La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

A plicaciones de D ata M ining en c iencia y t ecnología Bioinformática Marcelo A. Soria Maestria en Data Mining. DC-FCEN.

Presentaciones similares


Presentación del tema: "A plicaciones de D ata M ining en c iencia y t ecnología Bioinformática Marcelo A. Soria Maestria en Data Mining. DC-FCEN."— Transcripción de la presentación:

1 A plicaciones de D ata M ining en c iencia y t ecnología Bioinformática Marcelo A. Soria Maestria en Data Mining. DC-FCEN

2 ¿Qúe es la bioinformática? ¿Cuáles son los campos de aplicación? ¿Bioinformática o Biología Computacional? Marcelo A. Soria Maestria en Data Mining. DC-FCEN Algunas preguntas …

3 Bioinformática La recolección organización y análisis de grandes cantidades de datos biológicos El uso de computadoras para resolver problemas infomacionales en biología Data mining El proceso de analizar datos para identificar patrones o relaciones El análisis de grandes cantidades de datos para extraer información Marcelo A. Soria Maestria en Data Mining. DC-FCEN Las dos disciplinas comparten técnicas y procedimientos

4 Una introducción a la biología (¡En una hora y algo!). Parte 1 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Interacción con el medio ambiente y con otros sistemas biológicos Autoreproducción Para sobrevivir, desarrollarse y dejar descendencia un ser vivo debe llevar a cabo un número enorme de reacciones químicas coordinadas Los sistemas biológicos se distinguen de otros sistemas por ciertas características claves:

5 Marcelo A. Soria Maestria en Data Mining. DC-FCEN El dogma central de la biología molecular ADN Replicación ARN Transcripción reversa proteinas Traducción El ADN es el principal material genético en la mayoría de los seres vivos. Mantiene la información genética que se requiere para crear un ser vivo idéntico a aquel del que proviene. Contiene la información para todas las proteínas que un organismo necesita. El ARN es una molécula mediadora, transmite la información del ADN hasta la maquinaria que sintetiza nuevas proteínas

6 Marcelo A. Soria Maestria en Data Mining. DC-FCEN El ADN (ácido desoxirribonucleíco) y el ARN (ácido ribonucleíco) son polímeros de nucleótidos monofosfato. En el ADN la cadena es doble y en el ARN simple La estructura de los ácidos nucleicos Un ejemplo de nucleótido grupo fosfato La información contenida en los ácidos nucleicos está contenida en la secuencia de bases de una cadena pentosa base Esquema del ADN ADN: A,T,C,G ARN: A,U,C,G

7 Marcelo A. Soria Maestria en Data Mining. DC-FCEN La estructura de los ácidos nucleicos Las bases de cadenas opuestas en el ADN están apareadas de una forma específica: A con T y C con G: AdeninaGuanina CitocinaTiminaUracilo A C T G C C G T A A T C G C C T T G A T G A C G G C A T T A G C G G A A C T Esta estructura facilita la copia del ADN Cadena directa Reverso complemento Imagen de Wikipedia

8 Codificación de la información El ADN y algunos ARN contienen información para sintetizar proteínas. Cualquier ser vivo necesita miles de proteínas distintas para: realizar reacciones químicas funciones estructurales interacción con el ambiente externo e interno manejo de la información Modelo de la estructura 3D de la enzima glucosa oxidasa (ModBase) Una proteína es un polímero lineal de aminoácidos, desde unos pocos aminoácidos hasta 400 o más. Existen muchos aminoácidos pero los seres vivos usamos solo 20 tipos diferentes. La secuencia de bases del ADN codifica la secuencia de aminoácidos que debe tener una proteína. Marcelo A. Soria Maestria en Data Mining. DC-FCEN

9 Marcelo A. Soria Maestria en Data Mining. DC-FCEN AminoácidoCódigo 3 letrasCódigo 1 letraPropiedades AlaninaAlaAHidrofóbico ArgininaArgRCon carga positiva AsparraginaAsnNNeutro; hidrofílico AspartatoAspDCon carga negativa CisteinaCysCNeutro FenilalaninaPheFHidrofóbico; aromatico GlicinaGlyGNeutro GlutamatoGluECon carga negativa GlutaminaGlnQNeutro; hidrofílico HistidinaHisHCon carga positiva; aromatico IsoleucinaIleIHidrofóbico LeucinaLeuLHidrofóbico LisinaLysKCon carga positiva MetioninaMetMHidrofóbico ProlinaProPHidrofóbico SerinaSerSNeutro; hidrofílico TirosinaTyrYHidrofóbico; aromatico TreoninaThrTNeutro; hidrofílico TriptofanoTrpWHidrofóbico; aromatico ValinaValVHidrofóbico

