Bioinformatica tentamen D1 voor MNW2 op 23 maart 2004 van uur in S111. DEEL A: MEERKEUZE VRAGEN omcirkel het juiste antwoord

Transcriptie

1 Bioinformatica tentamen D1 voor MNW2 op 23 maart 2004 van uur in S111 Naam: Studentnummer: DEEL A: MEERKEUZE VRAGEN omcirkel het juiste antwoord 1. De belangrijkste factor voor het ontstaan van secundaire structuur in eiwitten is a. de vorming van waterstofbruggen tussen polaire atomen in de hoofdketen. b. het feit dat eiwitten vaak interacteren met elkaar. c. het feit dat β-strands vaak door α-helices van solvent wordt afgescheiden in de cel. d. het feit dat loops de α-helices en β-strands onderbreken in de eiwitstructuur. 2. De secundaire structuur die voor zijn vouwing het meest afhankelijk is van de context (omgeving) in de eiwitstructuur is a. de β-strand. b. de α-helix. c. de loop structuur. d. geen van de drie voorgaande structuren want er is geen verschil in contextafhankelijkheid. 3. Met de stelling Nature is a tinkerer and not an inventor (Jacob, 1977) wordt NIET bedoeld dat a. veel ontwikkelde vormen in de natuur hergebruikt worden. b. de natuur op een halfslachtige wijze tot stand komt. c. de natuur niet het resultaat van steeds nieuwe uitvindingen is. d. veranderingen in de natuur via kleine stappen plaatsvinden. 4. De sequentie-similariteit tussen twee genen die divergent geëvolueerd zijn t.o.v. van dezelfde similariteit tussen twee genen die het resultaat zijn van convergente evolutie worden verwacht het volgende patroon te laten zien: a. De twee divergente genen hebben waarschijnlijk een hogere sequentie similariteit dan de convergente genen. b. De twee divergente genen hebben waarschijnlijk een lagere sequentie similariteit dan de convergente genen. c. Er kan niet verwacht worden dat het ene paar genen meer of minder op elkaar lijkt dan het andere paar. 5. Semi-global alignment is een alignment techniek a. waarbij de waarden in de dynamische programmeringmatrix niet beneden 0 kunnen komen. b. waarbij de gebruikte amino acid exchange matrix alleen waarden 0 heeft. c. waarbij N- en C-terminale end-gaps niet meetellen, d.w.z. niet bestraft worden met gap penalties. d. waarbij de N-terminale helften van sequenties globaal aligned worden. 6. Evolutie kan gezien worden als een conserverend ontwikkelingsproces omdat 1

2 a. Darwin een gelovig mens was. b. selectiedruk maakt dat de meerderheid van veranderingen, zoals mutaties en indels, geaccepteerd wordt, maar dus niet allemaal. c. survival of the fittest betekent dat steeds de genen van de sterkste naar de volgende generatie gaan. d. bijna alle mutaties en indels de individuele fitness verminderen of zelfs lethaal zijn. 7. De nearest neighbour clustering methode wordt een space contracting cluster methode genoemd omdat a. de oorspronkelijke datapunten naar elkaar toe schuiven en dus steeds dichter bij elkaar komen te liggen b. als afstand tussen clusters de kleinste afstand geselecteerd wordt uit de afstanden tussen punten in de ene en punten in de andere cluster, waardoor de verwachte afstand tussen groeiende clusters afneemt. c. chaining optreedt en hierdoor de dendrogrammen steeds compacter worden. d. deze in mathematische zin geen echte clustermethode is. 8. Twee stellingen: (1) splicing is in 1976 ontdekt in prokaryoten, en (2) het merendeel van de eukaryotische genen bestaat uit een enkele exon. a. Stelling 1 en 2 zijn beide juist. b. Stelling 1 is juist, 2 is onjuist. c. Stelling 1 is onjuist, 2 is juist. d. Stelling 1 en 2 zijn beide onjuist. 9. Twee stellingen: (1) menselijke genen bestaan voor het merendeel uit introns, en (2) introns zijn gemiddeld veel langer dan exons. a. Stelling 1 en 2 zijn beide juist. b. Stelling 1 is juist, 2 is onjuist. c. Stelling 1 is onjuist, 2 is juist. d. Stelling 1 en 2 zijn beide onjuist. 10. Twee stellingen: (1) Een gen B dat paraloog is met gen A in soort 1 kan nooit een hogere sequentiesimilariteit hebben met het orthologe gen A in soort 2 (gen A in soort 1 is ortholoog met gen A in soort 2) dan gen A en A hebben. (2) Het vinden van orthologen is belangrijk voor een juiste vergelijking van genen. a. Stelling 1 en 2 zijn beide juist. b. Stelling 1 is juist, 2 is onjuist. c. Stelling 1 is onjuist, 2 is juist. d. Stelling 1 en 2 zijn beide onjuist. 11. Welke van de onderstaan antwoorden is NIET juist: Het PSI-Blast algoritme is gevoeliger dan niet-iteratieve BLAST programma s omdat a. PSI-Blast een position-specific scoring matrix (PSSM) gebruikt. b. door iteratie steeds met vollediger sequentie-informatie gezocht kan worden. c. na een iteratieslag de sequenties (hits) die herkend worden, bij de zoeksequenties van de vorige iteratie worden opgenomen. d. PSI-Blast de functie van het zoekeiwit (query sequence) kent en hiermee veel gevoeliger kan zoeken. 2

