BIOINFORMATYCZNE TERNAPIE GENOWE

Transkrypt

1 Liczby - Komputery - Życie BIOINFORMATYCZNE TERNAPIE GENOWE dr Jacek Śmietański jacek.smietanski@ii.uj.edu.pl Źródło grafiki: 1

2 Agenda Terapie genowe wprowadzenie Niskocząsteczkowe RNA i mechanizm interferencji Algorytmy przewidywanie mirna i ich celów Możliwości wykorzystania w medycynie 2

3 1. Terapie genowe wprowadzenie Niskocząsteczkowe RNA i mechanizm interferencji Algorytmy przewidywanie mirna i ich celów Możliwości wykorzystania w medycynie TERAPIE GENOWE 3 Jacek Śmietański, Kraków 2012

4 Przepływ informacji biologicznej DNA mrna białko trna rrna...rna 4

5 Terapie genowe - wprowadzenie Źródło: Kayser O., Muller R. H. Biotechnologia farmaceutyczna PZWL, Warszawa

6 Terapie genowe strategie i zastosowanie Źródło: 1.Komplementacja defektu genetycznego. 2.Korekta mutacji. 3.Zahamowanie ekspresji zmutowanego genu. 4.Eliminacja komórek. 5.Nadanie komórkom nowych cech fenotypowych. 6

7 1. Terapie genowe wprowadzenie 2. Niskocząsteczkowe RNA i mechanizm interferencji Algorytmy przewidywanie mirna i ich celów Możliwości wykorzystania w medycynie INTERFERENCJA RNA 7 Jacek Śmietański, Kraków 2012

8 Rodzaje RNA Źródło grafiki: Levy Y., MicroRNA The Computational Challenge,

9 Mechanizm interferencji RNA Film: 9

10 Powstawanie i działanie mirna (1) Źródło grafiki: 10

11 Powstawanie i działanie mirna (2) Źródło grafiki: 11

12 mirna, sirna porównanie, strategia sirna mirna Źródło: Ravi K. Gutti, Introduction to microrna,

13 mirna - przykłady Źródło: Eric Segal, RNA folding 13

14 Liczba informacji Vergoulis T et al. Nucl. Acids Res. 2011;nar.gkr1161 The Author(s) Published by Oxford University Press. 14

15 Bazy danych mirbase, baza mirna TarBase, baza eksperymentalnie zweryfikowanych celów 15

16 1. 2. Terapie genowe wprowadzenie Niskocząsteczkowe RNA i mechanizm interferencji 3. Algorytmy przewidywanie mirna i ich celów 4. Możliwości wykorzystania w medycynie PRZEWIDYWANIE 16 Jacek Śmietański, Kraków 2012

17 Główne zagadnienia wykorzystujące podejście bioinformatyczne 1. Przewidywanie sekwencji kodujących mirna 2. Przewidywanie celów dla mirna 3. Przewidywanie struktury drugorzędowej 4. Przewidywanie sieci regulatorowych 17

18 Przewidywanie sekwencji kodujących mirna Lai et al, Computational identification of Drosophila microrna genes (2003): algorytm mirseeker 1. poszukiwanie fragmentów mogących tworzyć strukturę spinki do włosów (przeszukiwanie genomu; przewidywanie struktury 2D) 2. genomika porównawcza (mirna są konserwowane) Źródło: Eric Segal, RNA folding 18

19 Przewidywanie sekwencji kodujących mirna - przykład mirna genes are isolated, evolutionarily conserved genomic sequences that have the capacity to form extended stem-loop structures as RNA. Shown are VISTA plots of globally aligned sequence from D. melanogaster and D. pseudoobscura, in which the degree of conservation is represented by the height of the peak. This particular region contains a conserved sequence identified in this study that adopts a stem-loop structure characteristic of known mirnas. Expression of this sequence was confirmed by northern analysis, and it was subsequently determined to be the fly ortholog of mammalian mir-184. Most conserved sequences do not have the ability to form extended stem-loops, as evidenced by the fold adopted by the sequence in the neighboring peak. ( 19

20 Przewidywanie sekwencji kodujących mirna selekcja kandydatów Źródło: Lai et al, Computational identification of Drosophila microrna genes (2003) 20

21 Przewidywanie celów Zadanie: z jakimi genami oddziałuje dane mirna? Problem nie jest trywialny, bo nie zachodzi tu pełna komplementarność. 21

