAG >sekwencja_2 GTCAAGCGTCATTCTGCTGCCAAGCAACGTTGGAA >sekwencja_3 AGCGCAAGGCGCAGATTGCCGCGATACGCCGGTCATCCGGCGATCTCGT... >sekwencja_n

23 RefSeq The NCBI Handbook (2012)

24 Podział sekwencji zgodnie z ich typem lub pochodzeniem Gruca (2010)

25 Sprawdź sekwencje o poniższych numerach dostępowych w sekwencyjnych bazach danych EMBL (ENA) i DDBJ: AF L00727 NM_ NC_ Zapoznaj się z opcją wyświetlania rekordu w formie graficznej EMBL / NCBI.

26 Baza NCBI Gene Znajdź geny przez: Wolny tekst np. human muscular dystrophy Niekompletną (częściową) nazwę i podanie więcej niż jednego gatunku np. transporter[title] AND ("Homo sapiens"[orgn] OR "Mus musculus"[orgn]) Numer chromosomu i symbol np. (II[chr] OR 2[chr]) AND adh*[sym] Accession number np. M11313[accn] Nazwę genu (symbol) np. PRNP[sym] Publikację (PubMed ID) np [PMID] Ontologie Genów (GO) np. retinol transporter activity"[go] Chromosom i gatunek np. X[CHR] AND human[orgn] Numery Enzyme Commission (EC) np [EC]

27 Kwalifikatory wyszukiwania w bazie NCBI Nucleotide

28 Porady dotyczące korzystania z wyszukiwarki NCBI Operatory logiczne AND, OR i NOT powinny być zapisywane wielkimi literami. Domyślnie operator AND łączy dwa wprowadzone terminy. Operatory logiczne działają od lewej do prawej. Jeśli dodasz nawiasy, wprowadzony do nich termin będzie potraktowany jako jedna jednostka. Porównaj wynik wyszukiwania Entrez Gene poniższymi frazami: globin AND promoter OR enhancer globin AND (promoter OR enhancer) Zadania: 1. Gen dla ludzkiego białka lysine demethylase zlokalizowany jest na chromosomie Y. Utwórz zapytanie do bazy NCBI Gene, które da jeden wynik dla właściwego genu. 2. W bazie NCBI Taxonomy znajdź identyfikator dla E. coli K12. Wykorzystując identyfikator i kwalifikator [taxid] znajdź w bazie NCBI Gene rekord dla genu repb, kodującego białko replikacyjne.

29 Baza Gene zadanie -Wyszukaj w bazie NCBI Gene ludzki gen BRCA1. Zapoznaj się z elementami rekordu w bazie Gene -Podaj lokalizację chromosomową oraz liczbę eksonów genu BRCA1. -Podaj długość genu, mrna i kodowanego białka wykorzystując dane z odpowiednich rekordów bazy RefSeq. -Sprawdź informacje dotyczące genu BRCA1 w bazie SNP (single nucleotide polymorphism). -Korzystając z odpowiednich filtrów wyszukiwania sprawdź ile SNPów ma charakter mutacji frame shift a ile powoduje pojawienie się kodonu STOP.

30 Baza Nucleotide zadania: 1. Wyszukaj w bazie Nucleotide sekwencje o długości 1000 nt. Zawęź wyniki wyszukiwania do szympansa (użyj chimpanzee lub Pan troglodytes ) 2. Wyszukaj sekwencje nukleotydowe szczura w zakresie od 1500 do 2000 nukleotydów. 3. Znajdź sekwencje aminokwasowe białek krowy o ciężarze molekularnym od 5000 do Da. 4. Znajdź sekwencje aminokwasowe świni o długości 300 aminokwasów.

31 Narzędzie do zmiany formatu sekwencji Emboss Seqret 1. Wyszukaj w bazie GenBank sekwencję AF Korzystając z opcji Send zapisz na komputerze plik z sekwencją w formacie GenBank (plik z rozszerzeniem.gb). Korzystając z narzędzia emboss seqret przekształć zapisaną sekwencję do formatu EMBL. 2. Wykorzystaj powyższe narzędzie do utworzenia pliku z sekwencją w formacie EMBL i GenBank z pliku w formacie.ab1 (ćwiczenie 2 sekwencja.ab1).

32 Pobieranie wielu sekwencji na podstawie ich numerów dostępowych Batchentrez Znajdź w bazie Pubmed artykuł opisujący ewolucję molekularną białka OmpC bakterii z rodzaju Yersinia. Otwórz pełną wersję artykułu. Poszukaj sekcji Supplementary material i otwórz znajdujący się tam plik. Skopiuj wszystkie numery dostępowe sekwencji rozpoczynające się od KR dla gatunku Yersinia intermedia. Utwórz plik tekstowy z pobranymi numerami. Wykorzystaj utworzony plik do pobrania z bazy GenBank sekwencji w formacie FASTA. Inny sposób to wykorzystanie kwalifikatora [accn].

33 Przeglądarki Genomów NCBI Genome Data Viewer ENSEMBL USCS Zapoznaj się z najnowszymi informacjami dotyczącymi genomu człowieka, korzystając z przeglądarki ENSEMBL i NCBI Genome Data Viewer. Porównaj informacje z wydania GRCh 37 i GRCh 38

34 Guo i in. (2017) Genomics 109:83-90

35