10 El código genético En un gen que codifica para proteinas, cada grupo de tres nucleótidos codifica para un aminoácido diferente o es una señal de STOP. Marcelo A. Soria Maestria en Data Mining. DC-FCEN UUU UUA AUU AUU Phe Leu Ile Ile Ejemplo

11 Información y función en sistemas biológicos ADN alfabeto de 4 letras estable transmisible distintos tipos de mensajes palabras de tres letras (codones) palabras codifican los nombres de 20 aminoácidos rRNA, tRNA signos de puntuación basura mRNA proteinas reguladoras estructurales enzimas Marcelo A. Soria Maestria en Data Mining. DC-FCEN

12 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Una de las tareas más importantes y frecuentes de los bioinformáticos es analizar secuencias y realizar comparaciones entre secuencias de ADN y proteínas

13 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Comparación de secuencias ¿Por qué nos interesa comparar secuencias de ADN o proteínas de distintos orígenes? ¿Cómo se pueden alinear secuencias?

14 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Alineamiento de secuencias Ejemplo: alinear las palabras pantalón y andado Dos tipos de alineamientos Alineamiento global (algoritmo de Needleman-Wunsch) Alineamiento local (algoritmo Smith-Waterman)

15 Alineamiento global Ejemplo: alinear las palabras pantalon (sin acento) y andado Palabra 1 pantalon coincidencias -an.a.o- Palabra 2 -andado- En este alineamiento vemos los eventos que pueden ocurrir al alinear palabras, consideradas como secuencias de letras: Coincidencia o match: las dos letras son iguales No coincidencia o mismatch: las letras no coinciden Hueco o gap: para aumentar la cantidad de matches se agregan espacios, al final, al principio o en el medio Marcelo A. Soria Maestria en Data Mining. DC-FCEN Y ahora el ejemplo en detalle…

16 Alineamiento global Armamos una tabla con las palabras y la distancia desde el origen pantalon a n-2 d-3 a-4 d-5 o-6

17 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Alineamiento global pantalon a n-2 d-3 a-4 d-5 o-6 Después calculamos los valores para cada celda match = +1 mismatch = -1 gap = -1 gap + celda superior, gap + celda izquierda, match/mismatch + celda diagonal Cálculo del valor de la celda: max La flecha indica donde queda el máximo seleccionado. Es importante marcarlo porque a veces dos celdas pueden ser máximos, y hay que ser consistentes en la selección, gap o diagonal Valores predefinidos:

18 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Alineamiento global pantalon a n d a d o completamos la tabla …

19 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Alineamiento global pantalon a n d a d o … Y reconstruimos el camino que maximiza la suma de celdas de atrás para adelante empezando por la última Palabra 1 pantalon Palabra 2 -andado- Las flechas horizontales y verticales representan gaps y las diagonales matches o mismatches !!

20 Alineamiento local Los bordes de la matriz se inicializan en cero. El valor de la celda nunca puede ser menor que cero, y no se agregan punteros a menos que el valor sea mayor que cero. El alineamiento comienza desde el valor más alto y termina en cero Marcelo A. Soria Maestria en Data Mining. DC-FCEN pantalon a n d a d o

21 Alineamiento global versus local Marcelo A. Soria Maestria en Data Mining. DC-FCEN El alineamiento global busca exhaustivamente todo el espacio de búsqueda, introduciendo gaps donde no puede encontrar un apareamiento adecuado. El alineamiento local busca sólo en regiones donde hay un apareamiento significativo. Es más efectivo cuando se analizan regiones que incluyen sectores con muy poca similitud. El método de alineamiento más usado, Blast, es un método de alineamiento local Modificaciones Variaciones en la penalización de los gaps: iniciar un gap es más caro que extenderlo Alineamiento por bandas: variante para reducir la memoria, puede dar alineamientos sub óptimos En el caso de alineamientos locales, restringir las búsquedas a zonas con scores mayores que cero: Blast

22 Marcelo A. Soria Maestria en Data Mining. DC-FCEN En nuestros ejemplos anteriores habíamos alineado palabras. Nosotros tenemos que alinear nucleótidos en una secuencia de ADN o aminoácidos en una proteína. Los aminoácidos tienen una particularidad, algunos de ellos tienen estructuras químicas similares. Si por mutación un aminoácido es reemplazado por uno estructuralmente similar, es probable que no haya un efecto muy drástico sobre la proteína.

