Groeiende hoeveelheid data. Inleiding Medisch Technische Wetenschappen. Bioinformatica Deel 4. Structuur van een database. Selectie uit NIH-databases

Transcriptie

1 Groeiende hoeveelheid data Inleiding Medisch Technische Wetenschappen Naarmate de technieken voor de analyse van het DNA en de duizenden processen in de cel verbeteren, groeit de hoeveelheid proteïnesequenties exponentieel (100 Tb binnen 5 10 jaar) Aantal basenparen in GenBank (USA) verdubbelt elk jaar: Basenparen - GenBank (USA) Basenparen - GenBank (USA) E Bioinformatica Deel 4 Michael Egmont-Petersen BP E E E E E Jaar LOG10(BP) Jaar Deze sequenties moeten steeds sneller en dus efficiënter gematched worden 71 Innovaties binnen de computer technologie en informatica maken een snelle groei mogelijk binnen mathematische biologie en biostatistiek. De ontwikkeling van internet heeft het wereldwijd uitwisselen van informatie gerevolutioneerd (Gen databases) Ook de ontwikkeling van nieuwe laboratoriatechnieken heeft een grote bijdrage geleverd 72 Structuur van een database Selectie uit NIH-databases >gi :c , YCL033C ATGAATAAGTGGAGCAGGCTGTACGTTATAACTGTACGCAGGACTTTTCCAGGGAGAAGAAACATTGTAC TGACGCAGTACTGGAATAAGAGCAAGAAAATGAGTGACGAATCGAATGACGTGAAGTGGAACGATGCCCT GACACCATTGCAGCTGATGGTGCTGAGAGATAAGGCCACTGAAAGGCCCAACACCGGTGCGTATTTACAC ACCAACGAGTCCGGTGTCTACCATTGTGCCAACTGCGACAGACCGTTGTATTCGAGCAAGGCCAAGTTCG ACGCTCGTTGTGGATGGCCCGCATTCTACGAAGAGGTATCCCCTGGAGCCATCACATATCATCGTGACAA TTCTTTAATGCCTGCGAGGGTGGAGATATGTTGTGCAAGGTGTGGTGGACACTTGGGACATGTGTTTGAA GGTGAAGGCTGGAAACAGTTGCTAAACTTGCCCAAGGACACCAGACACTGTGTGAACAGTGCGTCTTTAA ACCTCAAGAAGGATTAA >gi : , YCL032W ATGGAGGACGGTAAACAGGCCATCAATGAGGGATCAAACGATGCTTCGCCGGATCTGGACGTGAATGGCA CAATATTGATGAATAATGAAGACTTTTCCCAGTGGTCGGTTGATGATGTGATAACTTGGTGTATATCCAC GCTGGAGGTGGAAGAAACCGATCCATTATGTCAGAGACTGCGAGAAAATGATATTGTAGGAGATCTTTTG CCGGAATTGTGCTTGCAAGATTGCCAGGACTTGTGTGACGGTGATTTGAATAAGGCCATAAAATTCAAGA TACTGATCAATAAGATGAGAGACAGCAAGTTGGAGTGGAAGGACGACAAGACTCAAGAGGACATGATAAC GGTACTGAAAAACTTGTACACTACTACATCTGCGAAATTGCAAGAATTTCAATCGCAGTACACAAGGCTG AGGATGGATGTCTTGGACGTAATGAAGACCAGCTCAAGCTCTTCTCCGATTAACACACATGGAGTGTCCA CTACGGTACCTTCTTCAAACAACACAATTATACCCAGTAGTGACGGTGTGTCTCTTTCACAAACAGACTA TTTCGACACAGTTCATAACCGACAATCACCGTCAAGGAGAGAATCCCCGGTAACGGTATTTAGGCAACCC AGTCTTTCCCACTCAAAATCTTTGCACAAGGATAGCAAAAACAAAGTACCCCAAATATCTACAAACCAAT CTCACCCATCTGCCGTTTCAACAGCGAACACACCGGGGCCATCACCTAACGAGGCGTTAAAACAGTTGCG TGCATCTAAAGAAGACTCCTGCGAACGGATCTTGAAAAACGCAATGAAAAGACATAACTTAGCAGATCAG GATTGGAGACAATATGTCTTGGTCATTTGCTATGGGGATCAAGAGAGGCTGTTAGAATTGAACGAAAAGC CTGTGATCATATTCAAGAACTTAAAGCAACAGGGTTTGCACCCCGCCATTATGTTAAGAAGAAGAGGTGA TTTCGAAGAAGTAGCAATGATGAACGGAAGTGACAATGTCACCCCCGGTGGAAGACTCTAA >gi :c , YCL031C ATGGGTATTGAAGACATTAGCGCCATGAAGAACGGGTTTATAGTGGTGCCGTTCAAATTACCGGATCACA pat Nucleotides from the Patent division of GenBank E. coli Escherichia coli genomic nucleotide sequences mito Database of mitochondrial sequences yeast Yeast (Saccharomyces cerevisiae) genomic nucleotide sequences Human Genome Blast DataBases genome human genomic contig sequences with NT_#### accessions. mrna human RefSeq mrna with NM_#### or XM_#### accessions swissprot Last major release of the SWISS-PROT protein sequence database (no updates) 74 1

2 Matching in de praktijk Het internet bevat steeds meer online databases met sequenties van nucleotiden, proteïnes, en chromosomen Ook is er steeds meer public domain software beschikbaar voor matching BLAST kan online geraadpleegd worden, zie hieronder Matching met Fasta en Blast Blast1: 1. Splits de query string S met de lengte n op in woorden {W 1,W 2,,W p }, ieder met de lengte w (<n) 2. Bereken hoe vaak elk woord W p voorkomt in de gehele genbank 3. Selecteer de subverzameling van woorden die vaker voorkomen dan een aantal T (parameter) 4. Voor elk woord, zoek de posities van exacte matches 5. Breid elk woord uit (links en rechts) tot er een gap ontstaat ÿ segment S i 6. Bewaar elk segment S={S 1,,S n } met een totale score groter dan s (parameter) 7. De verzameling S bevat de hits die Blast aan de gebruiker retourneert Illustratie, Blast 1 Illustratie, Blast 1 Query string Woorden Stap 6 Stap 1-21 Stap 3-43 Zoek de match posities in de Genbank Stap 5 Woord-p Bereken frequentie(p) in Genbank Rode woorden komen vaker dan T keren voor in de Genbank Voor elke match, expandeer elk segment S i tot een gap ontstaat 77 Segmentscore(S i )>s ÿ S={S 3, S 4 } Stap 7 Geef de hits S 3 en S 4 aan de gebruiker Er kan met gabs en zonder gabs gezocht worden: Met gabs resulteert in inexacte matches Zonder gabs resulteert in exacte matches 78 2

3 Opties in Blast Bij het zoeken van sequenties van proteienes is de keuze van kostenmatrix belangrijk De gebruiker kan kiezen tussen verschillende matrices BLOSUM-62 BLOSUM-80 etc. MatrixBlosum62inBlast Query in Blast (yeast database) Zoek op GAGATATAGCCCCCCGA Matches gevonden door BLAST: Sequences producing significant alignments: (bits) E-Value De code gi.. staat voor een bepaald chromosoom Bits staat voor het aantal gematchte letters E-value staat voor het aantal matches dat je door toeval zou verwachten Je kunt ook de databasen waarin de (bijna) matches zijn gevonden, raadplegen Het is mogelijk dat er geen match wordt gevonden Betekenis van genen De Rosetta steen (British Museum) Maakte vertaling mogelijk tussen Hiëroglyfen, Spijkerschrift en Oud-Grieks Microarrays Microarrays (DNA arrays) zijn ontwikkeld om de activiteit van duizenden genen te meten in een enkel experiment. Genetische vertaalsleutel? DNA-array 81 Een microarray is een biochemische glasplaat die bestaat uit 100 tot verschillende covalente DNA moleculen Deze DNA moleculen kunnen binden met complementaire DNA of RNA moleculen uit een monster Tagging van deze moleculen met fluorochromen maakt een kwantitatieve visualisatie van gemaakte bindingen 82 mogelijk 3

