Bioinform tica y Gen mica

1. 1 Fern�n Ag�ero Bioinform�tica y Gen�mica Fern�n Ag�ero Instituto de Investigaciones Biotecnol�gicas Universidad Nacional de General San Mart�n

2. 2 Fern�n Ag�ero Un breve repaso hist�rico La aparici�n de las secuencias completas del genoma humano y cientos de otros genomas es el producto de un siglo de investigaci�n dirigido a comprender la informaci�n gen�tica. Comienzos del siglo XX: redescubrimiento de las leyes de Mendel Durante el primer cuarto de siglo, la biolog�a descubri� que la base celular de la informaci�n eran los cromosomas Durante el segundo cuarto de siglo, se descubri� que la base molecular de la informaci�n era el DNA Durante el tercer cuarto de siglo, se definieron los mecanismos que utilizan las c�lulas para leer esta informaci�n y se desarrollaron las herramientas de DNA recombinante Durante el ultimo cuarto de siglo, los bi�logos se volcaron a colectar informaci�n gen�tica - primero de genes, luego de genomas completos.

3. 3 Fern�n Ag�ero Informaci�n biol�gica

4. 4 Fern�n Ag�ero En que estamos hoy �

5. 5 Fern�n Ag�ero En que estamos hoy � El resultado: de ser una ciencia puramente experimental (con base en el laboratorio) la biolog�a est� siendo transformada en una ciencia de la informaci�n La informaci�n acumulada no s�lo es informaci�n gen�tica (secuencias de DNA) expresi�n de RNAs interacci�n entre prote�nas estructuras tridimensionales Anulaci�n sistem�tica de genes (knockouts, RNAi) que produce informaci�n de fenotipos � Cada vez m�s diversos estudios comienzan con el an�lisis de bases de datos para luego formular hip�tesis o dise�ar experimentos Cada vez m�s el trabajo de laboratorio termina en la acumulaci�n de colecciones masivas de datos que deben ser luego analizados

7. 7 Fern�n Ag�ero Paradigma central de la bioinform�tica

8. 8 Fern�n Ag�ero Gen�mica, Bioinform�tica y Medicina

9. 9 Fern�n Ag�ero Informaci�n biol�gica en formato electr�nicoBases de datos Fern�n Ag�ero Instituto de Investigaciones Biotecnol�gicas UNSAM

10. 10 Fern�n Ag�ero Bases de datos: introducci�n: conceptos b�sicos

11. 11 Fern�n Ag�ero Introducci�n: conceptos b�sicos: registros

12. 12 Fern�n Ag�ero Tipos de datos Cada campo de una base de datos contiene un tipo particular de datos 021204 Es un numero? Es texto? Es una fecha? Ejemplo de una busqueda: buscar todos los registros en donde el valor almacenado sea mayor que 021204 Es obvio que para poder comparar los valores almacenados tenemos que saber qe tipo de valores estamos comparando. Si es una fecha: 021204 (2.Dic.2004) > 211203 (21.Dic.2003) Si es un numero: 021203 < 211203 Si es texto: 021203 ? 211203, las comparaciones < y > pueden dar distintos resultados (evaluan orden o longitud)

13. 13 Fern�n Ag�ero Tipos de datos Numericos (enteros, decimales) Texto Fechas (DD/MM/YYYY, HH:MM:SS) Logicos (boolean) = verdadero / falso Geometricos (punto, linea, circulo, poligonos, etc.)

14. 14 Fern�n Ag�ero Bases de datos: conceptos b�sicos: clave primaria

15. 15 Fern�n Ag�ero Bases de datos: bases de datos relacionales

16. 16 Fern�n Ag�ero Bases de datos: distribucion de la informacion

17. 17 Fern�n Ag�ero B�squedas en una base de datos: �ndices

18. 18 Fern�n Ag�ero Indices (cont) Un ejemplo m�s complejo: buscar todos los records que contengan la palabra �kinase� en la descripci�n de la secuencia

19. 19 Fern�n Ag�ero Indexar es costoso El proceso de indexaci�n es costoso en t�rminos computacionales, pero se realiza una �nica vez (en realidad cada vez que se actualizan los datos) Desde el punto de vista de la base de datos, los �ndices no son otra cosa que nuevas tablas relacionadas con la tabla que contiene el campo indexado Ejemplo m�s obvio: buscadores de p�ginas de internet (Google, Altavista). Visitan p�ginas e indexan los t�rminos que encuentran kewyword: url1, url2, url3, url4, etc.

20. 20 Fern�n Ag�ero B�squedas en bases de datos: b�squedas indexadas

21. 21 Fern�n Ag�ero Schemas La distribuci�n de los datos en campos dentro de una tabla y de las relaciones entre tablas y sus campos es lo que se llama el dise�o o schema

22. 22 Fern�n Ag�ero Schemas (cont)

23. 23 Fern�n Ag�ero RDBMS Relational Database Management Systems Comerciales Oracle, Sybase Open source, gratuitos PostgreSQL, MySQL Todos usan SQL (standard query language) para crear tablas, �ndices, etc. ingresar datos consultar

24. 24 Fern�n Ag�ero B�squedas simples Los motores de b�squeda ofrecen b�squedas simples No imponen restricciones El usuario tipea palabras libremente Usan estrategias para intentar �adivinar� la intenci�n del usuario (sobre qu� campo de la base de datos buscar)

25. 25 Fern�n Ag�ero Ejemplo: term mapping - Entrez (PubMed) Entrez busca en una serie de listas para ver si la palabra que ingresaron se encuentra en alguna MeSH (Medical Subject Headings): vocabulario controlado utilizado para indexar art�culos en PubMed. Journals: nombre completo del journal, abreviaturas usadas en MEDLINE y n�meros ISSN. Lista de frases: cientos de miles de frases generadas a partir de MeSH y otros vocabularios controlados similares. Indice de autores: apellido e iniciales. Stopwords: palabras comunes, presentes en casi todos los registros de la base de datos (a, an, by, of, the � )

26. 26 Fern�n Ag�ero B�squedas simples: pros / cons Ventajas r�pidas de formular no hay que leer el manual ni hacer un curso ? Desventajas poco selectivas

27. 27 Fern�n Ag�ero B�squedas avanzadas Presuponen un cierto conocimiento sobre la organizaci�n subyacente de los datos Hay que especificar sobre qu� campos buscar: ? hay que conocer los campos Entrez: se especifican entre corchetes Tags predefinidos (hay que conocerlos) Escherichia coli[organism] review[publication type] attenuator[feature key] SRS: formulario avanzado (no hay que conocer t�rminos o tags)

28. 28 Fern�n Ag�ero B�squedas avanzadas: Entrez Entrez provee adem�s L�mites: especie de formulario avanzado que les permite limitar la b�squeda a un campo determinado, sin tener que conocer los tags) History: una historia de las b�squedas que van realizando. En cualquier momento pueden combinar b�squedas o volver sobre alguna de ellas Preview/Index: les permite probar una b�squeda (preview) y ver el n�mero de registros que selecciona o ver los �ndices y el n�mero de registros asociados a cada uno de ellos Details: permite analizar la traducci�n que realiz� Entrez de la b�squeda que realizamos (uso de sin�nimos, l�mites, etc)

29. 29 Fern�n Ag�ero Operadores l�gicos En b�squedas simples o avanzadas siempre tienen a disposici�n operadores l�gicos para encadenar t�rminos AND (uni�n) human AND genome +human +genome human && genome OR (intersecci�n) human OR genome human || genome NOT (subconjunto) human NOT genome

30. 30 Fern�n Ag�ero Orden de los t�rminos en un query El orden de los t�rminos es importante Un query se eval�a de izquierda a derecha human NOT genome no es lo mismo que genome NOT human Si el query tiene muchos t�rminos pueden forzar el orden de evaluaci�n usando par�ntesis human AND cancer AND (cell OR science OR nature) casein kinase NOT (human OR mouse)

32. 32 Fern�n Ag�ero Bases de datos biol�gicas: DNA

33. 33 Fern�n Ag�ero Bases de datos biol�gicas: prote�nas

34. 34 Fern�n Ag�ero Bases de datos biol�gicas: estructura

35. 35 Fern�n Ag�ero Bases de datos biol�gicas: literatura

36. 36 Fern�n Ag�ero Bases de datos biol�gicas: GenBank

37. 37 Fern�n Ag�ero GenBank Redundante Con errores Dificil de actualizar Para poder corregir, mejorar y mantener actualizada la anotaci�n de los registros, el NCBI cre� RefSeq (colecci�n curada de registros de GenBank) toma records de GenBank y los actualiza/corrije unifica para reducir redundancia Accession numbers del tipo XX_123456

