les données et les banques de données. les données chromosome
Post on 03-Apr-2015
129 Views
Preview:
TRANSCRIPT
Les données et les banques de données
Les données
chromosome
Les données
chromosome gèneposition
Les données
ExonIntro
n
Codon start Codon stop
chromosome gèneposition
structureséquence
Motifs régulateurs
Les données
AAAAA
ExonIntro
n
ARN message
r
Codon start Codon stop
chromosome
QuantificationexpressionADNcESTs
séquence
gèneposition
structureséquence
Motifs régulateurs
ARN pré-message
r
Les données
AAAAA
ExonIntro
n
ARN pré-message
r
ARN message
r
Protéine
Codon start Codon stop
chromosome
séquence structure fonctions
QuantificationexpressionADNcESTs
séquence
gèneposition
structureséquence
Motifs régulateurs
Les banques de données
Il existe deux types de banques de données :
banques généralistes : collecte de données la plus exhaustive possible banques spécialisées : établies autour d’une thématique principale
La principale mission des banques est de rendre publiques les données issues du séquençage
Les banques de données généralistes
Les banques de séquences nucléiquesles séquences nucléiques peuvent être de plusieurs natures : ADN génomique, ADNc ...
EMBL pour European Moleculary Biology Library créée et financée en 1980 parl ’EMBO diffusée actuellement par l ’EBI (Angleterre)
GENBANK créée en 1982 par la société IntelliGenetics et diffusée actuellement par le NCBI (USA)
DDBJ pour DNA Data Bank of Japan Créée en 1986 par le NIG Japon
Echanges systématiques des données depuis 1987Mise en place d’un système de conventions communes
Les banques de séquences protéiques
une protéine peut être obtenue de deux manières différentes : 1. in silico : déduite de la séquence nucléique par simple traduction 2. isolée à partir de la cellule et séquencée
PIR-NBRF créée en 1984 par la NBRF
SWISSPROT créée en 1986 à l ’université de Genève maintenue depuis 1987 entre cette université et l ’EBI
Les banques de données généralistes (2)
Les défauts des banques de données
1. Principal défaut : le manque de vérification des données soumises
2. Hétérogénéité dans la nature de séquenceson trouve : ADN nucléaire, ADN mitochondrial, ADN chloroplastique,
ARN messager, ARN de transfert, chromosomes entiers…
3. Variabilité de l’état des connaissances sur les séquencestravail expérimental ou prédiction bioinformatique
4. Erreurs dans les séquences
5. Biais d’échantillonnagetoutes les espèces ne sont pas représentéestous les gènes d ’une espèces ne sont pas présentsil existe une redondance des données
Les banques spécialisées
Devant la croissance exponentielle et l’hétérogénéité des séquencesdes banques spécialisées se sont constituées autour de thématiquesbiologiques particulières.
Exemple : les motifs spécifiques d ’une séquence nucléique ou protéiquesites ayant une activité biologique ( TATAbox, site de fixation de l ’ATP)
Les bases de motifs nucléiques (éléments régulateurs …)TRANSFAC (1993), TFD (1994)
Les bases de motifs protéiques PROSITE (1993), BLOCK (1991)
Toutes ces données représentent un espace de connaissances de références à partir desquelles on tentera d ’identifier les séquences des gènes inconnus, issues du séquençage.
Les séquences sont stockées en général sous forme de fichiers texte qui peuvent être soit des fichiers personnels, soit des fichiers publicsaccessibles par des programmes interfaces (SRS, GCG, Acnuc).
Le format correspond à l'ensemble des règles (contraintes) de présentationauxquelles sont soumises la ou les séquences dans un fichier donné. Ainsi, le format permet donc :
> une mise en forme automatisée,
> le stockage homogène de l'information,
> le traitement informatique ultérieur de l'information.
Pour lire et traiter les séquences, les logiciels d'analyse autorisent un ou plusieurs formats des données.
