Upload
internet
View
104
Download
0
Embed Size (px)
Citation preview
Predição computacional de genes
Marcelo Falsarella Carazzolle
Laboratório de Genômica e Proteômica
Unicamp
Resumo
- Motivação
-Estrutura de genes
- Procariotos
- Eucariotos
- Predição de genes em procariotos
- Predição de genes em eucariotos
Motivação- Encontrar genes novos
?
- Genoma de fungo possuem 30% - 40% dos genes sem nenhuma função conhecida
- Expedição de Craig Venter coletou micro organismos ao redor do mundo e sequenciou :
- 6.12 milhões de proteínas (~2x o número de proteínas depositadas no NCBI)
- ~ 4.000 novas famílias de proteínas
- ~ 6.000 proteínas que estavam depositadas nos bancos públicos e estavam sem similaridade passaram a ter similaridade
- Foram coletados 41 amostras nos mares do mundo (~ 8000 km)
PLOS Biology 5 (2007), 0432
Informações biológicas usadas pelos programas
- Sinais na sequência :
- Códons de start e stop (3 nt)
- Intron splice sites (2 nt em cada ponta)
- Promotor : elementos Cis (~10 nt com degenerescência), TATA box (5 nt)
- Sítio de poliadenização (~10 nt)
- Códon usage
- Conteúdo GC
- Similaridade com outras proteínas
- Alinhamento ESTs - DNA
Estrutura dos genes- Procariotos
-Alta densidade gênica (~ 85 % de regiões codantes em E.coli)
- Genes sem íntrons
Promoter Cistron1 Cistron2 CistronN Terminator
Transcription RNA Polymerase
mRNA 5’ 3’
TranslationRibosome, tRNAs,Protein Factors
1 2 N
NC
NC N
C
1 2 3
- Eucariotos
Predição de genes em procariotos
Sinais na sequência de DNA de um procarioto que podem ser utilizados na predição de genes
Regiões da sequência de DNA de um procarioto que apresentam diferenças nas análises de conteúdo GC e codon usage
Conteúdo GC
- Regiões condantes (que codificam um gene) tem alto conteúdo GC (rica em nucleotídeos G e C)
Região do DNA que contêm um gene Conteúdo GC elevado nessa região
- Regiões rica em GC são mais difíceis de sofrerem mutações (ligação química forte)
ORF – open read frame
A C G T A A C T G A C T A G G T G A A T
GTA ACT GAC TAG GTG AAT
TAA CTG ACT AGG TGA
CGT AAC TGA CTA GGT GAA
- Cada grupo de nucleotídeos em trincas consecutivas constituem um read frame
- Existem 3 diferentes read frames na direção 5’ -> 3’ e mais 3 na direção contrária (outra fita)
- Uma sequência de trincas que não contêm um stop dentro é chamanda de open read frame (ORF)
-A probabilidade de uma sequência aleatória de “n” nucleotídeos não conter um códon de stop é (61/64)n
- Quando n=50 a probabilidade de ter um códon de stop no meio da sequência é de 92%
- Normalmente usa-se, para procariotos, ORFs de tamanho n>=60 para definir possíveis candidatos a genes
Códon usage-Baseado no fato que o uso do códon é diferente para cada organismo
- Regiões codantes seguem o codon usage do organismo diferentemente das regiões intergênicas
V, P, A, G => 4 combinações
L, S, R => 6 combinações
I,* => 3 combinações
F, Y, H, Q, N, K, D, E, C => 2 combinações
M, W => 1 combinações
• All organisms have a preferred set of codons.
Malaria TrypanosomaGTT 0.41 GTT 0.28
GTC 0.06 GTC 0.19
GTA 0.42 GTA 0.14
GTG 0.11 GTG 0.39
Códon usage homo sapiens
http://bioweb.pasteur.fr/seqanal/interfaces/syco.html
Gene1 Gene2
Frame
+1
+2
+3
• http://www.kazusa.or.jp/codon/Cálculo do códon usage
http://bioweb.pasteur.fr/docs/EMBOSS/cusp.html http://codonw.sourceforge.net/
- A tabela de uso do códon do organismo é facilmente obtida usando programas como codonw ou cusp e usando como entrada sequências em nucleotídeo que codificam proteínas e no frame correto (tipicamente obtidas via similaridade entre a sequência e a proteína)
• One type of RNA polymerase.
Sinais no promotor
- Com o alinhamento de sequências de promotores ortólogos é possível reconhecer regiões que se mantêm conversadas durante a evolução, observem que as distâncias também são conservadas
Positional Weight Matrix
• For TATA box:
Juntando tudo
-Promotor e início de transcrição são sinais obtidos através de alinhamentos entre promotores ortólogos (treinamento feito usando sequências de organismos próximos)
- Regiões codantes (exons) são obtidos por codon usage (treinamento feito usando regiões do DNA que possuam com similaridade forte com proteínas conhecidas) e conteúdo GC
- Outro vínculo importante é a ordem dos sinais. Não tem sentido um sinal de início de transcrição no meio do exon
• Gene length: 30kb, coding region: 1-2kb • Binding site: ~6bp; ~30bp upstream of TSS• Long Introns• Average of 6 exons, 150bp long
Predição de genes em eucariotos
Identificando splice sites (junção íntron-exon)
- Com o alinhamento entre sequências de cDNA e DNA é possível identificar as regiões dos íntrons
- Com o alinhamento global entre os íntrons constroem-se a matriz de posição com os padrões de splice sites, branch site e tamanho médio dos íntrons
Juntando tudo
-Promotor e início de transcrição são sinais obtidos através de alinhamentos entre promotores ortólogos (treinamento feito usando sequências de organismos próximos)
- Regiões codantes (exons) são obtidos por codon usage (treinamento feito usando regiões do DNA que possuam com similaridade forte com proteínas conhecidas) e conteúdo GC
- Informações sobre os íntrons são obtidas através de alinhamento do DNA com ESTs
- Outro vínculo importante é a ordem dos sinais. Não tem sentido um sinal de início de transcrição no meio do exon
- Usando genes conhecidos e de preferência não usados no conjunto de treinamento podem ser usados para medir a performance do preditor
Sp=TP/(TP+FP)
- Usando genes conhecidos e de preferência não usados no conjunto de treinamento podem ser usados para medir a performance do preditor
Performance
KORF, I. Gene finding in novel genomes. BMC Bioinformatics 5:59. 2004.
Sn=TP/(TP+FN) Sp=TP/(TP+FP)
END
CodonPreference: 3rd position GC bias