38. 38 Fern�n Ag�ero Bases de datos primarias

39. 39 Fern�n Ag�ero Bases de datos secundarias

40. 40 Fern�n Ag�ero An�lisis y anotaci�n de genomas Fern�n Ag�ero

41. 41 Fern�n Ag�ero Historia Primer proyecto de secuenciaci�n de un genoma: Escherichia coli (US + Jap�n). Comenz� en 1992 y termin� en 1997. 4.6 MB Primer genoma (eubacteria): Haemophilus influenzae (1995). 1.83 MB Primer genoma (archaea): Metanococcus jannaschii (1996). 1.6 MB

42. 42 Fern�n Ag�ero Qu� es un genoma? Una colecci�n de genes que codifican productos proteicos que codifican RNAs pseudogenes regiones no codificantes regulatorias (expresi�n) estructurales attachment a matriz nuclear mitosis / meiosis elementos repetitivos

43. 43 Fern�n Ag�ero Qu� es anotar? Agregar informaci�n, de la manera m�s confiable y actualizada que se pueda para describir una secuencia Informaci�n asociada a coordenadas gen�micas (comienzo..fin), a distintos niveles Interpretar la informaci�n cruda de secuencia en un marco biol�gico

44. 44 Fern�n Ag�ero Anotaci�n gen�mica Dos niveles de anotaci�n Estructural: encontrar genes y otros sitios con relevancia biol�gica. Armar un modelo del genoma: cada gen/sitio es un objecto asociado a una posici�n en el genoma Funcional: los objetos son utilizados en b�squedas (y experimentos). El objetivo es atribuir informaci�n biol�gica relevante a los objetos.

45. 45 Fern�n Ag�ero M�s niveles de anotaci�n Organismo: fenotipo: morfolog�a, fisiolog�a, comportamiento, respuestas ambientales Celula: v�as metab�licas, cascadas de se�alizaci�n, localizaci�n subcelular. Molecula: sitios de binding, actividad catal�tica, estructura tridimensional Dominio Motif Residuo

46. 46 Fern�n Ag�ero De donde proviene la anotaci�n? Fuentes utilizadas en la anotaci�n: publicaciones que reportan nuevas secuencias reviews que actualizan peri�dicamente la anotaci�n de familias o grupos de prote�nas expertos externos an�lisis de secuencia

47. 47 Fern�n Ag�ero Anotaci�n gen�mica

48. 48 Fern�n Ag�ero Annotation & functional genomics

49. 49 Fern�n Ag�ero Anotaci�n: busqueda de genes Buscar genes en el genoma RNA ribosomal RNAs ? BLASTN tRNAs ? tRNAscan protein coding ab initio gene prediction? ORFs, codon usage, frecuencia de hex�meros, modelos, etc.) similarity ? BLASTX, otros Buscar regiones no codificantes regulatorias ab initio ? Gibbs sampling similarity ? patterns, profiles repetitivas similarity ab initio En todos los casos ? literatura!

50. 50 Fern�n Ag�ero Integrar resultados

51. 51 Fern�n Ag�ero Genome annotation: C. elegans

52. 52 Fern�n Ag�ero Resumir resultados de an�lisis Guardar el reporte crudo de un BLAST (lista de hits, alineamientos) es demasiado Pr�cticamente cualquiera de los an�lisis que se realizan sobre DNA o prote�nas para anotar un genoma pueden resumirse en: secuencia start end cromosoma1 1723 3456 Este formato b�sico es la base del formato GFF (Sanger) secuencia metodo programa start end frame score extra Contig1 similarity blastx 100 1000 +1 132 gi|12345|AF34093 casein kinase ... Contig1 cds glimmer 85 1201 +1 1321 ORF0001; overlap with ORF0002 Contig1 similarity blastn 80 1300 . 136 gi|54321|AF09990 complete genome

53. 53 Fern�n Ag�ero Anotaci�n: herramientas Artemis http://www.sanger.ac.uk/Software/Artemis Permite visualizar secuencia, con sus traducciones virtuales (6) tracks de anotaci�n (entries) plots (built-ins y creados por el usuario) Lee secuencias en formato FASTA, EMBL, GenBank Lee features en formato EMBL, GenBank, GFF, MSPcrunch, BLAST

54. 54 Fern�n Ag�ero Artemis: main window

55. 55 Fern�n Ag�ero Artemis: plots

56. 56 Fern�n Ag�ero Artemis: display de an�lisis

57. 57 Fern�n Ag�ero Artemis:

58. 58 Fern�n Ag�ero Artemis: zoom

59. 59 Fern�n Ag�ero Artemis: spliced genes

60. 60 Fern�n Ag�ero Artemis: comparar an�lisis

61. 61 Fern�n Ag�ero ACT: Artemis Comparison Tool

62. 62 Fern�n Ag�ero ACT: Artemis Comparison Tool

63. 63 Fern�n Ag�ero Otras estrategias Artemis se usa para anotar genomas bacterianos o para peque�os proyectos (c�smidos, BACs, etc.) En genomas m�s grandes, la tendencia es a distribuir la anotaci�n Los tracks de anotaci�n son generados en distintos centros Ejemplo: UCSC Genome Browser (genoma humano, rat�n).