4 Microarray laboratorium Flow chart microarrays Cellen Isolatie en hybridisatie Via een aantal stappen worden cdna-moleculen gemaakt Imaging van spots Met twee lasers wordt een beeld van elke spot gemaakt Normalisatie en transformatie Elke spot resulteert in een relatieve meting normalisatie is nodig 83 Data analyse De relatieve expressie ratios per gen kunnen nu worden geanalyseerd 84 Expressie van Genen Bij normaal werkende cellen: Proteïnes die nodig zijn, worden aangemaakt door transcriptie en translatie Gen mrna Proteïne MSN2-DNA Transcriptie MSN2-R Microarrays meten de relatieve hoeveelheid mrna het tussenproduct dat de genetische code naar de ribosomen brengt De absolute hoeveelheid van elke proteïne blijft onbekend! Microarrays worden gebruikt in twee settings, of in combinaties hiervan: Met/zonder of voor/na experiment Tijdreeksexperiment Translatie MSN2-P Met/zonder of voor/na experiment I Een met/zonder experiment kan bijvoorbeeld betrekking hebben op: het analyseren van het genetische effect van een nieuwe chemotherapie, twee celmonsters het analyseren van het effect van het gebrek aan suiker (glucose) bij gistcellen, twee celculturen Een voor/na experiment kan bijvoorbeeld betrekking hebben op: het analyseren van het genetische effect van antidepressiva op muizen, weefselmonsters voor en na toediening het analyseren van het effect van het toevoegen van een toxische substantie in een celcultuur, vergelijking van dezelfde cultuur voor en na

5 Met/zonder of voor/na experiment II Een statistische toets wordt gebruikt om de kans te schatten dat het verschil in expressie van hetzelfde gen significant (boven het ruisniveau) is H 0 : E t1 (gen X) )=E= t2 (gen X)versus H 1 : E t1 (gen X) E t2 (gen X) Kansdichtheid (onzekerheid bij herhaalde metingen) Tijdreeksexperiment Een aantal metingen van het relatieve expressieniveau E per gen worden verricht E(MSN2) = (E( t1, E t2,, E tn ) E(MSN4) = (E( t1, E t2,, E tn )... Tijdreeks uit data van Spellman (98) E t1 E t2 Verschil kan goed ruis zijn: H 0 niet afwijzen Log 2 (E) MSN2 MSN4-0.5 HSP26 E t1 Verschil zal wel geen ruis zijn: H 0 wel afwijzen Expressie, E(gen X) E t HSP26 vertoont de grootste expressie (factor 2) Misschien is MSN2 of MSN4 betrokken bij de regulatie van HSP Data mining Technieken uit data mining worden ingezet om de samenhang tussen genen te vinden (co-expressie) Welke samenhangen wens je te vinden? Hoe werkt clustering? Twee typen clustering algoritmen: Hiërarchische clustering Parallelle clustering (K-means) Clusters van genen (minimum afstand) Log 2 (E) Tijd Het rode gen en het groene gen vormen een cluster Deze twee genen zijn waarschijnlijk co-gereguleerd Het zwarte gen heeft een heel andere cyclus en is niet direct gerelateerd aan de rode en groene genen Hiërarchische clustering (pseudocode): Clustering // Algoritme 5 Hiërarchische clustering Bereken de afstand D tussen elk paar van expressie patronen, d ij =D(E(i),E(j)), i, j i c i =E(i) for k = m+1 to 2m cluster c k ={ gemiddelde (c i,c j ) min ij (d ij )} c=c \ {c i,c j} end 89 Afstand D( E( i), E( j)) = n v= 1 ( E i E 2, v j, v) 90 5

6 Resultaat van clustering Het resultaat wordt weergegeven als een boom Genen dicht bij elkaar in de boom zijn misschien co-gereguleerd, hun patronen volgen elkaar Nadeel van clustering: Tijd speelt geen directe rol Samenvatting - Bioinformatica Cellen hebben een complexe structuur en een aantal functies: Een menselijke cel is opgebouwd uit o.a. een membraan, een celkern en organellen Twee belangrijke functies van een cel zijn stofwisseling en replicatie (celdeling) HetDNA codeert het erfelijke materiaal de chromosomen diedegenen representeren De informatie in het DNA wordt in het laboratorium door sequencing ontrafeld Dynamisch programmeren wordt gebruikt om subsequenties van DNA-clonen te matchen Scoring van matches baseert op kansrekening Sequenting/matching en het bouwen van de silicon cel zijn twee doelstellingen in de bioinformatica Hetinternet ondersteunt het delen van genetische informatie Online zoeken in de databases (BLAST) Microarrays maaken het meten van de expressie van alle genen mogelijk