Bioinformatyka

Wykład 2 (14.X.2008)

I r. studiów magisterskich, biologia (SGGW)

Krzysztof Pawłowski

…tydzień

temu…

„

Co to jest bioinformatyka

„

Sekwencjonowanie DNA

„

Sekwencjonowanie genomów – „historia”

Wykład 2 –

spis treści

„

Metagenomika

„

„Gen” ???

„

Biologiczne bazy danych – historia

„

Biologiczne bazy danych

– „najważniejsze”

„

Sekwencyjne bazy danych

– formaty plików

Rozwój technik sekwencjonowania

Metagenomika

(„community

genomics”)

Global

Ocean Sampling

22434045 sekwencji białkowych

PLoS

Biology, 2007

Human

Microbiome

Project

Science, 2006

Human

Microbiome

Project

PNAS, 2008

Gene

definitions…

„

1860s–1900s: Gene as a discrete unit of heredity

„

1910s: Gene as a distinct locus

„

1940s: Gene as a blueprint for a protein

„

1950s: Gene as a physical molecule

„

1960s: Gene as transcribed code

„

1970s–1980s: Gene as open reading frame (ORF)

sequence pattern

„

1990s–2000s: Annotated genomic entity, enumerated in

the databanks

What

is

a gene, post-ENCODE?

Gerstein

et al., Genome

Res. 2007 17: 669-681

„

1. A gene is a genomic sequence (DNA or RNA) directly encoding

functional

product

molecules, either

RNA or

protein.

„

2. In the case that there are several functional products sharing

overlapping

regions, one takes

the

union

of

all

overlapping

genomic

sequences

coding

for them.

„

3. This union must be coherent—i.e., done separately for final

protein and

RNA products—but

does

not require

that

all

products

necessarily

share

a common

subsequence.

The

gene

is

a union

of

genomic

sequences

encoding

a coherent

set of

potentially

overlapping

functional

products.

Model Organizacji danych

Poziom badań

Zasoby

N=1078...

1951

Sanger

i Tuppy

–

rozwój technik sekwencjonowania białek

1965-78

Margaret

Dayhoff

i współpr. –

pierwsza baza danych o sekwencjach białek

Atlas of Protein Sequence and Structure

; pogrupowanie białek w rodziny i

nadrodziny

w oparciu o stopień

podobieństwa; stworzenie macierzy (tablic)

PAM zawierających prawdopodobieństwa zmian jednego aminokwasu na
inny

Pierwsze bazy bia

Pierwsze bazy bia

ł

ł

kowe

kowe

1984

powstanie bazy danych PIR (Protein Information

Resource)

1979

Walter Goad

i współpr. z LANL –

stworzenie prototypu GenBank-u, bazy

danych sekwencji nukleotydowych

1982

upublicznienie danych w GenBank-u

Pierwsze bazy DNA

Pierwsze bazy DNA

1980

powstanie obecnej bazy danych EMBL (European

Molecular

Biology

Laboratory) w Heidelbergu

1984

powstanie bazy danych DDBJ (DNA DataBank

of

Japan) w Mishima

1977

Maxam

i Gilbert oraz Sanger

i współpr. –

rozwój technik sekwencjonowania

kwasów nukleinowych; oprogramowanie (Staden)

Integracja baz

Integracja baz

EMBL

EBI

Hinxton

UK

PIR

GU

USA

SwissProt

SIB

Szwajcaria

1987

International

International

Nucleotide

Nucleotide

Sequence

Sequence

Database

Database

Collaboration

Collaboration

2002

UniProtR

–

International

Protein

Sequence

Database

GenBank

NCBI

Bethesda

USA

DDBJ

Mishima

Japonia

TrEMBL

EBI

UK

Dalszy rozw

Dalszy rozw

ó

ó

j baz

j baz

1986

Powstanie białkowej bazy danych SWISS-PROT; Szwajcaria

1993

Cherry i Cartinhour

–

pierwsza baza genomowa: ACEDB (a Caenorhabditis

elegans

database)

1992

Założenie TIGR (The

Institute for Genomic

Research); Rockville; Maryland

1991

Adams i współpr. -

powstawanie bibliotek i baz cDNA

i ESTs (expressed

sequence

tags) –

duże znaczenie dla badania genomów, określania

ekspresji genów w różnych warunkach i tkankach

1988

Utworzenie NCBI (National

Center for Biotechnology

Information)

przy

NIH/NLM, USA

Rozw

Rozw

ó

ó

j metod do analiz sekwencji

j metod do analiz sekwencji

Powstanie i rozwój programów do analizy sekwencji:
GCG (Genetics

Computer

Group) -

od

lat 1980-tych

Powstanie i rozwój programów do uzyskiwania danych z baz:

ENTREZ (NCBI) -

1992

Algorytm do porównywania i sekwencji białkowych:
Needleman

i Wunsch

-

1970

Szybkie przeszukiwanie sekwencyjne baz danych:
FASTA –

1985

BLAST -

1990

Zasoby pierwotne i wtórne

„

Pierwotne bazy danych

„

GenBank/EMBL

/DDBJ

„

dbEST dbSTS dbSNP Trace

„

Wtórne bazy danych

„

Assembly Archive

„

CDD

„

EntrezGene

„

Genome Projects

„

HomoloGene

„

Map Viewer

„

RefSeq, SwissProt

„

UniSTS

Baza pierwotna

Baza wtórna

August 30, 2008: RefSeq

Release

31

Organisms:

5.513

Proteins:

5.859.648

Genomic:

1.709.801

RNA:

1.576.253

Proteins:

5,859,648

Organisms: 5,513

Entrez

Wsp

Wsp

ó

ó

ł

ł

praca mi

praca mi

ę

ę

dzy bazami danych

dzy bazami danych

EBI

GenBank

GenBank

DDBJ

DDBJ

EMBL

EMBL

EMBL

EMBL

NIG

NIG

CIB

NCBI

•

Submissions

•

Updates

SRS

getentry

•

Submissions

•

Updates

•

Submissions

•

Updates

NIH

NIH

NLM

NLM

Sequence Retrieval System

BIOINFORMATYKA

BIOINFORMATYKA

-

-

rozw

rozw

ó

ó

j

j

BIOINFORMATYKA

BIOINFORMATYKA

-

-

rozw

rozw

ó

ó

j

j

Bia

Bia

ł

ł

kowe bazy danych

kowe bazy danych

SWISS-PROT

,

Szwajcaria

RefSeq

Protein

(NCBI), USA

UniProt

= SwissProt + PIR + TrEMBL

Bia

Bia

ł

ł

kowe bazy danych

kowe bazy danych

SWISS-PROT

,

Szwajcaria

RefSeq

Protein

(NCBI), USA

UniProt

= SwissProt + PIR + TrEMBL

Bia

Bia

ł

ł

kowe bazy danych

kowe bazy danych

PDB

-

The

Protein Data Bank, USA

-

struktury

trójwymiarowe

kwasów nukleinowych i białek

Genomowe

Genomowe

bazy danych

bazy danych

TIGR -

The

Institute for Genomic

Research, USA

Genome

Browser

at

the

University

of

California

Santa Cruz (UCSC)

NCBI Genomic

Resources

,

USA

Ensembl Genome

Browser

(EBI & Sanger

Institute)

NCBI

NCBI

–

–

Home

Home

Page

Page

Problemy w bazach danych

Problemy w bazach danych

zanieczyszczenie sekwencjami wektorów wykorzystywanymi do
klonowania, bakterii, rRNA, mtDNA

i innymi przypadkowymi sekwencjami

poziom błędu sekwencji nukleotydowych: 1/10 000 (bardzo dobry), 1/100
(dla raz przeczytanych sekwencji w bazach EST, HTG)

poziom błędu sekwencji aminokwasowych: przesunięcie ramki odczytu
(frame-shift

error) -

5-10% sekwencji; błędnie przeczytane na białko

sekwencje genów podzielonych z powodu błędnego określenia eksonów

(10-15%): utrata niektórych eksonów, przetłumaczenie sekwencji
intronów
występowanie w bazach sekwencji identycznych jako różnych rekordów –

> tworzenie baz

non-redundant

Problemy w bazach danych

Problemy w bazach danych

przypisanie funkcji charakterystycznej dla jednej sekwencji do drugiej
sekwencji wykazującej homologię

do pierwszej sekwencji

sekwencja

A

funkcja

1

sekwencja

B

Funkcja 1

błędne adnotacje z ”trzeciej i czwartej ręki”

sekwencja

B

funkcja

1

sekwencja

C

Funkcja

1

sekwencja

C

funkcja

1

sekwencja

A

BRAK HOMOLOGII

funkcja

1

UniProt, GenBank, RefSeq

GenBank

i RefSeq