Partie I du TD
Manipulation des données
Annotations des séquences
L’annotation
Séquences informations biologiques
Annotation structurale• localisation des gènes• structure des gènes• régions codantes• positions des motifs régulateurs
Annotation fonctionnelle• fonction biochimique•fonctions biologiques•régulation et intéractions•expression
Expérimentations humides
Prédictions in silico
Détection de gènes eucaryotes ab initio
La recherche de gène dans le génome d'espèce eucaryote est complexe :
1. les régions codantes sont morcelées par la présence d'introns
2. les régions codantes représentent moins de 5% du génome eucaryote.
La prédiction des gènes de génome eucaryote peut être appréhendée selon trois approches:
1. basée sur la similarité de séquence
2. ab initio
3. génomique comparative
Similarité de séquence Pour la recherche des gènes, elle peut être utilisée selon trois voies :
- comparaison directe de la séquence génomique avec des ESTs détermination des séquences codantes et des limites intron/exon
- comparaison des six cadres de lecture de la séquence contre des protéines.
- comparaison entre les différentes traductions de la séquence génomique et celles de banque de données génomiques et d’ADNc.
similarité de séquence : méthode puissante mais non infaillible
Comparaison de séquences
actcttctggtccccacagactcagagagaacccaccatggtgctgtctcctgccgacaagaccaacgtcaaggccgcctggggtaaggt cggcgcgcacgctggcgagtatggtgcggaggccctggagaggatgttcctgtccttccccaccaccaagacctacttcccgcacttcgacctgagccacggctctgcccaggttaagggccacggcaagaaggtggccgacgcgctgaccaacgccgtggcgcacgtggacgacatgcccaacgcgctgtccgccctgagcgacctgcacgcgcacaagcttcgggtggacccggtcaacttcaagctcctaagccactgcctgctggtgaccctggccgcccacctccccgccgagttcacccctgcggtgcacgcctccctggacaagttcctggcttctgtgagcaccgtgctgacctccaaataccgttaagctggagcctcggtggccatgcttcttgccccttgggcctccccccagcccctcctccccttcctgcacccgtacccccgtggtctttgaataaagtctgagtgggcggc
Séquence brute : à quoi elle correspond ?
1. Ressemblance avec d’autres séquences déjà connues?2. Trouver toutes les séquences d’une même famille3. Rechercher toutes les séquences qui contiennent un motif
donné
Dot Plot
Les dot plots sont utilisés :
- pour comparer visuellement deux séquences et détecter les régions ayant une forte similarité
1. Les deux séquences sont placées le long des axes d ’un graphique.
2. L ’intersection de chaque ligne et colonne est marquée d ’un point si la lettre est identique dans les deux séquences
Une suite de points sur la diagonale indique :
les régions de similarité entre les deux séquences.
Dot PlotAvec des séquences réelles, les motifs ne sont pas si évidents !
Alignement de séquences
Objectif : essayer de faire le maximum d ’appariements entre deux séquences- avoir le plus d’identité entre les séquences X et Y
Lorsque deux séquences sont comparées: on observe des substitutions
des insertions et des délétionsExemple 1:
S1 : TCAGACGATTG n=11S2 : TCGGAGCTG m = 9
alignement 1 identité x substitution y Indel z TCAG-ACG-ATTGTC-GGA-GC-T-G 7 0 6
alignement 2TCAGACGATTGTCGGAGCTG 4 5 2
alignement 3TCAG ACGATTGTC GGA GCTG 6 2 4
Quel est le meilleur alignement ?
Ce qu’on veut, c’est le maximum de bases identiques et le minimum de substitutions et indels
donc1. On va pénaliser les substitutions et les insertions/délétions (w)
2. On va rechercher un coût minimal pour l’alignement
coût = w substitution * y + w indel * z
pour les alignements précédents :si w substitution = 1 et w indel = 2
alignement 1 Coût = 1 *0 + 6*2 = 12
alignement 2Coût = 1*5 + 2*2 = 9 <- alignement qui a le moins de coût : c’ est le meilleur
alignement 3 Coût = 1*2 + 2*4 = 10
Recherche de similarité globale ou locale
Les finalités de ces deux types de recherche sont très différentes.