22 Przewidywanie celów - zasiew Źródło:? 22

23 Przewidywanie celów dostępność (rola struktury 2D) Źródło: Ravi K. Gutti, Introduction to microrna,

24 Przewidywanie celów dostępność (rola struktury 2D) mirisc mirisc vs. Źródło: Eric Segal, RNA folding 24

25 Przewidywanie celów model termodynamiczny fo ld ing are a = targe t +7 0 b p CDS Po ly(a) UTR G 0 = G o p e n = G 0 - G 1 G 1 = Źródło: Eric Segal, RNA folding 25

26 Przewidywanie celów uczenie maszynowe Źródło grafiki: Kun Huang, BMI730-09, Lecture18 Przykład: SVM (Support Vector Machines) Istotny wybór przestrzeni cech (np. częstotliwość występowania nukleotydów, właściwości oddziaływań, energia, właściwości topologiczne itp.) 26

27 Przykład algorytmu TargetScan (1) Stage 1: Search UTRs in one organism Bases 2-8 from mirna = mirna seed Perfect Watson-Crick complementarity No wobble pairs (G-U) 7nt matches = seed matches Źródło: Asher Malka, Prediction of Target Genes of microrna

28 Przykład algorytmu TargetScan (2) Stage 2: Extend seed matches Allow G-U (wobble) pairs Both directions Stop at mismatches Źródło: Asher Malka, Prediction of Target Genes of microrna

29 Przykład algorytmu TargetScan (3) Stage 3: Optimize basepairing Remaining 3 region of mirna 35 bases of UTR 5 to each seed match RNAfold program (Hofacker et al 1994) Źródło: Asher Malka, Prediction of Target Genes of microrna

30 Przykład algorytmu TargetScan (4) Stage 4: Folding free energy (G) assigned to each putative mirna:target interaction Assign rank to each UTR Repeat this process for each of the other organisms with UTR datasets Źródło: Asher Malka, Prediction of Target Genes of microrna

31 Przykład algorytmu - miranda - bazuje na zasadzie komplementarności (silna na końcu 5, słabsza na 3 ) - obliczenia wolnej energii - konserwacja międzygatunkowa Źródło: Eric Segal, RNA folding 31

32 Przykład algorytmu: PicTar mirna mrna Perfect nucleus Imperfect nucleus Filter - over 33% of mature mirna binding energy to perfect complementary site Źródło: Eric Segal, RNA folding 32

33 Przykład algorytmu: PicTar (2) Anchor Źródło: Eric Segal, RNA folding 33

34 Przykład algorytmu: PicTar (3) Źródło: Eric Segal, RNA folding 34

35 Przykład algorytmu: PicTar (4) Hidden states Prior (transition) probabilities Emission probabilities Generated mrna 1 m mirnas b p0 p1 p2 p3... pm m i= 0 ACUG ACUGUAC pi = 1 GGCAUUAC 0.02 U ACUGUAC C GGCAUUAC ACUGCAC... - Independency of binding sites (no overlapping) - Transition does not depend on current state (memoryless) - Competition between background and mirna Źródło: Eric Segal, RNA folding 35

36 Przewidywanie celów porównanie algorytmów Źródło:? 36

37 Terapie genowe wprowadzenie Niskocząsteczkowe RNA i mechanizm interferencji Algorytmy przewidywanie mirna i ich celów 4. Możliwości wykorzystania w medycynie DIAGNOSTYKA I LECZENIE 37 Jacek Śmietański, Kraków 2012

38 Rola mirna w powstawaniu chorób Źródło: Ravi K. Gutti, Introduction to microrna,

39 Rola mirna w nowotworzeniu mutations transcription amplification target mrna Phenotype down regulation of tumor suppressor translocation to strong promoter Proliferation Invasion translocation to weak promoter Angiogenesis homozygous deletion mir gene over expression of oncogene promoter hypermethylation deletion + mutation American Society for Investigative Pathology 39

40 mirna, a nowotwory - przykłady Cancer-related mirna Cancer type References Lung cancer Martin et al., 2006, Yanaiharaet a. 2006, Takamizawa et al., 2004 mir-10b, mir-21, mir-125b, mir-145, mir-155 Breast cancer Iorio et al., 2005, Si et al., 2007 mir-18, mir-122a, mir-224, mir-199a, mir-199a* Liver cancer Murakami et al., 2006, Meng et al., 2007, Gramantieri et al., 2007 mir cluster, let-7 mir-195, mir-125a, mir-200a, mir15, mir-16 B-CLL Calin et al., 2004 Calin et al Źródło: Ka-Lok Ng, In silico study of cancer-related genes and micrornas 40

41 Miravirsen: pierwszy lek mirna Źródło grafiki: 41

42 Inne potencjalne leki mirna Źródło: Ravi K. Gutti, Introduction to microrna,

43 Dziękuję za uwagę. Źródło grafiki: