du génome aux protéomes « in silico » [email protected] institut suisse de...
TRANSCRIPT
du génome aux protéomes« in silico »
Institut Suisse de Bioinformatique
Groupe Swiss-Prot
novembre 2004
La bioinformatique, c’est quoi ?
L’utilisation de l’informatique pour l’analyse de l’ADN et des protéines de tous les êtres vivants.
Acquérir puis stocker les informations biologiques sous la forme d’encyclopédies appelées bases de données;
Visualiser: développer des programmes pour visualiser la structure en trois dimensions des protéines et de l’ADN, pour shématiser des voies métaboliques ou des arbres phylogénétiques.
Développer des programmes de prédiction et d’analyse en utilisant les informations contenues dans les bases de données;
Analyser/Interpréter/Prédire: utiliser ces programmes pour analyser de ‘nouvelles’ données biologiques et prédire in silico par exemple la fonction potentielle d’une protéine;
Bioinformatique - application 1:acquisition de données
• Exemples: lecture d’images de gels 2D, spectrométrie de masse (MS), séquençage ADN...
• Détection de signaux ou d’images• Absence de contexte biologique.
Séquençage d’ADNInformatique instrumentale
Programme pour analyser les données
d’un séquenceur ADN
Exemple: pregap4 de Rodger Staden https://sourceforge.net/projects/staden.
Bioinformatique - application 2:Assemblage des séquences d’ADN
• Les méthodes actuelles de séquençage ne permettent pas d’obtenir des séquences fiables de plus de 1000 bp !
Nature 409, 860-921 (2001)
Bioinformatique - application 2:Assemblage des séquences d’ADN
• -> Reconstruire la séquence complète d’un génome ou d’un morceau de chromosome (« contig ») à partir de séquences de 1000 bp;
• Pas du tout trivial parce que: (a) il y a des erreurs de séquence; (b) il y a des régions répétitives.
“Celera-generated shotgun data set consisted of 27 million sequencing reads …”Whole-genome shotgun assembly and comparison of human genome assemblies.PNAS 101(7):1916-21 (2004)
CCCCTGACGACCGATTCAAAAACCACTTTCCTCTTTTACGGCGCCCTAGCGCTATGGCGGTGAAGACTGCTTGACATTAACATGCCTGTTGAGGCTAGAGAATCCATGCGAAGGCGGTTCGGAAACTGCTTCGAAGGCGTGGGGTGGTGCGGGGGGTGGGATTTGAACCCACGCAGGCCTACGCCATCGGGTCCTAAGCCCGACCCCTTTGGCCAGGCTCGGGCACCCCCGCACCGTGTAGTCTTTAGGTTTAGCTTTCAGGGTTAAAACGGTTTAACACTCATGAGTATCACTGGGCTGGCTGTGACTGGGCTCTGCATTCCCGAGGCCATGCTGCCCGTGAGGAATAACGGGTCTGAGGAGCCGTTGACAGGTTGCCATTTGGCCTTGCCCCCAAAAGTGATGCTGTGGATCACGACCTCCTCGGAGGAGGGGAGCCTCAGCATACACTTTATAATGAAGGCTTTAAGGGTTTAGCCGGATAATGTTGTTGGGGCGTGCAGCGGCAAGTGCTGCAGCTCATGGGTATGGTATGCGGCTTTGCCTGGTGATGCGGTTTGGCCCCCGTTGTCTGCGACGTCTGCGGTGTTAGGAGGGCTGTGGTGCTGCAGCGCCACACGGGAAGGCGGCTCTGCAGGGAGTGCTTTAGGGAGGATATAGTGGGGAGGGTCAGGAGGGAGGTTGAGAGGTGGGGGATGATAGGCCCTGGGGAGACGGTCCTCCTAGGCCTGAGCGGCGGTAAGGACAGCTATGTCCTGCTGGACGCCCTCTCCGAGATAGTCGGGCCCTCGAGGCTGGTGGCGGTGTCTATAGTGGAGGGCATACCGGGGTACAACAGGGAGGGAGATATCGAGAAGATCAGGAGGGTGGCCGCGGCTAGGGGCGTCGACGTGATAGTGACGAGCATAAGGGAGTACGTGGGGGCCAGCCTCTATGAGATATACTCCAGGGCCCGAGGGAGGGGGGCGGGCCACGCCGCCTGCACCTACTGCGGCATAAGCAGGAGGAGGATACTTGCCCTCTACGCCCGCCTCTACGGCGCCCACAAGGTCGCTACGGCCCACAACCTCGACGACGAGGCGCAGACAGCTATAGTGAACTTCCTCAGGGGGGACTGGGTTGGCATGCTGAAAACACACCCCCTCTACAGGAGCGGGGGCGAGGACCTGGTTCCAAGGATAAAGCCTCTTAGGAAAGTCTACGAGTGGGAGACGGCCAGCTACGTGGTACTCCACCGCTACCCCATCCAGGAGGCTGAATGCCCCTTCATAAACATGAACCCAACCCTCAGGGCGAGGGTGAGGACGGCCCTGAGGGTGCTAGAGGAGAGGAGCCCGGGCACCCTGCTCAGGATGATGGAGAGGCTCGACGAGGAGCTGAGGCCGCTGGCCCAGGCCATGAAGCCCTCCTCCCTAGGCAGGTGCGAGAGATGCGGGGAGCCGACCAGCCCGAAGAGGAGGCTCTGCAAGCTCTGCGAGCTCCTGGAGGAGGCCGGGTTCCAGGAGCCCATCTACGCGATCGCAGGGAGAGGCAAGAGATTAAGGCTTCAGAGCCCCACCGCTAGCCCTGGGTGAACGCGCTATGGCAAAGCCAAAGGTTAGCCTGCCGGAGGATGTGGAGCCCCCCAAGGCTATAGTCAAGAAGCCTAGGCTAGTGAAGCTAGGCCCCGTAGACCCGGGGGTCAGGAGGGGAAGGGGGTTCAGCCTAGGCGAGCTCGCGGAGGCTGGGCTAGACGCTAAAAAGGCGAGGAAGCTTGGCCTGCACGTGGACACGAGGAGGAGGACGGTCCACCCGTGGAACGTGGAGGCCCTCAAGAAGTATATAGAGAGGCTTAGAGAGGCGGGCGTAGAGGTCTAGACCCCGGGGCTATATACTACCACTTCGCCCTCCCCATTATACTATCCACATCCACCCTGGCCCTCCCCACCTCCAGGACCTCAATATCCCCCTCAGCCCTGGTGTACACGCTCAAAGACGGCTCCCTGTAGGAGGCCCTGGTCACCACCCCCACGTGAATCACCCCTCCCGCGTGTACGGCGGCTATAAGCCCCCTCTCCCAGCCCTCCCGGAGGACGCGGAGCCCGGAGCCTACTCCGACCCTACCGCCCCTCCTCGCCACAACCACTATGTCCCCGTCAACACTCTCACCATAGAGGGCGGCTGGGTGTAGGGCCTTGAGGGCCTCGTGGGCCAGAGGCTCCCCCCGGAATATCGGCGCGCCAACTATCTCGGCCTCGCCGGGCCTGACCCTCCTCTCCCTCCCTCCCGAGGTCCTAAGGGCTATCAGCCTCTCCCTATGAAGAGCCCTCTCCCCCCGGCTCTTGCCCGCCTCTCCAGCCAGCCTCTCCACAGACAGAGTGTCAAGCCCCCACACCCTCTCGAGCAGCCTGGCCCGTCGGCTGGCTATGCCCACCGCGACTACAAGCCTTGCTCTAGAGGCTATGGCGAGGGCTGCCTTAGACTCGAGCCCCTCCCACAGTGATATCCAGCCATCTGTATCCACTACCACCTGGCTGGCCAGTGAGGCCAATCTAGATGCGCAGGCGAGGTAGCGGGACTCCGACCCCCGGGGGGTGAAGCCGCCGACGAAACACGGCTCGACACTCGAGAACGAGTCGTCTAGGCCCGGGACGGCCACGCCCTGTGGAGACGCCAGCGCCATAAACCCCGGGGCGAAGACCTCGTTCTGGCCTATATCCGCCGACAGCAGTCTATACCCACCACCGCCCCTGTTAACTATCCAAGCCGCTAGTGTGCTCTTACCGGAGTCGCTCGGCCCCACAATAGCCACCCTGCCCCGCTGAGAGGCCTCCCTGGCTATGGAGTCGAACCTGTTGTAAGCCTCCTCCACGCCCCCTGTGGAGACTACACCGGACACAATAGCCCTCCCCTCAACCCTGGCGAGCACCGACCTGCCTGCAGGGACCACTAGAGTAGAGCCCTCCCCCAGCCTTCCACCCAAAACCTCTGCAGCACCCTCTACAACCTCTATCCTCCCCGGGCCGCGGACTAGCGCCGAGCCCCATGCAATCTCCACAGGCAAAGCTTTAAACCCCCAGTGGTAAGATATGTGAACCGGGCCGCGGTAGTATAGCCTGGACTAGTATGCGGGCCTGTCAAGGGCCCCGCCTCCGCCCCACCCTCATTCTACTACACGCTTATCAGGATAAACAGCCGGGCAAACGTTTTTAACCCCGCCGAAATTCATACTCTTCCCGGGGCGGAGGCGGGCCTGCGGAGAGCCCGTGACCCGGGTTCAAATCCCGGCCGCGGCGCCAATAATCCTCGCGGCCCGCCTTCAAGACTCACTAAACCCCGGTTGAGCACCCGCAGCATCGATGCTAAGGCTCGAGCCATGCATAGTGCCCGCGGGGGGTGGGGGGATTTGGCGAGGCCTGTTGAGGCGGTAAAGAGGCTGCTGGAGAGGTGGCTGGAGGGTAGGAGGAGGGGTTATGTCCTTACGCTTGTAGCTCTTAGAAGGCTTGAGGAGAGGGGGGAGGAGGCTACTGTAGAGAGGGTTAGGGAGGAGGGCCTGAGGATTCTGGAGAGGACGGAGGGGAGGATAGACTGGGGTGTTACTAGGGATGAGTACACTGTCAACATGGTCTCCAGCGTTCTTCGCGAGCTGGCCGAGAGCGGCCTTGTCGAGATGGTGGACGGCGGGAGGAGTATCGTCAGGTACAGGATAGCGAGGGATGCTGAGGAGGAGTTCCTCTCCAGCTTCGGCCACCTCCTGCAGCTTGTGAGGATGCCGAAGTAGCGTTAAAGCCCTAGGTGCCAGAGGCCGCCGGAGGCTAAGAGGCCGATGAAGGCCTTGAGAGGCTCTGCCGCCAAGCTATCCCTATCCCTGCTGCTCTTTTGGGCTAGCTACTCGATCTACTACACTATAACGAGGCGTGCTGTAGAGGAGGGCCTAGGAGAGGGATCCTACCTCCTGGGCGTCTTGATGTCGGGGGCTGAGGAGGCGCCGCTCGCGGCGTCAATAGTCCTTGGCTACCTGGCGGACAGGCTAGGCTACCGCTTACCCCTGGCCCTGGGCCTGTTTGAGGCTGGGCTGGTCGCTGCAATGGCCTTCACCCCCCTAGAGACCTACCCCATACTGGCTGGGGCTGCGTCGCTAGTCTACGCCCTCTCATACTCCGCCCTAATGGGCCTCGTCCTGGGTGAGAGCGGGGGGAGCGGCTTCAGGTACAGTGTTATAGCAGCCTTCGGCAGCCTTGGCTGGGCTCTCGGCGGGTTGGCGGGGGGAGCGGCTTACTCCCGCCTGGGGTCACTGGGGCTCCTAGTGGCCGCAGCCCTCATGGCCGCCTCATACCTAGTCGCCCTCTCAGCCTCGCCCCCCCGCGGCGGCGCGGCGCCCAGTGTGGGGGAGACGATAACCGCTCTGAAGGGGGTTCTGCCCCTATTTGCAAGCCTCTCAACCAGCTGGGCGGCCTTGGGCTTCTTCTTCGGGGCTGCCAGCATAAGGCTTAGCGAGGCGCTCGAGAGCCCTATCGCCTACGGGCTAGTGCTGACCACCGTCCCCGCACTCCTAGGCTTCCTGGCGAGGCCTGCGGCGGGCAGGCTGGTCGACAAGGCCGGGGCTGTGGCAGTGCTTGCGTTGTCCAACGCGGCATACTCCCTTCTCGCCCTAGTTTTCGGCCTGCCCACCAGTCCGGCCCTGCTGGCCCTTGCATGGAGCCTGCCCCTATACCCCTTTAGGGATGCCGCCGCGGCCATCGCAGTTAGCAGCAGGCTTGAGAGGAGGCTGCAGGCGACGGCCGCGGGGCTGCTCTCAGCGAGCGAGAGCGTCGGCGGCGCTGCAACCCTTGCCCTGGCACTGCTCCTGGATGGGGGGTTTAGGGAGATGATGACGGCTTCAATAGCCCTTATGCTCCTCTCCACCCTACTCCTGGCCGCAGACCACTCTACGGCTCCACGCCGAGAGCCCTGTCCCCGGCGTCGCCAAGGCCCGGCACTATGAAGTAGTTCTCGTCCAGCTCGGGGTCTAGGGCTAGCGTGTATATGGGGGTGTCGCCGTAGAGGGATGATATGTACTCGACGCCCTGCCTGGACGCTATTATAGAGCCTATAACGACCTTGCTGGCCCCCCTGTCTCTGGCCAGCCTCACGGCCTCCGCCACAGTCTTGCCCGTGGCCAGCATCGGGTCTAGAACGACGGCGGGGCCGTCGAACATGCGGGGTAGCCTGGAGTAGTAGACCTCTATCTTGAGCCTGCCCGGCTCCTCGACCCTCCTGGCTGCTACGAGGGCTATCCTCGCCTCCGGCATCATCGAGGCGAAACCCTCTACCATGGGGAGGCTAGCCCCGAGTATCCCTACGAGGTAGACGGGCCCCGCTGGCGCCAGCTCCTTGGCCTTAGCCCCCAGGGGGGTCTCCACCTCCTCCTCCACCCACCCGAGCTCGCCCGCAATGTACACCGCCAGTATGGAGCCCGCTATCCTGACGTACCTCCTAAACTCCGGGAACCCGGTTGTCCGGTCCCTGAGAACCTTGAGGACGTAGCGCGCTAGGGGTGTTTCGCCCCCAATAACCCTAACTGCCGCCACCATGGGAACCTCTAGGTAGTGGTTGAGGCTCCGGAGCTTAAGAGGGTTAAACTCCAGGATGGCCACCTGGGTGCCGCCGGGGATTGGACAGTAGGGTTCTAGAGTCCGCGTTGAGAGCCCTATCCCGCTACCCCCTCTGCGACCGCTGCCTCGGCAGGCTCTTCGCTAGGCTTGGGAGAGGCTGGAGCAATAGGGAGCGGGGAGAGGCTGTCAAGAGGGTTCTGGTGATGGAGCTTCACAGGAGGGTCCTCGAGGGGGATGAGGCGGCGTTGAAAACCCTGGTCTCTGCAGCTCCGAACATAGGGGAGGTGGCAAGGGATGTCGTGGAGCACCTCTCCCCAGGTTCCTACAGGGAGGGCGGCCCATGCGCTGTCTGCGGCGGGCGGCTGGAGAGTGTTATAGCCTCAGCGGTGGAGGAGGGGTACAGGCTGCTAAGGGCTTACGATATCGAGAGGTTCGTAGTCGGGGTCCGGCTAGAGAGAGGTGTTGCCATGGCTGAGGAGGAGGTAAAGCTGGCCGCCGGCGCCGGGTACGGCGAGTCCATTAAGGCTGAGATCAGGAGGGAGGTGGGCAAGCTCCTGGTGAGCCGGGGTGGAGTGACCGTGGACTTCGACAGCCCTGAAGCGACCCTAATGGTGGAGTTCCCCGGGGGCGGGGTTGACATACAGGTCAACAGCCTGCTCTACAAGGCTAGGTACTGGAAGCTTGCCAGGAACATAAGCCAGGCATACTGGCCCACGCCAGAGGGGCCGAGGTACTTCAGCGTGGAGCAGGCTCTATGGCCGGTTCTAAAGCTCACTGGGGGGGAGAGGCTGGTTGTACACGCTGCTGGCAGGGAGGATGTAGACGCCAGGATGCTGGGCAGCGGGAGGCCCATGATAGTCGAGGTCAAGTCGCCTAGGCGCAGGAGGATCCCGCTTGAGGAGCTGGAGGCGGCCGCCAACGCCGGCGGGAAGGGGCTGGTTAGGTTCAGGTTCGAGACGGCTGCCAAGCGTGCCGAGGTCGCGCTTTACAAGGAGGAGACTGCGAGGGTTAGGAAGGTGTACCGCGCCCTGGTAGCGGTGGAGGGTGGTGTTAGTGAGGTGGATGTTGAAGGGTTGAGGAGGGCTCTCGAGGGCGCGGTTATAATGCAGAGGACGCCCTCCAGGGTCCTCCATAGGAGGCCGGATATACTGAGGAGGCGGAGGCTCTACAGCCTAGACTGCAGCCCCCTGGAGGGGGCGCCTCTGATGGAGTGCATATTGGAGGCGGAAGGGGGTCTCTACATCAAGGAGCTGGTCAGCGGTGATGGCGGGAGAACCAGGCCAAGCTTCGCTGAGGTCCTCGGCAGGGAGGCTGTGTGTATAGAGCTCGACGTGGTGTGGGTGGAGCATGAAGCTCCAGCCGCACCCGGCTAAAGCTAAATTAAGCTGGGCTGAGCAAAATACCGGGGGGAGCGTAGGTTGGTCAAGGCACCTAGAGGCTATAGGAACAGGACTAGGAGGCTGTTGAGGAAGCCTGTGAGGGAGAAGGGCAGCATACCCAGGCTCAGCACCTACCTTAGGGAGTACAGGGTGGGCGATAAGGTGGCTATAATCATAAACCCCTCCTTCCCAGACTGGGGCATGCCCCACAGGAGGTTCCACGGGCTGACGGGAACCGTGGTGGGGAAGAGGGGCGAGGCCTACGAGGTAGAGGTCTATCTGGGTAGGAAGAGGAAGACCCTCTTCGTCCCCCCCGTGCACCTCAAACCCCTCAGCACAGCCGCCGAGAGGCGGGGCAGCTAGAGCTGTCCCCACGGTTCCACGCTGGAGTAGGGGGTGCTAGTGTTGGAGAGGAGGATCCTAGAGTATAAGGCGGTGCCCTACCAGGTAGCCAAGAAGTATATGTACGAGAGGGTTAGGGAGGGCGACATAATATCGATACAGGAGTCGACTTGGGAGTACTTCAGGAAGGTAGTGTTCTGGGACGACCCGGAGGCTGCCTCCGAGCTTGTTGAGGAGATTGTGAAGGAGGGTGTCAGCCGTGAGGCGCGGCGAACATCGCGAGCATATGCCCCAAGACCGAGGGCGAGCTCAGGAGCATTCTCGAGATGGACAGGAGCATAACCTCCGTACACGAGATGGCTAGCAAACTGTACCCCATAGTTTCCAAATACTGCAAGGACTAGACCCCGCCCCCCTTCAGCCCGGGGATTAACAGTTTAATCTCCGCGTCCCAACCATATTTATGTTGATAGCGGCTGTACGGAGAGTGTTGAGAAGTGTCTAGACAGCCCCGCCCCCGCGACAGGAAGCCCCCCCACCAGGGGAGGCCGCAGCCCCACATCGCCGCCCTTGAGGTGGAGGCTATAGTTCTGGACTACATACCCGAGGGCTACCCGAGAGACCCCCACAGGGAGCACCGCAGTAAGCCCGTCGTTCAGGGTCTCGGGGTTAGGAGGCTGCACCTAGTCGACGGTGTCCCCCTCCATGAGGTCGATATACTGGAGCGGGTCACCCTGGCTAGGGAGGTTGTGTATAGCGTCCCCATAGTGGCCCGGCTCCCCGGGGGGGTCGAGAGGAGGGTGAAAAGTGTTACCGTCGCGGTAACATGCCTCCCCGGCCAGGCGCGGGAGGGCGGGGTCAGGGAGATATACTGCTACCCCCTCTCCTACGCCGACCAGGCGACCCTGGAGGCGCTGCAGCAGCTCCTGGGTGAGGGGGACGAGAGGCACAGGTATATACTTGTGGACTCCCCCGACAAGCTCTCCGAGGTGGCCAGAGGTCACGGCCTCTCGGGGAAGATAGTGAGCACGCCCAGAGACCCTATATCCTACCAGGACCTCACCGACGTCGCCAGGGCTACGCTGCCGGACGCTGTGAGGAAGCTGGTCAGGGAGAGGGAGGACTTCTTCGTGGAGTTCTTCAACGTGGCCGAGCCGATAAACATAAGGATACACGCGCTGGAGGCCCTAAAGGGTGTGGGTAAGAAGATGGCTAGGCACCTCCTCCTCGAGAGGGAGAGGCGTAGGTTCACGAGTTTCGAGGAGGTGAAGAAGATTCTGAAGATAGACCCCGCAGAGGCCCTGGCCGAGAAGATAATGGAGGAGATAGAGTGTAGGGACACTGTGAAATACTACTTCTTCGTCGAGCCCTGCGACCCCTCCAAGCCCTACCTAGGCTACACGGAGAGGATGTGGAAGGCCTATGCC
Génome humain
3.2 milliards de pb
2.7 milliards de $ (coût en 2000)
100 $ (coût en 2008 ?)