3 DEEL B: OPEN VRAGEN De drie laatste pagina s van dit tentamenformulier zijn leeggelaten voor het geval extra ruimte om zaken toe te lichten nodig is. Geef duidelijk aan bij de vragen wanneer je deze extra vellen gebruikt (geef forward en backward pointers). B.1. Iemand heeft een Dynamische Programmeringingsmethode om paarsgewijs sequenties te alignen, maar gebruikt als affine gap penalties, gap-open= 10 en gap-extension=0. Wat zou de biologische rationale hiervoor kunnen zijn? Ben je het hiermee eens? 3

4 B.2. Een moleculaire biologe heeft een reguliere expressie waarmee zij de functionaliteit van een eiwit kan vaststellen: [AS]-D-[IVL]-G-x3-{PG}-C-R-[FY]-Q, waarbij [XY] betekent dat X en Y voor kunnen komen op de positie, x4 betekent ieder aminozuur voor 4 posities, en {PG} = not (P or G). Ook heeft zij een multiple alignment van 30 orthologe sequenties met 150 posities waarin gaps voorkomen. Zij wil graag weten of de sequenties in haar multiple alignment de functie hebben zoals beschreven in de reguliere expressie, d.w.z. of de sequenties voldoen aan het functionele motief zoals gegeven in de bovenstaande reguliere expressie. Vraag: geef een procedure met een scoring function waarop zij dat zou kunnen doen. Bedenk dat het functionele motief op meerdere posities in het multiple alignment zou kunnen passen. Gebruik voor de scoring functie de index x voor de positie in de reguliere expressie (1 x 12), i voor de sequenties in het alignment (1 i 30) en j voor de posities in het multiple alignment (1 j 150). Hint: de procedure en score moeten de best mogelijke match tussen de reguliere expressie en het alignment weergeven. 12 Reguliere expressie Multiple alignment 4

5 B.3. Hoe zou de biologe van de vorige vraag de statistische relevantie van de score tussen haar reguliere expressie en het multiple alignment kunnen testen? Hint: vaak wordt vergeleken met een random situatie om statistische relevantie te bepalen, maar er mag ook iets anders bedacht worden. 5

6 B4. De biologe van vraag B.2. en B.3. heeft nog een multiple alignment waarvoor zij graag de secundaire structuur zou willen bepalen. Onderstaand zijn twee segmenten van het multiple alignment: voorspel hiervoor de secundaire structuur (d.w.z. éen secundaire structuur per alignment). De fragmenten van het multiple alignment zijn: DKRSVLMICKTG en MVDRLIKEFYTSDNQ DRRTGLMIIRTG MIDRLLREFYTTDDQ EKRDILVILDTG MIERLLRDYYSTNDQ EKKDILMLIRTS VIDKILRDFFGSNNN DKKEVIMILDTS PAAKIIDDAFGSDEE Neem als hydrofiele aminozuren: D, E, G, H, K, N, Q, R, S, en T. Neem als hydrofobe aminozuren: A, C, F, I, L, M, P, V, W, en Y. Hieronder staan de periodicity patterns zoals verwacht voor de α-helix en twee soorten β- strand: Periodicity patterns Burried β-strand Edge β-strand α-helix hydrophobic hydrophilic Vraag: voorspel de secundaire structuur van de twee bovenstaande stukken multiple alignment met gebruikmaking van de periodicity patterns. Gebruik de letters H voor helix, B voor burried β-strand, E voor edge β-strand, en C voor coil. Hint: Let op de conserveringspatronen in de multiple alignments. 6

7 B.5. Een bioinformaticus wil dertig verschillende amino acid exchange matrices, waaronder de PAM250 en Blosum62 matrices, gaan clusteren om te kijken welke het meest op elkaar lijken. Op grond hiervan kan de bioinformaticus dan een paar representatieve matrices kiezen om een alignment te gaan doen. Vraag: Hoe zou deze bioinformaticus dat moeten doen? Beantwoordt hiervoor de drie onderstaande opdrachten: a) Ontwerp een similariteitsmaat. b) Kies het clustercriterium uit de volgende drie mogelijkheden: single linkage (nearest neighbour), complete linkage (furthest neighbour), en average linkage (UPGMA de afstand tussen twee clusters is het gemiddelde van alle paarsgewijze inter-cluster afstanden tussen de clusterpunten). Verklaar je antwoord. c) Aangenomen dat de boom het volgende patroon laat zien (N.B. de fijnere vertakkingen zijn weggelaten dus daar hoef je je niet druk om te maken), hoeveel matrices zou jij de bioinformaticus aanraden te gebruiken en waar in de boom zouden die zitten? Gebruik de nummers naast het dendrogram om de plaats aan te geven en verklaar je antwoord Hint bij vraag a): Bedenk een maat voor het paarsgewijs vergelijken van de amino acid exchange matrices (lower triangular matrices met de diagonaal, in totaal 210 getallen per matrix) waarbij je steeds 210 getallen met elkaar moet vergelijken om uiteindelijk een similariteitsmatrix (weer een lower triangular matrix) te krijgen. Bedenk dat de getallen in de 30 amino acid exchange matrices niet hoeven te schalen, d.w.z. in de ene matrix kunnen getallen tussen -1 en + 1 staan, in de andere tussen -50 en +100, etc. Hint bij vraag b): Single linkage clustering: steeds wordt als afstand tussen twee clusters de kleinste afstand genomen van alle paarsgewijze inter-cluster afstanden. Complete linkage clustering: steeds wordt als afstand tussen twee clusters de grootste afstand genomen van alle paarsgewijze inter-cluster afstanden. UPGMA: steeds wordt als afstand tussen twee clusters de gemiddelde afstand genomen van alle paarsgewijze inter-cluster afstanden. 7