64. 64 Fern�n Ag�ero Anotaci�n autom�tica: TrEMBL La anotaci�n de TrEMBL (translated EMBL) se hace por m�todos autom�ticos. Requerimientos para anotar autom�ticamente Una base de datos de referencia bien anotada (ej. Swissprot) Una base de datos que sea altamente confiable (en el sentido diagn�stico) en la asignaci�n de prote�nas a grupos o familias (ej CDD, InterPro) Una serie de reglas de anotaci�n

65. 65 Fern�n Ag�ero Transferencia directa de anotaci�n Realizar una b�squeda en la base de datos de referencia y transferir la anotaci�n Ejemplo: FASTA contra una base de datos de secuencias y transferencia de la l�nea DE del mejor hit

66. 66 Fern�n Ag�ero Anotaci�n a partir de m�ltiples fuentes Generalmente se usa m�s de una base de datos externa Hay que combinar los resultados

67. 67 Fern�n Ag�ero Conflictos Contradicci�n Inconsistencia Sin�nimos Redundancia

68. 68 Fern�n Ag�ero Traducci�n de anotaciones Es necesario utilizar un traductor para mapear el lenguaje utilizado en la base de datos externa (XDB) al lenguaje utilizado en la base de datos target que queremos anotar

69. 69 Fern�n Ag�ero Traducciones: algunos ejemplos

70. 70 Fern�n Ag�ero Requerimientos de un sistema de anotaci�n autom�tica Correcci�n Escalable Actualizable Poco redundante Completo Vocabulario controlado

71. 71 Fern�n Ag�ero C�mo funciona? Una prote�na en TrEMBL es reconocida como un miembro de cierto grupo o familia de prote�nas Este grupo de prote�nas en Swissprot comparten entre s� partes de la anotaci�n La anotaci�n com�n es transferida autom�ticamente a la prote�na en TrEMBL y marcada como �annotated by similarity�

72. 72 Fern�n Ag�ero Anotaci�n: evidencias Las anotaciones suelen estar acompa�adas de TAGS que indican la evidencia en la que se basa la anotaci�n Ejemplos de algunos TAGS utilizados en TrEMBL: EMBL: la informaci�n fue copiada del original (EMBL/GenBank/DDBJ) TrEMBL: anotaci�n modificada para corregir errores o para adecuarse a la sintaxis propia de Swissprot Curator: juicio del curador Similarity: por similitud con otra secuencia, a juicio del curador Experimental: evidencia experimental de acuerdo a una referencia, que usualmente es un paper. Opinion: opini�n emitida por el autor de una referencia, usualmente con poca o ninguna evidencia experimental Rulebase: informaci�n derivada del uso de una regla de anotaci�n autom�tica SignalP: programa de predicci�n

73. 73 Fern�n Ag�ero Anotaci�n: manual vs autom�tica La anotaci�n de un genoma ocurre en etapas anotaci�n autom�tica correr todos los an�lisis sobre el genoma generar un primer borrador con todos los datos organizados. Por ejemplo en p�ginas web o integrando todos los datos en un display unificado (Artemis) anotaci�n manual: cura de los datos una persona (curador) revisa la anotaci�n, gen por gen, verificando la anotaci�n autom�tica, agregando anotaciones manuales, corriendo eventualmente alg�n programa particular

74. 74 Fern�n Ag�ero Qu� herramientas se usan? Oakridge Genome Annotation Channel http://compbio.ornl.gov/channel ENSEMBL http://ensembl.ebi.ac.uk Artemis http://www.sanger.ac.uk/Software/Artemis GeneQuiz http://www.sander.ebi.ac.uk/genequiz Genome browsers: varios cada consorcio/proyecto desarroll� el suyo: Apollo (FlyBase, Drosophila), AceDB (C. elegans),

75. 75 Fern�n Ag�ero Anotaci�n: fuentes de error Transferencia transitiva de anotaciones gen1 mal anotado como �casein kinase� presente en los bancos de datos gen2 con alta similitud con gen1, resulta anotado como casein kinase Soluci�n: usar bases de datos curadas: por ejemplo Swissprot revisar la anotaci�n de m�s de un hit verificar que las anotaciones de todos los hits concuerden