Le génome humain (3ème version) contient actuellement encore 341 « trous »
(essentiellement vers les centromères/télomères, régions répétitives)
Nature (oct 2004), 431, 931
Contenu des banques de données de séquences en acides nucléiques
EMBL/GenBank/DDBJhttp://www.ebi.ac.uk/embl/index.html
Octobre 2004
Craig VenterEx: mer des Sargasses1 milliard pb/semainehttp://www3.ebi.ac.uk/Services/DBStats/
http://www.ncbi.nlm.nih.gov/Genomes/index.html
Tous ces sites sont constamment remis à jour !
http://www.ncbi.nlm.nih.gov/mapview/map_search.cgi
Bioinformatique - application 3: Analyse de séquence ADN
• Détection des régions codantes;• Recherche de similarité (BLAST)• Analyse des sites de restriction (enzymes);• Traduction ADN en protéine;• Détection de régions de basse complexité;• Détection de séquences « repeats » comme les
microsatellites, minisatellites, Alu repeats, etc.;• Détection de régions ADN importantes non-codantes
comme les signaux de transcription (promoteur), origines de la réplication, etc.;
• Détection de séquences de tARN et autres types de ARN (exemples: rARN, uARN, tmARN).
Détection des régions codantes (gènes)
• Problème assez facile chez les bactéries; très difficile chez les eucaryotes “supérieurs” (homme, drosophile, etc.);
• Chez l’homme: moins de 5 % du gènome est « codant » (transcrit en mARN).
• Techniques diverses: recherche de signaux, approches statistiques (biais des codons); similarité avec des séquences connues….
•Premiers exons•TATA box•GC et CAT box•Région régulatrices
Recherche de « signaux » dansune petite partie du promoteur
d’une protéine (apo AII)
Une séquence ADN de C.elegans)(~25’000 bp)
…
Approche 1: Genebuilderhttp://l25.itba.mi.cnr.it/~webgene/genebuilder.html
Schéma récapitulatif
3 ’5 ’
Genebuilder prédiction
ADN génomiqueexons 1 4
Splicing / Epissage « in silico »
mARN mature1 2 3 4
2 3
108310031305
14061452
1661
1914
19972 31 4
Bioinformatique - application 3: Analyse de séquence ADN
• Détection des régions codantes;• Recherche de similarité (BLAST)• Analyse des sites de restriction (enzymes);• Traduction ADN en protéine;• Détection de régions de basse complexité;• Détection de séquences « repeats » comme les
microsatellites, minisatellites, Alu repeats, etc.;• Détection de régions ADN importantes non-codantes
comme les signaux de transcription (promoteur), origines de la réplication, etc.;
• Détection de séquences de tARN et autres types de ARN (exemples: rARN, uARN, tmARN).
Qu’est-ce qu’un BLAST ?
Outil informatique très efficace, permettant de faire des recherche de similarité à partir d'une séquence (protéine ou nucléique)
sur les séquences existantes (banques de données)
Qu’est-ce que les ESTs ?
“Expressed sequence tags” : cDNAs (mARNs) qui ont été rapidement séquencés, souvent
incomplets.
-> Très utiles pour connaître les régions génomiques “actives” (transcrites) et la structure
des gènes.(~24 mo de séquences “publiques”; 6 mo (homme))
Approche 2: Aligner la séquence génomique avec des mARNs
(BLAST contre ESTs)
http://www.ncbi.nlm.nih.gov/BLAST/
Approche 2: Aligner la séquence génomique avec des mARNs
(BLAST contre ESTs)
Intron?
EST => cDNA
gDNAexons 1 2 3 4
Splicing
Mature mARN (-> EST)1 2 3 4
Séquence codante de notre « gène »(sans les introns = correspondant au mARN)
108310031305
14061452
1661
1914
19972 31 4
Bioinformatique - application 3: Analyse de séquence ADN
• Détection des régions codantes;• Recherche de similarité (BLASTN)• Analyse des sites de restriction (enzymes);• Traduction ADN en protéine;• Détection de régions de basse complexité;• Détection de séquences « repeats » comme les
microsatellites, minisatellites, Alu repeats, etc.;• Détection de régions ADN importantes non-codantes
comme les signaux de transcription (promoteur), origines de la réplication, etc.;
• Détection de séquences de tARN et autres types de ARN (exemples: rARN, uARN, tmARN).
Les 3 phases de lecture…
Traduction avec « traduction multiple » http://www.infobiogen.fr/services/menuserv.html
Met
Stop
Recherche de similarité (contre les séquences de protéines déjà
connues: BLAST)
Conclusion de l’analyse
• La séquence de la protéine est MKVETCVYSGYKIHPGHGKRLVRTDGKVQIFLSGKALKGAKLRRNPRDIR WTVLHRIKNKKGTHGQEQVTRKKTKKSVQVVNRAVAGLSLDAILAKRNQT EDFRRQQREQAAKIAKDANKAVRAAKAAANKEKKASQPKTQQKTAKNVKT AAPRVGGKR
• Bonne prédiction par tous les logiciels, bons ESTs
• Notre gène inconnu est en fait déjà connu: il code pour une protéine ribosomale de type L24.