8 B.6. Hieronder staat de codon tabel met de codons die coderen voor de twintig aminozuren die in eiwitten gevonden worden: Amino Acid SLC DNA codons Isoleucine I ATT, ATC, ATA Leucine L CTT, CTC, CTA, CTG, TTA, TTG Valine V GTT, GTC, GTA, GTG Phenylalanine F TTT, TTC Methionine M ATG Cysteine C TGT, TGC Alanine A GCT, GCC, GCA, GCG Glycine G GGT, GGC, GGA, GGG Proline P CCT, CCC, CCA, CCG Threonine T ACT, ACC, ACA, ACG Serine S TCT, TCC, TCA, TCG, AGT, AGC Tyrosine Y TAT, TAC Tryptophan W TGG Glutamine Q CAA, CAG Asparagine N AAT, AAC Histidine H CAT, CAC Glutamic acid E GAA, GAG Aspartic acid D GAT, GAC Lysine K AAA, AAG Arginine R CGT, CGC, CGA, CGG, AGA, AGG Stop codons Stop TAA, TAG, TGA Om eiwitsequenties te kunnen alignen, wil een biologe amino acid exchange matrices maken die rekening houden met de codons voor ieder aminozuur. Haar eerste idee is om dit te doen met single linkage clustering. Opdracht: Neem hiervoor als afstandsmaat tussen aminozuren de minimale afstand tussen hun codons (tel identiteitsverschillen tussen codons) en voer single linkage clustering (nearest neighbour) uit voor de volgende 4 van de 20 aminozuren: F (hydrofoob), H (polair), D (polair en negatief geladen), en K (polair en positief geladen). Maak het nearest neighbour dendrogram. Hoe ziet de uiteindelijke amino acid exchange matrix eruit? Hint: beschouw de 4 aminozuren ieder als een cluster waarin hun codons zitten (bijv. maak een tekening waarbij de codons van ieder van de 4 aminozuren omcirkeld zijn). Bepaal nu de afstanden tussen de 4 clusters, pak hierna twee clusters samen en reken de afstanden weer uit voor de volgende clusterstap, enz. Herinner je dat bij single linkage clustering als afstand tussen twee clusters de kleinste uit alle paarsgewijze inter-cluster afstanden wordt geselecteerd. 8

9 B.7. Doe hetzelfde als voor B.6. maar maak nu gebruik van de complete linkage cluster methode (furthest neighbour). Hint: bij complete linkage clustering wordt als afstand tussen twee clusters de grootste uit alle paarsgewijze inter-cluster afstanden geselecteerd. 9

10 B.8. Leg uit wat met de volgende omics data klassen in the genome science bedoeld wordt en wat voor soort data hieronder vallen: 1) Genome: 2) Transcriptome: 3) Proteome: 4) Metabolome: 5) Physiome: 10

11 B.9 Stel je hebt twee eiwitsequenties en van ieder is de corresponderende tertiaire structuur beschikbaar in de Protein Data Bank (PDB). Vraag: Hoe zou je deze twee eiwitten het best kunnen vergelijken, met (1) sequence alignment (sequence-sequence comparison), met (2) threading (sequence-structure comparison), of met (3) structure superpositioning (structure-structure comparison)? Verklaar je antwoord. Hint: denk aan een bekend dogma uit de moleculaire biologie. 11

12 B.10. Op de pagina hierna is een bladzijde uit Lesk s boek gekopieerd. Het betreft een lijst van genomen, waarbij voor een aantal organismen de grootte van het genoom en het aantal genen beschreven is. Wanneer je wat rekent dan valt je op dat de gendichtheid, d.w.z. het aantal genen t.o.v. het aantal base pairs behoorlijk kan verschillen tussen de organismen in de lijst. Vraag: Wanneer we een soort met een grote gendichtheid vergelijken met een soort met een lage gendichtheid, welke soort zou sneller kunnen evolueren en waarom? 12

13 Extra vel 1 13

14 Extra vel 1 14

15 Extra vel 2 15

16 Extra vel 3 16