76. 76 Fern�n Ag�ero Anotaci�n confiable: proyecto HAMAP High-quality Automated Microbial Annotation of Proteomes Swissprot (Swiss Bioinformatics Institute-European Bioinformatics Institute) CNRS Lyon INRIA Grenoble INRA Toulouse CNRS Marseille Pasteur Institute

77. 77 Fern�n Ag�ero HAMAP

78. 78 Fern�n Ag�ero Prioridades del proyecto HAMAP Anotaci�n de prote�nas hu�rfanas Pre-anotaci�n de prote�nas pertenecientes a familias grandes/complejas (transportadores ABC, HTH, sistemas de dos componentes, SDH) Anotaci�n de alta calidad de prote�nas pertenecientes a familias bien caracterizadas Anotaci�n manual de prote�nas caracterizadas experimentalmente en ese organismo Anotaci�n manual de prote�nas no caracterizadas que muestren similitud con otras prote�nas

79. 79 Fern�n Ag�ero Estrategia HAMAP

80. 80 Fern�n Ag�ero HAMAP: ORFans No tienen similitud con otras prote�nas (excepto tal vez otras prote�nas de organismos muy cercanos) No tienen hits contra InterPro (Prosite, PRINTS, Pfam, ProDom, SMART) Qu� se hace: Predicci�n de se�ales Predicci�n de regiones trans-membrana Predicci�n de coiled-coils Anotaci�n de repeticiones

81. 81 Fern�n Ag�ero HAMAP: ORFan antes

82. 82 Fern�n Ag�ero HAMAP: ORFan despu�s

83. 83 Fern�n Ag�ero HAMAP: large/complex families

84. 84 Fern�n Ag�ero HAMAP: anotaci�n autom�tica Transferencia autom�tica de anotaci�n Usando reglas espec�ficas para cada famila de prote�nas Usando reglas espec�ficas para un organismo particular La transferencia de anotaci�n puede ir acompa�ada de advertencias para el curador Por ejemplo: WARNING: this genome contains MF_00031 (ruvA) but not MF_00016 (ruvB)

85. 85 Fern�n Ag�ero HAMAP: ejemplo reglas

86. 86 Fern�n Ag�ero HAMAP: Escherichia coli De acuerdo al an�lisis original: 4286 prote�nas 60 prote�nas no detectadas (casi todas < 100 aa) 120 muy probablemente no existan 50 pares o tripletes de ORFs tuvieron que ser fusionados 719 con errores en la asignaci�n del cod�n de inicio ~1800 todav�a sin caracterizaci�n bioqu�mica (aproximadamente una asignaci�n funcional por semana)

87. 87 Fern�n Ag�ero Chromosome browsers UCSC Genome Browser provee un display r�pido de cualquier regi�n gen�mica con varios �tracks� de anotaci�n alineados al genoma Por el momento s�lo: Human & Mouse Annotation tracks genes conocidos (RefSeq, GenBank) predicted genes (Genscan, FGENESH, GeneID, Acembly) spliced ESTs CpG islands assembly gaps cobertura bandas cromos�micas elementos repetitivos etc

89. 89 Fern�n Ag�ero UCSC Genome browser UCSC s�lo genera la mitad de los tracks El resto proviene de la comunidad biom�dica El Genome Browser es una herramienta de visualizaci�n No saca conclusiones! Simplemente integra en forma gr�fica toda la informaci�n que posee sobre una regi�n, dejando la exploraci�n y la interpretaci�n al usuario.

90. 90 Fern�n Ag�ero UCSC Genome Browser: gene expression

91. 91 Fern�n Ag�ero UCSC Genome browser: alternative splicing

92. 92 Fern�n Ag�ero UCSC Genome browser: complex transcription

93. 93 Fern�n Ag�ero UCSC Genoma browser: user tracks Ustedes pueden agregar sus propios tracks Pueden ser p�blicos o privados No necesitan saber programar Tienen que proveer informaci�n en formato GFF (u otros similares: GTF, BED) chrom start end [name strand score] chr1 1302347 1302357 SP1 + 800 chr1 1504778 1504787 SP2 � 980

94. 94 Fern�n Ag�ero Acknowledgements Nicola Mulder, EBI Daniel Lawson, Sanger Centre