Des cas moins idéaux…
Ex: Chromosome 21
Combien de protéines humaines ?
Banques de données de séquences de protéines:(Swiss-Prot + TrEMBL = UniProt)
11’415 + 44’860 22’000
Estimation du nombre de gènes humains: 20’000-25’000
MS proteomics has verified more than 10% of human genes products, but has not identified significant numbers of unpredicted proteins (Southan C, Proteomics, 2004)
En cours: « peptide mapping » du génome, R. Aebersold, 21 % protéines humaines « vérifiées »….
http://www.expasy.org/sprot/
-> ~ 1’200’000 protéines (estimation)
C’est pas fini…
Bioinformatique- application 4:analyse de la séquence primaire des
protéines
• Caractérisation physicochimique• Prédiction de la localisation subcellulaire (“signal
séquences”, “transit peptides”);• Recherche de régions transmembranaires;• Recherche des régions fonctionnelles (domaines
conservés)• Recherche de sites de modifications post-
traductionelles (PTM). • Recherche de régions antigéniques;• Recherche de régions dont la composition est
biaisée (“low complexity sequences”);
http://www.expasy.org/
Séquence d’une protéine « inconnue » de C.elegans
• >seq4• MSTNNYQTLSQNKADRMGPGGSRRPRNSQHATASTPSASSCKEQQKDVEH• EFDIIAYKTTFWRTFFFYALSFGTCGIFRLFLHWFPKRLIQFRGKRCSVE• NADLVLVVDNHNRYDICNVYYRNKSGTDHTVVANTDGNLAELDELRWFKY• RKLQYTWIDGEWSTPSRAYSHVTPENLASSAPTTGLKADDVALRRTYFGP• NVMPVKLSPFYELVYKEVLSPFYIFQAISVTVWYIDDYVWYAALIIVMSL• YSVIMTLRQTRSQQRRLQSMVVEHDEVQVIRENGRVLTLDSSEIVPGDVL• VIPPQGCMMYCDAVLLNGTCIVNESMLTGESIPITKSAISDDGHEKIFSI• DKHGKNIIFNGTKVLQTKYYKGQNVKALVIRTAYSTTKGQLIRAIMYPKP• ADFKFFRELMKFIGVLAIVAFFGFMYTSFILFYRGSSIGKIIIRALDLVT• IVVPPALPAVMGIGIFYAQRRLRQKSIYCISPTTINTCGAIDVVCFDKTG• TLTEDGLDFYALRVVNDAKIGDNIVQIAANDSCQNVVRAIATCHTLSKIN• NELHGDPLDVIMFEQTGYSLEEDDSESHESIESIQPILIRPPKDSSLPDC• QIVKQFTFSSGLQRQSVIVTEEDSMKAYCKGSPEMIMSLCRPETVPENFH• DIVEEYSQHGYRLIAVAEKELVVGSEVQKTPRQSIECDLTLIGLVALENR• LKPVTTEVIQKLNEANIRSVMVTGDNLLTALSVARECGIIVPNKSAYLIE• HENGVVDRRGRTVLTIREKEDHHTERQPKIVDLTKMTNKDCQFAISGSTF• SVVTHEYPDLLDQLVLVCNVFARMAPEQKQLLVEHLQDVGQTVAMCGDGA• NDCAALKAAHAGISLSEAEASIAAPFTSKVADIRCVITLISEGRAALVTS• YSAFLCMAGYSLTQFISILLLYWIATSYSQMQFLFIDIAIVTNLAFLSSK• TRAHKELASTPPPTSILSTASMVSLFGQLAIGGMAQVAVFCLITMQSWFI• PFMPTHHDNDEDRKSLQGTAIFYVSLFHYIVLYFVFAAGPPYRASIASNK• AFLISMIGVTVTCIAIVVFYVTPIQYFLGCLQMPQEFRFIILAVATVTAV• ISIIYDRCVDWISERLREKIRQRRKGA
Bioinformatique- application 4:analyse de la séquence primaire des
protéines
• Caractérisation physicochimique• Prédiction de la localisation subcellulaire (“signal
séquences”, “transit peptides”);• Recherche de régions transmembranaires;• Recherche des régions fonctionnelles (domaines
conservés)• Recherche de sites de modifications post-
traductionelles (PTM). • Recherche de régions antigéniques;• Recherche de régions dont la composition est
biaisée (“low complexity sequences”);
Déterminer les caractéristiques physico-chimiques
http://www.expasy.org/tools/protparam.html
Bioinformatique- application 4:analyse de la séquence primaire des
protéines
• Caractérisation physicochimique• Prédiction de la localisation subcellulaire (“signal
séquences”, “transit peptides”);• Recherche de régions transmembranaires;• Recherche des régions fonctionnelles (domaines
conservés)• Recherche de sites de modifications post-
traductionelles (PTM). • Recherche de régions antigéniques;• Recherche de régions dont la composition est
biaisée (“low complexity sequences”);
Localisation subcellulaire ?PSORT II
Bioinformatique- application 4:analyse de la séquence primaire des
protéines
• Caractérisation physicochimique• Prédiction de la localisation subcellulaire (“signal
séquences”, “transit peptides”);• Recherche de régions transmembranaires (TM);• Recherche des régions fonctionnelles (domaines
conservés)• Recherche de sites de modifications post-
traductionelles (PTM). • Recherche de régions antigéniques;• Recherche de régions dont la composition est
biaisée (“low complexity sequences”);
Résumé des différents résultats obtenus par différents programmes de prédiction
de TM
HMMTOP
PSORT II
TMpred
TMHMM
1 1130
1
1
1
1130
1130
1130
in
in
out
grande boucle
Bioinformatique- application 4:analyse de la séquence primaire des
protéines
• Caractérisation physicochimique• Prédiction de la localisation subcellulaire (“signal
séquences”, “transit peptides”);• Recherche de régions transmembranaires;• Recherche des régions fonctionnelles (domaines
conservés)• Recherche de sites de modifications post-
traductionelles (PTM). • Recherche de régions antigéniques;• Recherche de régions dont la composition est
biaisée (“low complexity sequences”);
http://www.expasy.org/prosite/
Recherche des régions fonctionnelles
Il s’agit probablement d’une ATPase
Bioinformatique- application 4:analyse de la séquence primaire des
protéines
• Caractérisation physicochimique• Prédiction de la localisation subcellulaire (“signal
séquences”, “transit peptides”);• Recherche de régions transmembranaires;• Recherche des régions fonctionnelles (domaines
conservés)• Recherche de sites de modifications post-
traductionelles (PTM). • Recherche de régions antigéniques;• Recherche de régions dont la composition est
biaisée (“low complexity sequences”);
Sequence 484 ISPTTINTC 0.065 . Sequence 487 TTINTCGAI 0.029 . Sequence 499 CFDKTGTLT 0.077 . Sequence 501 DKTGTLTED 0.845 *T* Sequence 503 TGTLTEDGL 0.533 *T*
http://www.cbs.dtu.dk/services/NetPhos/
Prédiction des sites de phosphorylation(Importance des données expérimentales !)
