Bioinformatyka wykład I.2009

Wielkość: px

Rozpocząć pokaz od strony:

Download "Bioinformatyka wykład I.2009"

Sabina Dąbrowska
4 lat temu
Przeglądów:

1 Bioinformatyka wykład I.2009 biologia systemów biologiczne dane wielowymiarowe Krzysztof Pawłowski

2 Plan wykładu Biologia systemów Bazy danych ekspresji genów Analiza danych ekspresji genów, sieci zależności Symulacje ścieżek sygnalizacyjnych Pan-genomy

3 Systems biology field of study, particularly, the study of the interactions between the components of biological systems paradigm : "Systems biology...is about putting together rather than taking apart, integration rather than reduction

4 Systems biology since 1993?

5 Terminologia wielkoskalowe analizy biologiczne = high-throughput biology = omics (genomics, proteomics, metabonomics,...)

6 Typowe zastosowania analiz wielkoskalowych Poszukiwanie molekularnych cech charakterystycznych zjawisk i procesów biologicznych, np. biomarkerów diagnostycznych Poszukiwanie molekularnych mechanizmów zjawisk i procesów biologicznych, np. możliwych scenariuszy terapeutycznych

7 Gdzie lepiej widać biologię?

8 Gdzie lepiej widać biologię?

9 Plan wykładu Biologia systemów Bazy danych ekspresji genów Analiza danych ekspresji genów, sieci zależności Symulacje ścieżek sygnalizacyjnych Pan-genomy

10 Ekspresja genów to nie tylko dane liczbowe w przestrzeni genów można określić wiele metryk próbki geny zdrowi chorzy

11 Ekspresja genów to nie tylko dane liczbowe z każdą próbką związane mogą być setki parametrów, liczbowych i jakościowych próbki dane demograficzne, kliniczne, historia chorób, styl życia geny zdrowi chorzy

12 Bioinformatyka wielkoskalowa High-throughput bioinformatics

13 Bioinformatyka wielkoskalowa High-throughput bioinformatics

14 interpretacja: od list genów o zmienionej ekspresji do zrozumienia biologii Analiza skupień (clustering) Analiza wzbogacenia zbiorów genów (gene set enrichment analysis) Mapowanie danych ekspresji na sieci zależności biologicznych

15 Przykłady metod analizy danych ekspresji Analiza skupień (clustering) Poszukiwanie grup genów o podobnych profilach ekspresji

16 interpretacja: od list genów o zmienionej ekspresji do zrozumienia biologii Analiza wzbogacenia zbiorów genów (gene set enrichment analysis) poszukiwanie cech, w które pewne grupy genów, np. skupienia (klastry), są wzbogacone np. anotacji funkcjonalnych statystyczna analiza anotacji

17 interpretacja: od list genów o zmienionej ekspresji do zrozumienia biologii Mapowanie danych ekspresji na sieci zależności biologicznych wyszukiwanie podsieci (subnetworks) złożonych z genów o charakterystycznej ekspresji

18 Biomedical Entity Relationship System Literature Gene Expression Proteomic Metabonomic Significant Biological Entity List: Gene List Protein List Metabolite List Biomedical Entity Relationship System Question: What is the underlying biology, pathology, physiology etc associated with this list of entities? What is it telling me? Biological environment of the list. A software tool that enables the user to rapidly extract biological information from biological entity lists Canonical pathways associated with the list A map of the Genetic relationships within the literature focusing on gene/protein, metabolite, drug, disease, biological Diseases, Biological process concepts processes and 18 associated their with relationships the list

19 Nowe odkrycia novelty Trend. Czy tworzymy więcej nowości? Czy mamy modę na chwalenie się rzekomą nowością? Czy analizy wielkoskalowe prowadzą do odkrywania nowości?

20 Czy omika prowadzi do nowości? temat 1 oraz temat 2 Liczba artykułów % omiki omika % omika omika nowe geny geny docelowe dla leków ,4% 596 0,5% Kwerenda w Medline , tytuły i streszczenia

21 Sposoby i powody unikania nowości Wczesne analizy wielkoskalowe miały charakter proof-of-concept kontroli technicznej metody Niewiara w dokładność metod wielkoskalowych Skupienie uwagi na znanych genach i scenariuszach powody praktyczne (łatwiejsze zastosowania) Bioinformatyka daje szansę na pełniejsze wykorzystanie danych wielkoskalowych

22 Sposoby i powody unikania nowości Przykład: Crystal et al. Skupienie uwagi na znanych genach i scenariuszach. Przeanalizowali 44 geny spośród o zmierzonej ekspresji Am J Respir Cell Mol Biol. (2003) 29):

23 Biologia systemów Gene-centric approach vs gene-set (pathway) approach differentially expressed pathways instead of differentially expressed genes

24 Plan wykładu Biologia systemów Bazy danych ekspresji genów Analiza danych ekspresji genów, sieci zależności Symulacje ścieżek sygnalizacyjnych Pan-genomy

25 We want to inhibit a signalling pathway: receptor protein to biological effect. Simple?

26 Not so simple. Sets of differential equations used

27 Symulacje ścieżek sygnalizacyjnych Lauffenburger et al. (2008), Interleukin-7 receptor signaling network

30 Plan wykładu Biologia systemów Bazy danych ekspresji genów Analiza danych ekspresji genów, sieci zależności Symulacje ścieżek sygnalizacyjnych Pan-genomy

31 pan-genome The microbial pan-genome, Medini et al. (2005) how genomics can describe a bacterial species? in some species, new genes are discovered even after sequencing the genomes of several strains mathematical modeling predicts that new genes will be discovered even after sequencing hundreds of genomes per species. a bacterial species can be described by its pan-genome, a core genome containing genes present in all strains, a dispensable genome containing genes present in two or more strains genes unique to single strains pan-genome of a bacterial species might be orders of magnitude larger than any single genome

32 Geny wspólne różne gatunki z rodzaju Streptococcus

33 pan-genome core genome Trzy gatunki z rodzaju Streptococcus

34 What future brings? growing apprehension of multidimensionality in biology combining macroscopic (e.g. clinical) science and molecular biology: global and molecular phenotype comparative genomics, community genomics functional network analysis, simulation of pathways - enzymatic, signalling, regulatory whole cell simulations, and beyond automated text mining integration, integration, integration,

Podobne dokumenty

Public gene expression data repositoris

Public gene expression data repositoris GEO [Jan 2011]: 520 k samples 21 k experiments Homo, mus, rattus Bos, sus Arabidopsis, oryza, Salmonella, Mycobacterium et al. 17.01.11 14 17.01.11 15 17.01.11 16