95. 95 Fern�n Ag�ero Bioinform�ticaHerramientas y aplicaciones Fern�n Ag�ero Instituto de Investigaciones Biotecnol�gicas Universidad Nacional de General San Mart�n

96. 96 Fern�n Ag�ero Entender la informaci�n gen�tica La informaci�n gen�tica es redundante La informaci�n estructural es redundante Un gen, muchas funciones La informaci�n gen�tica es unidimensional, pero la funci�n depende de la estructura tridimensional El reemplazo de 40% de los residuos de una prote�na no afectan la funci�n

97. 97 Fern�n Ag�ero Qu� herramientas provee la computaci�n cient�fica Machine Learning (inteligencia artificial, aprendizaje autom�tico) Distintos m�todos �entrenables� para reconocer o aprender disintas cosas: Neural Networks Markov Models and Hidden Markov Models Nearest neighbor Otros Predicci�n en prote�nas SignalP, Net-O-Glyc, TMHMM, TmPred, PSORT Gene finding, Gene prediction Genscan, Glimmer, GeneMark, FGENESH Predicci�n de estructura secundaria nnpredict, PHDSec,

98. 98 Fern�n Ag�ero Qu� herramientas provee la computaci�n Bases de datos Organizar datos de manera eficiente Posibilidad de realizar consultas complejas, integrando y cruzando datos. Entrez, SRS, FlyBase Oracle, Sybase, MySQL, PostgreSQL Teor�a de la informaci�n Medir la cantidad de informaci�n (en bits) Incertidumbre Sequence Logos Algoritmos M�todos para tratar con distintos tipos de problemas Una vez que se aprende como solucionar un problema particular, la soluci�n se generaliza a toda una clase de problemas similares Dynamic programming Qu� problema resuelve este algoritmo? El problema de encontrar el mejor camino entre muchos posibles. utilizado en m�todos de alineamiento de secuencias (Smith-Waterman, Needleman-Wunsch, BLAST, FASTA), en m�todos de predicci�n de genes, en ruteo de llamadas telef�nicas a trav�s de distintas centrales, etc.

99. 99 Fern�n Ag�ero Bases de datos: conceptos b�sicos

100. 100 Fern�n Ag�ero Un experimento bioinform�tico Un experimento en la computadora no es distinto de cualquier experimento en la mesada: los resultados deben contestar una pregunta concreta deben ser reproducibles por otra persona que utilice el mismo m�todo Identificar el problema cu�l es el mecanismo catal�tico de la enzima X? Identificar las herramientas necesarias para resolver el problema b�squedas de secuencias similares, alineamientos m�ltiples, detecci�n de profiles y motivos, modelado de la estructura tridimensional, evaluaci�n del modelo Definir criterios de satisfacci�n (�xito del experimento) Pr�cticamente todos los m�todos computacionales producen resultados. Una b�squeda utilizando BLAST casi siempre produce alg�n hit Es necesario distinguir resultados significativos del ruido para no terminar comparando superoxido dismutasas con alcohol dehidrogenasas. Hay que entender c�mo funcionan los programas, en qu� algoritmos est�n basados, que puntos d�biles tienen, etc.

101. 101 Fern�n Ag�ero Un experimento bioinform�tico � Seleccionar el set de datos apropiados En el laboratorio, los materiales y reactivos son objetos f�sicos necesarios para realizar un experimento. Generalmente uno sabe cuando fueron preparados, quien los preparo, como fueron preparados, etc. En bioinform�tica el mismo tipo de informaci�n es esencial. Las fuentes de informaci�n (bases de datos, por ej), fecha de ultima actualizacion, el crtiterio y el metodo utilizado para extraer los datos que van a ser utilizados en el experimento

102. 102 Fern�n Ag�ero Un ejemplo concreto Un investigador interesado en estudiar genes en involucrados en la interacci�n hospedador-par�sito, con especial inter�s en identificar aquellos productos que sean secretados Un sitio web reporta los resultados de un an�lisis sistem�tico de expresi�n (usando microarrays) de todos los genes del genoma en todos los estad�os del ciclo de vida del par�sito El investigador puede bajar un archivo con un resumen de estos experimentos Las secuencias de todas las prote�nas codificadas por el genoma se encuentran disponibles en una base de datos. Lo que se necesita es contar con la capacidad de identificar genes que se expresen en los estad�os del ciclo de vida que ocurren en el hospedador y extraer las secuencias de estos genes de la base de datos En ultima instancia el objetivo es analizar las secuencias de inter�s usando SignalP para predecir la posible presencia de un p�ptido se�al