23 Marcelo A. Soria Maestria en Data Mining. DC-FCEN IL V M F Y S C A G W HR K D E Q N T Similitudes entre aminoácidos alifáticos hidrofóbicos aromáticos con grupos -OH hidrofílicos cargados postivos negativos con grupos –NH 2 pequeños Se realizaron alineamientos entre grupos de proteínas y se determinan las frecuencias de ocurrencia simultánea de todos los pares de aminoácidos S* ij = log(q ij /p i p j )

24 Marcelo A. Soria Maestria en Data Mining. DC-FCEN CSTPAGNDEQHRKMILVFYW C S T P A G N D E Q H R K M I L V F Y W Matriz Blosum62, una matriz de scoring A partir de los S * ij se calculan los valores de la matriz multiplicando por una constante y redondeando para que queden números enteros (scores crudos). S* ij.λ= S ij

25 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Calculando el valor exacto de λ Resolvemos esta ecuación para determinar λ Necesitamos calcular λ para estimar el valor E de cada alineamiento. Los programas calculan λ por nosotros (por suerte…)

26 Marcelo A. Soria Maestria en Data Mining. DC-FCEN C S T T A D W A A N T C T T T A D W A E N T Suma de los scores individuales (score crudo) = 54 Alineamiento + cálculo de score Ya habíamos visto como construir alineamientos, ahora necesitamos asignarle un score. Ahora necesitamos asignarle un valor de E (algo parecido a un test estadístico)…

27 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Cálculo del E de un alineamiento Una alternativa es calcular E a partir del score normalizado (el que aparece en unidades de bits en la salida del BLAST): E: número de alineamientos esperados al azar, dados… k: una constante m: número de letras en la consulta n: número de letras (nucleótidos / aminoácidos) en la base de datos λS * : score del alineamiento

28 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Cálculo del E de un alineamiento La otra alternativa es a partir de la estadística de Karlin- Altschul para alineamientos locales E: número de alineamientos esperados al azar, dados… m: número de letras en la consulta n: número de letras (nucleótidos / aminoácidos) en la base de datos λS: score del alineamiento La ecuación de Karlin-Altschul

29 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Presencia de gaps Permitir gaps en los alineamientos, equivale a bajar los valores de la matriz de scoring. Cuanto más barato sea introducir gaps, mayor será la pérdida de información. Para compensar existen valores ajustados empíricamente de k y λ Abrir un gapExtender un gapλkH * prohíbido Los gaps tienen un sentido biológico, no es conveniente prohibirlos. La práctica más usada es usar una penalidad alta por crearlos y una menor por extenderlos. (*) H: entropía, una medida del contenido de información de la matriz de scoring Correcciones para la matriz BLOSUM62

30 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Corrección por largo La ecuación de Karlin-Altschul considera un espacio de búsqueda igual a m x n. pero los extremos de las secuencias no pueden ser explorados efectivamente. Se puede calcular el largo mínimo de una secuencia que puede producir un E significativo: l Con l se pueden calcular los valores efectivos de m y n ndb: número de secuencias en la base de datos

31 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Corrección por largo A medida que el número de secuencias en las bases de datos de secuencias aumentan, es cada vez más fácil encontrar valores de l mayores que m, o sea, m negativos. Para remediar esto, si m < 1/k, entonces m = 1/k

32 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Cálculo del E de un alineamiento Nuestra secuencia consulta (A) puede alinearse a una secuencia de la base de datos (B) en regiones: A B Decimos que B se alinea con dos HSP (High- scoring Segment Pair) hsp

33 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Cálculo del score para un grupo de HSPs Cuando queremos calcular el score y el E de una secuencia con varios con varios HSP no podemos simplemente sumar los HSP individuales…

34 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Cálculo del score para un grupo de HSPs …existen varias posibilidades, dependiendo del tipo de Blast que estemos usando: r: número de HSPs g: largo del gap Score suma no-ordenado 2.Score suma ordenado de a pares, premia HSPs colineales 3.Score modificado de 2, lo usa BLASTX, premia si los gaps son cortos, es menos sensible al tamaño de la base dedatos, aunque da scores mayores cuanto mayor es el espacio de búsqueda.