L'alignement global (Needelman & Wunch) :comparer des séquences homologues (apparentées) sur
toute leur longueur. L'alignement local (Smith & Waterman, BLAST, FASTA) est conçu
rechercher dans la séquence A des régions semblables à la séquence B
Les matrices de substitution
Pour aligner deux séquences, il faut évaluer leur similarité en attribuant un score grâce à des matrices de scores.
On distingue deux types de scores: - le score élémentaire qui est la valeur donnée directement dans la matrice- le score global qui est calculé comme la somme des scores élémentaires
Exemple:
ATGGCTAGAACT
TACGGCTTAGCTA
A T C GA 1 0 0 0T 0 1 0 0C 0 0 1 0G 0 0 0 1
Score élémentaire
Score global = 5
Exemples de matrices protéiques1. Les matrices PAM (Point Accepted Mutation) M. Dayhoff années 70
Obtenues par l’étude de 71 familles de protéines (1300 séquences)
Elles donnent les scores de similarité obtenus en fonction du nombre de mutation pour une séquence de longueur 100 aa.
Ex : PAM1 : 1 mutation entre deux séquences de 100 aa (~= 100 % identité) les deux séquences sont pratiquement identiques
PAM250 : 250 mutations (~= 20% identité)
2. Les matrices de type BLOSUM (BLOcks SUbstitution Matrix) obtenues à partir de motifs conservés entre des familles de protéinesles matrices BLOSUM plus récentes donnent en général de meilleurs résultats
3. Les matrices liées aux caractéristiques physico-chimiqueex: caractère hydrophile ou hydrophobe des protéines
BLOSUM 80 BLOSUM 62 BLOSUM45PAM 1 PAM 120 PAM 250
Peu différent très différent
Le logiciel BLAST
Basé sur des méthodes statistiques pour déterminer si la similarité observéeest significative biologiquement
L ’unité fondamentale de BLAST est le HSP (High-scoring Segment Pair)
HSP : région de similitude la plus longue possible entre deux séquences ayant un score supérieur ou égal à un score seuil
MSP (maximal-scoring Segment Pair) : meilleur score obtenu parmi tous lesHSPs que peuvent produire deux séquences
4 programmes distinct de comparaison d ’une séquence avec les bases de données:
BLASTN : séquence nucléique contre banque nucléiqueBLASTP : séquence protéique contre base protéiqueBLASTX : séquence nucléique traduite en 6 phases contre base protéiqueTBLASTX : séquence nucléique traduite en 6 phases contre base nucléique
traduite sur les 6 phases
L ’algorithme de BLAST
La stratégie de la recherche consiste à :
1. Rechercher tous les mots de longueur W dans la séquence W=3 pour les protéinesW=11 pour les acides nucléiques
2. Comparer ces mots avec les séquences de la banque afin d’identifier des régions similaires exactes.
3. Extension du segment trouvé dans les deux directions le long de chaque séquence à partir du mot commun pour améliorer le score de l ’alignement.
L ’extension s’arrête si:le score descend d ’une quantité x donnée par rapport à la valeur max
qu ’il avait atteintle score devient inférieur ou égale à 0la fin des deux séquences est atteinte
blast
Résultats de BLAST
La signification des alignements est évaluée statistiquement en fonction de : la séquence : longueur et composition
la banque de données : taille la matrice utilisée
Il appartient au biologiste de déterminer si ces alignements sont significatifs biologiquement ou non.
Options du logiciel BLAST
WORLDLENGTH (w) : W correspond au nb de lettres que contiennent les fragments initiaux
W=3 pour les protéines et 11 pour les acides nucléiques.Pour augmenter la sensibilité, on peut diminuer la valeur de W mais cela augmente le temps de calcul.