103. 103 Fern�n Ag�ero Cuestiones a tener en cuenta: Podemos hacer el trabajo �a mano� Abrimos el resumen con los datos de los experimentos con microarrays en un procesador de texto buscamos los genes que muestran expresi�n en el estadio de inter�s Construimos una lista de genes (accession numbers) Luego vamos a nuestra base de datos con secuencias gen�micas y sus traducciones y buscamos una por una las secuencias El ultimo paso es pasar todas las secuencias a un formato que entienda SignalP y ingresarlas una por una en el formulario correspondiente. Hay tres problemas evidentes: Si el n�mero de genes que se expresan en nuestro estadio de interes es m�s que �unos cuantos� el trabajo se vuelve tedioso y m�s que nada lento por el tiempo que insume Peor aun, cada vez que aparezcan nuevos resultados de microarrays o se actualicen, hay que repetir todo el procedimiento El proceso de abrir el resumen con datos de microarrays (o la base de datos de genes) en un procesador de textos puede no ser factible si el tama�o de los archivos excede los 5 o 10 MB

104. 104 Fern�n Ag�ero Programaci�n en biolog�a Cualquier persona que tenga experiencia en el dise�o y llevado a cabo de experimentos para responder una pregunta puede programar una computadora Un experimento en el laboratorio comienza con una pregunta que evoluciona hacia una hip�tesis testeable Finalmente el experimento sirve para afirmar o descartar una afirmaci�n En la computadora el programa que uno escriba debe estar dise�ado de manera de producir resultados que respondan a este tipo de afirmaciones Aprender un lenguaje de programaci�n puede resultar un desaf�o no trivial, pero es similar a aprender a utilizar una nueva herramienta, tecnolog�a u otro lenguaje (ingl�s, franc�s)

105. 105 Fern�n Ag�ero Programaci�n en biolog�a Ejemplos simples: automatizar tareas identificar una o m�s tareas que uno quiere realizar escribir un programa que las realice en forma autom�tica Analizar todas las prote�nas de un genoma y seleccionar aquellas que sean (o parezcan) proteinasas Un archivo con todas las secuencias Una base de datos de proteinas (Swissprot, GenPept) Un programa para buscar secuencias similares en bases de datos (BLAST) Una serie de instrucciones a seguir (un protocolo)

106. 106 Fern�n Ag�ero Automatizar b�squedas con BLAST

107. 107 Fern�n Ag�ero Automatizar BLAST Muy lindo el diagrama, pero: c�mo se hace? Por cada secuencia de una lista de secuencias hay que: correr la comparaci�n (BLAST) contra una base de datos analizar el reporte que genera el programa y extraer dos tipos de datos: score, expect, identidad, similitud (alg�n criterio cuantitativo que me sirva para tomar una decisi�n) descripci�n de la secuencia obtenida de la base de datos

108. 108 Fern�n Ag�ero Programaci�n Todo lenguaje de programaci�n provee construcciones para tomar decisiones: if A then do B, else do C if A > 100 then continue else exit Algunos lenguajes de programaci�n proveen m�todos para ejecutar otros programas salir al sistema operativo, ejecutar el programa X y tomar el output blast secuencia vs swissprot system( �blast -i secuencia -d swissprot� ) Lo m�s dificil: analizar el output y tomar los datos de inter�s para poder tomar decisiones (hacer comparaciones) tenemos que tener los datos en variables

109. 109 Fern�n Ag�ero Reportes de BLAST Un reporte de BLAST tal como aparece en un navegador o al ejecutar el programa en la l�nea de comando (Unix) es basicamente un archivo de texto (un archivo plano o flatfile) Ningun reporte es igual a otro. Sin embargo hay patrones similares (la apariencia de hecho es similar). Tenemos que entrenar a nuestro programa para reconocer patrones: la primer linea contiene informaci�n sobre el programa la quinta l�nea contiene informaci�n sobre la secuencia utilizada para la b�squeda la d�cima l�nea contiene informaci�n sobre la base de datos la l�nea que comienza con �>� indica el comienzo de la descripci�n de un hit etc.