SulfinatorSulfatation
Glycosylation
Conclucion de l’analyse in silico de notre protéine inconnue
Poids moléculaire: 126 kD;Fonction: ATPase potentielle;Localisation subcellulaire: Membrane plasmique.Transmembranaire (~10 hélices); N terminal: intracellulaire; C terminal: intracellulaire)PTM: Phosphorylée
Ça me semble
biologique …mais reste à le prouver !
• Mettre en relation 2 séquences en comparant les acides aminés à chaque position et en tenant compte de leur probabilité de mutation au cours de l’évolution;
Bioinformatique - application 5:alignement de 2 séquences
MY-TAIL--ORIS-RICH-#x #### x#x# ####MONTAILLEURESTRICHE
(algorithme pour comparer des chants d’oiseaux)
BLAST
BLAST« la pierre angulaire de la bioinformatique »
Bioinformatique - application 6: Alignement multiple
Exemples: Clustal W, T-coffee
tr|Q9N323 LVLVCNVFARMAPEQKQLLVEHLQDVGQTVAMCGDGANDCAALKAAHAGISLSEAEASIA sp|Q21286|YBF7_CAEEL ITAMCDVYARMAPDQKAQLIGALQEIGAKVSMCGDGANDCAALKAAHAGISLSQAEASIA sp|Q9H7F0|ATY3_HUMAN LMLHGTVFARMAPDQKTQLIEALQNVDYFVGMCGDGANDCGALKRAHGGISLSELEASVA sp|Q9NQ11|ATY1_HUMAN VLVQGTVFARMAPEQKTELVCELQKLQYCVGMCGDGANDCGALKAADVGISLSQAEASVV sp|O74431|ATC9_SCHPO ILLKAQIFARMSPSEKNELVSCFQNLNYCVGFCGDGANDCGALKAADVGISLSEAEASVA sp|Q12697|ATC9_YEAST ILLNSSIYARMSPDEKHELMIQLQKLDYTVGFCGDGANDCGALKAADVGISLSEAEASVA : ::***:*.:* *: :*.: *.:********.*** *. *****: ***:.
Exemple d’un dendrogramme obtenu à partir d’un résultat de CLUSTALW à l’aide du programme « phylodendron »
http://www.es.embnet.org/Doc/phylodendron/treeprint-form.html
Alignement multiple et dendogramme
Bioinformatique - application 7:phylogénétique
• Reconstruction de l’évolution moléculaire des familles de protéines;• Reconstruction de l’évolution des espèces; création d’arbres
taxonomique;
• Reconstruction de l’évolution des chemins métaboliques.
Computational Challenges from the Tree of Life
The biology community has embarked on an enormously ambitious project, the assembly of the Tree of Life -- the phylogeny of all organisms on this planet.
This project presents a true computational grand challenge: - current phylogenetic methods can barely handle a few hundred organisms. - yet the Tree of Life has an estimated 10-100 million organisms.
November 8, 17:15, EPFL INM 202 Bernard Moret University of New Mexico Albuquerque, USA
Bioinformatique - application 8analyse de la structure secondaire &
modélisation des protéines
Séquence d’une protéine
Structure d’une protéine
?MSTNNYQTLSQNKADRMGPGGSRRPRNSQHATASTPSASSCKEQQKDVEHEFDIIAYKTTFWRTFFFYALSFGTCGIFRLFLHWFPKRLIQFRGKRCSVENADLVLVVDNHNRYDICNVYYRNKSGTDHTVVANTDGNLAELDELRWFKYRKLQYTWIDGEWSTPSRAYSHVTPENLASSAPTTGLKADDVALRRTYFGPNVMPVKLSPFYELVYKEVLSPFYIFQAISVTVWYIDDYVWYAALIIVMSLYSVIMTLRQTRSQQRRLQSMVVEHDEVQVIRENGRVLTLDSSEIVPGDVLVIPPQGCMMYCDAVLLNGTCIVNESMLTGESIPITKSAISDDGHEKIFSIDKHGKNIIFNGTKVLQTKYYKGQNVKALVIRTAYSTTKGQLIRAIMYPKPADFKFFRELMKFIGVLAIVAFFGFMYTSFILFYRGSSIGKIIIRALDLVTIVVPPALPAVMGIGIFYAQRRLRQKSIYCISPTTINTCGAIDVVCFDKTGTLTEDGLDFYALRVVNDAKIGDNIVQIAANDSCQNVVRAIATCHTLSKINNELHGDPLDVIMFEQTGYSLEEDDSESHESIESIQPILIRPPKDSSLPDC
Bioinformatique - application 8analyse de la structure secondaire &
tertiaire des protéines
• Détermination de la structure tertiaire à partir de la séquence (“ab-initio”); problème non-résolu !