35 Marcelo A. Soria Maestria en Data Mining. DC-FCEN BLAST por fin !!

36 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Ya sabemos como alinear secuencias localmente Tambien sabemos cómo asignarles una expectativa a los HSP (E) Ahora necesitamos un algoritmo que nos permita buscar secuencias similares a nuestra consulta en una base de datos que puede tener millones de registros en un tiempo razonable (1-2 minutos)

37 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Secuencia 1 Secuencia 2 Un alineamiento entre dos secuencias alineamientos (HSPs) alineamientos con un gap El objetivo de Blast es encontrar cada uno de los HSP significativos, para todas las secuencias similares

38 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Pasos de Blast: EvaluaciónSiembraExtensión Uno de los supuestos de Blast es que si dos secuencias tienen homología, tiene que haber palabras en común. En la terminología de Blast llamamos palabra a grupos contíguos de aminoácidos o nucleótidos Por ejemplo, si definimos palabras de tres letras, la secuencia de aminoácidos ANCFG tiene 3 palabras: ANFCG ANF NFC FCG Siembra

39 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Cuando Blast compara dos secuencias, primero busca la ubicación de todas las palabras comunes (word hits). Los word hits son las semillas a partir de donde se extienden los alineamientos. Una palabra común no significa una palabra idéntica. Recordemos que a veces un aminoácido puede reemplazar a otro sin afectar demasiado la proteína (matrices BLOSUM y PAM). Lo que se utiliza para calcular si una secuencia se puede considerar word hit, es determinar el vecindario de la secuencia.

40 Marcelo A. Soria Maestria en Data Mining. DC-FCEN DVHGTANCFG HVHGTANCFG Ejemplo: secuencia 1 secuencia 2 Consideremos una palabra de tres letras (W = 3) Usamos la matriz BLOSUM62 Si las dos secuencias comenzaran con DVH, el score sería: = 18 Pero tenemos que comparar DVH con HVH: = 11 ¿Un score de 18 es significativo? ¿Y el de 11? ¿Cómo se decide?

41 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Se fija un valor umbral conocido como T (threshold). La determinación es empírica y depende que queremos priorizar, velocidad o búsqueda. W también se puede variar. Dependiendo de la implementación de Blast se puede variar uno o los dos. ¿Qué efecto tendrá un W más grande o más chico? ¿Qúe ocurre con T? PREGUNTAS Algunas mejoras: Algoritmos de dos golpes Enmascaramiento de secuencias

42 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Extensión Secuencia 2 Secuencia 1 El segundo paso, la extensión, intenta prolongar los alineamientos a partir de las semillas del paso anterior

43 Marcelo A. Soria Maestria en Data Mining. DC-FCEN DVHGTANCFGQQHRL HVHGTANCFGQKQCG Ejemplo: Vamos a extender hacia la derecha Parte alineada con semillas scores scores acumulados Cuando el score cae por debajo de un umbral (X) se detiene la extensión: 2 1 DVHGTANCFGQQH HVHGTANCFGQKQ La elección de X tiene poco efecto sobre el rendimiento del programa comparado con W y T

44 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Evaluación En este paso se determina cuáles de los alineamientos parciales obtenidos son significativos, es decir, pueden ser considerados un HSP. También se determinan la secuencia de HSPs y se resuelven las posibles superposiciones Finalmente se calcula el valor E del conjunto

45 Marcelo A. Soria Maestria en Data Mining. DC-FCEN Modificación de parámetros en NCBI-BLAST La implementación web del NCBI permite cambiar solo algunos de los parámetros que vimos W Umbral para E Selección de la matriz de scoring Costo de los gaps Filtrar regiones de baja complejidad Filtrar solo en el paso el paso de siembra Filtrar secuencias en minúsculas Ajuste fino del scoring

46 La salida de BLAST documentada Esta tabla que aparece al final de cualquier análisis BLAST registra nuestras opciones, las características principales de la base de datos y muestra secuencias y algunos estadísticos

47 La salida tabulada de BLAST. Nombres de campos Query_id, identificador de la secuencia consulta Subject_id, identificador del hit que devuelva Blast identity, porcentaje de posiciones (nucleótidos o aminoácidos idénticos) identity, porcentaje de posiciones positivas (sólo para aminoácidos) alignment_length, largo del alineamiento mismatches, número de no-coincidencias gap_openings, cantidad de gaps que incluye el alineamiento q_start, comienzo del alineamiento en las coordenadas de la consulta q_end, fin del alineamiento en las coordenadas de la consulta s_start, comienzo del alineamiento en las coordenadas del hit s_end, comienzo del alineamiento en las coordenadas del hit e_value, valor E del alineamiento bit_score. valor del score en bits, esto es, en logaritmo base 2

48 Marcelo A. Soria Maestria en Data Mining. DC-FCEN La familia de programas Blast ProgramaBase de datosConsulta BLASTNnucleótido BLASTPproteína BLASTXproteína nucleótido traducido a proteína TBLASTN nucleótido traducido a proteína proteína TBLASTX nucleótido traducido a proteína Estos son los básicos, después hay derivaciones para usos más específicos


Descargar ppt "A plicaciones de D ata M ining en c iencia y t ecnología Bioinformática Marcelo A. Soria Maestria en Data Mining. DC-FCEN."

Presentaciones similares


Anuncios Google