110. 110 Fern�n Ag�ero Anatom�a de un reporte de BLAST

111. 111 Fern�n Ag�ero Anatom�a de un reporte de BLAST

112. 112 Fern�n Ag�ero Anatom�a de un reporte de BLAST

113. 113 Fern�n Ag�ero Anatom�a de un reporte de BLAST

114. 114 Fern�n Ag�ero Nuevos formatos Los reportes estaban dise�ados con un usuario (humano) en mente Formato no estructurado Ideal para lectura Cada vez m�s los reportes que producen distintos programas se encuentran en formatos estructurados m�s f�ciles de analizar desde el punto de vista de la computadora XML ASN.1 Tabulado Estos formatos no son amigables para un humano (no son f�ciles de leer)

115. 115 Fern�n Ag�ero Representaci�n de la informaci�n

116. 116 Fern�n Ag�ero Representaci�n de la informaci�n

117. 117 Fern�n Ag�ero Analizando un reporte de BLAST Nuestro programa ya ley� el reporte Y almacen� los valores que le pedimos en distintas variables Ahora podemos hacerle hacer lo que querramos: (en pseudoc�digo): if $score < 100 { read next report } else { print $accession } if $description =~ �proteinase� { print $accession} else { read next report } if $score < 100 AND $description =~ �proteinase� { print $accession } else { read next report }

118. 118 Fern�n Ag�ero M�dulos de software reusables Resumiendo: nuestro programa tiene que poder leer el reporte (FACIL) identificar dentro del reporte distintos elementos y almacenarlos en variables (MAS COMPLICADO) tomar decisiones en base a los valores contenidos en las variables y realizar acciones (imprimir algo en pantalla, almacenar datos en un archivo, base de datos, etc.) (Criterio del usuario) El criterio del usuario es lo que va a hacer que el programa sirva para un fin u otro Es evidente que los pasos 1 y 2 van a ser necesarios para cualquier programas que intenten procesar reportes de BLAST solo hay que programarlos una vez modulos reusables (subrutinas)

119. 119 Fern�n Ag�ero Bibliotecas de modulos reusables Perl, Python, Java, C en general todos los lenguajes proveen bibliotecas de m�dulos reusables el m�dulo contiene c�digo que realiza ciertas operaciones no es necesario saber como funciona internamente el m�dulo para poder usarlo solo necesitamos saber que datos necesita (por ejemplo: una secuencia) y que resultados produce (un valor: 135, una respuesta: SI/NO) En el caso de aplicaciones biol�gicas BioPerl BioPython BioJava Otros

120. 120 Fern�n Ag�ero Pipelines Qu� es un pipeline? Una l�nea automatizada de an�lisis

121. 121 Fern�n Ag�ero Pipelines: ejemplos Sistemas de anotaci�n autom�tica de genomas Ensembl - http://www.ensembl.org UCSC Genome Browser - http://genome.ucsc.edu ORNL Genome Channel - http://compbio.ornl.gov/channel HAMAP - http://us.expasy.org/sprot/hamap

122. 122 Fern�n Ag�ero Estrategia HAMAP

126. 126 Fern�n Ag�ero Consideraciones pr�cticas La bioinform�tica es m�s barata que el trabajo en el laboratorio El equipamiento es significativamente m�s barato que el de un laboratorio de biolog�a molecular Los materiales (programas) y reactivos (datos) son en general gratuitos y libremente accesibles Almacenamiento La cantidad y tipos de bases de datos que se planean instalar (ejemplo: GenBank actualmente requiere 120 GB) La cantidad y tipo de datos que se planean generar Memoria y Procesador Los requerimientos de los distintos m�todos BLAST es principalmente memoria-intensivo HMMER es principalmente procesador-intensivo

127. 127 Fern�n Ag�ero Consideraciones pr�cticas Backup CD Cinta Un segundo disco Software Sistema operativo: unix Paquetes: BLAST, FASTA, etc Software de manejo de bases de datos: MySQL, PostgreSQL Lenguajes de proramaci�n: Perl, Java, Python, C, C++ Para un laboratorio chico una PC con un disco un poco m�s grande y un poco m�s de memoria que lo com�n pueden ser suficientes

128. 128 Fern�n Ag�ero Con respecto a la protozoolog�a Los genomas de varios protozoarios est�n terminados o cerca de estarlo Plasmodium falciparum, berghei, chabaudi, knowlesi Toxoplasma gondii Trypanosomatidos (T. cruzi, T. brucei, L. major) Algunos otros se encuentran en distintos estados Entamoeba hystolytica Theileria annulata Babesia bovis Eimeria tenella En algunos casos hay proyectos post-gen�micos en curso o reci�n comenzando Proteomics Microarrays RNAi

129. 129 Fern�n Ag�ero Bibliograf�a sugerida Developing Bionformatics Computer Skills O�Reilly & Associates Bioinformatics. Sequence and genome analysis. CSHL Press Bioinformatics, a practical guide to the analysis of genes and proteins Wiley InterScience