FILTER : Cette option, activée par défaut, permet de masquer certaines régions de faible complexité
MATRIX : Cette option autorise l ’utilisateur à modifier la matrice utilisée
EXPECT : Cette option permet de modifier le score seuil pour la recherche Seuls les alignements dont le score est inférieur à E seront reportés. Plus la valeur de E est faible, plus les résultats obtenus sont pertinents.
Détection in silico
Méthode basée sur des règles consensus concernant :
- la détection de signaux de transcription de traduction d’épissage …
Elle permet de détecter de nouveaux gènes, ne ressemblant à aucune séquence ou domaine connu.
Prédiction de gènes eucaryotes
Les éléments à rechercher sont les suivants:
1. la région promotrice :
TATA-box localisée 30 nt en amont du +1 de la transcription
motif de Kosac localisé juste en aval du codon ATG initiateur
ilots CpG , région riche en dinucléotide CG
2. le signal de polyadénilation : hexamère consensus AATAAA
localisé 20 à 30 nt en aval du codon stop
3. les introns
sites donneur, accepteur et le nucléotide de branchement
Jonctions intron/exon
Les erreurs : où et pourquoi ?
Extrémités des gènes sont difficiles à prédire
• pas ou peu de différence entre les régions intergéniques et les UTR• en 3 ’ signaux de polyadénylation sont parfois rares • en 5 ’ régions promotrices floues• présence d ’exons non codants et d ’introns dans les UTR
conséquences : fusion ou cassure des gènes prédits
Erreurs internes
• alignement épissé n’est pas 100% fiable(séquences de mauvaises qualité, vecteurs, polyA)
• les petits exons sont mal prédits d ’où erreur de structure• introns : généralement seuls les sites AG:GT sont recherchés • présence d ’événements alternatifs (épissage, initiation traduction)
Génomique comparative
Approche phylogénétique basée sur la comparaison de deux génomes.
=> conservation de séquences importantes biologiquement gènes,
régions régulatrices
Alignement multiple
consiste à aligner plusieurs séquences dans leur intégralité :
- caractériser des familles de protéines- identifier les régions conservées entre ces séquences- déterminer la séquence consensus de plusieurs séquences alignées
trouver, par exemple, un primer consensus pour la PCR …- constituer le point de départ d’une phylogénie
Inconvénient:=> L ’alignement multiple retourne toujours un résultat
Ce traitement n’a de sens que si les séquences à aligner sont supposées proches.
Logiciels d’alignementClustal X ou W (ftp-igbmc.u-strasbg.fr, ftp.embl-heidelberg.de, ftp.ebi.ac.uk)
EXEMPLE FICHIER FORMAT FASTA>CandidaAlbicansSPGRVNLIGDHIDYNFFPWANYFKCALGMKLTFDGNVPTGGG>CandidaParapsilosisSPGRVNLIGDHIDYNYFPWANYFKCGLGMNITFSGTVPTGGGL>YeastGAL1SPGRVNLIGEHIDYCDFSWSNYFKCGLGLQVFCEGDVPTGSGL
Autres types d’annotations possibles
Annotation des promoteurs
Motifs de fixation des facteurs de transcription sont souvent petits et dégénérés :beaucoup de faux positifs
Site d ’initiation de la transcription, n ’est jamais formellement identifié
Pas toujours d ’ilots CpG ou de boîte TATA
TATA-25 bp
+1 transcription
exon exonintron
Pol II
TGACGCA
CREB
CACGTG
C-myc
GGGCGG
sp1
Les gènes non codants
Que sont-ils?
Gènes produisant des ARN dont la fonction n'est pas de coder pour une protéine.
Ces gènes sont transcrits, mais pas traduits.
Les ARNt. Potentiellement 64 différents, en pratique une quarantaine dans les génomes microbiens.
Probablement beaucoup plus dans les génomes de mammifères.
Les ARNr: 5S, 16S, 23S pour les procaryotes, 5.5S, 18S et 28S pour les eucaryotes.
Les ARNsn (small nuclear RNA) éléments du spliceosome.
Les ARNsno , guides de méthylation.
top related