• Prédiction de la structure secondaire (hélices…)• Modélisation par homologie: prédire la structure
d’une nouvelle protéine ressemblant à une dont la structure est déjà connue; en plein développement…
• Programme de visualisation pour la structure 3D• Prédiction de “docking” entre protéines ou entre
une protéine et une petite molécule (« drug design »)
Exemple de données de cristallographie aux rayons X
Coordonnées atomiques - données expérimentales
CRYST1 42.700 41.700 73.000 90.00 104.60 90.00 P 21 2 12CA 82ORIGX1 1.000000 0.000000 0.000000 0.00000 12CA 83ORIGX2 0.000000 1.000000 0.000000 0.00000 12CA 84ORIGX3 0.000000 0.000000 1.000000 0.00000 12CA 85SCALE1 0.023419 0.000000 0.006100 0.00000 12CA 86SCALE2 0.000000 0.023981 0.000000 0.00000 12CA 87SCALE3 0.000000 0.000000 0.014156 0.00000 12CA 88ATOM 1 N TRP 5 8.519 -0.751 10.738 1.00 13.37 12CA 89ATOM 2 CA TRP 5 7.743 -1.668 11.585 1.00 13.42 12CA 90ATOM 3 C TRP 5 6.786 -2.502 10.667 1.00 13.47 12CA 91ATOM 4 O TRP 5 6.422 -2.085 9.607 1.00 13.57 12CA 92ATOM 5 CB TRP 5 6.997 -0.917 12.645 1.00 13.34 12CA 93ATOM 6 CG TRP 5 5.784 -0.209 12.221 1.00 13.40 12CA 94ATOM 7 CD1 TRP 5 5.681 1.084 11.797 1.00 13.29 12CA 95ATOM 8 CD2 TRP 5 4.417 -0.667 12.221 1.00 13.34 12CA 96ATOM 9 NE1 TRP 5 4.388 1.418 11.515 1.00 13.30 12CA 97ATOM 10 CE2 TRP 5 3.588 0.375 11.797 1.00 13.35 12CA 98ATOM 11 CE3 TRP 5 3.837 -1.877 12.645 1.00 13.39 12CA 99ATOM 12 CZ2 TRP 5 2.216 0.208 11.656 1.00 13.39 12CA 100ATOM 13 CZ3 TRP 5 2.465 -2.043 12.504 1.00 13.33 12CA 101ATOM 14 CH2 TRP 5 1.654 -1.001 12.009 1.00 13.34 12CA 102……. http://www.rcsb.org/pdb/
Programme de visualisation de la structure tridimentionnelle(Chime, Rasmol, PDB viewer…)
Interaction entre un facteur de transcription
(dimère) et l’ADN
C’est beau…mais y a du
boulot !
HIV: exemple d’application de la HIV: exemple d’application de la bioinformatiquebioinformatique
• 1984: identification du virus;• 1985: séquençage du génome de HIV-1 ; (4 laboratoires dont Montagnier/France et Gallo (USA) (??))
• 1985-1989: caractérisation des protéines;• 1989: structure X-ray de la protéase;• 1990: premiers inhibiteurs modélisés à partir de la
structure 3D de la protéase
• Novembre 1995: premier médicament (Invirase) approuvé par la FDA (trithérapie).
Structure 3D de la protease de HIV
Structure 3D de la protease de HIV +
inhibiteur
Conclusions
Extraordinaire potentiel de la bioinformatique…mais ne elle ne remplace(ra) pas les expériences «wet lab»
génomiques, protéomiques et autres, ni l’esprit critique humain (contexte biologique) !
La bioinfo fournit des outils performants aux chercheurs…
Les données expérimentales des chercheurs permettentd’améliorer les programmes bioinformatiques (prédiction)…
Avant …
Après …
Si vous êtes intéressés:
CPTIC 288 Explorer les génomes en classe
26 novembre 2004
http://www.webpalette.ch/dyn/4207.htm
Acquérir une vue d'ensemble des potentiels “éducatifs”des bases de données
(issues du séquençage du génome humain notamment)
http://tecfa.unige.ch/%7elombardf/projets/odyssee-genomes/
Viroide 300
Petit phage (virus infectant une bactérie) 2,000
Virus du SIDA 10,000
Virus de l’herpès 150,000
Mycoplasma genitalium (bactérie parasite) 600,000
Bactérie 1 à 13 millions
Levure du boulanger 13 millions
Drosophile (mouche) 180 millions
Poisson fugu 360 millions
Homme 3.2 milliards
Pin 68 milliards
Salamandre 81 milliards
Amibe 670 milliards
La taille des génomes (en nombre de bases)