Введение в биоинформатику. Современное положение. Задачи и методы их решения. Порозов Юрий.

План курса Введение в биоинформатику, цели, задачи и методы. Основные понятия. Аминокислоты, протеины и нуклеиновые кислоты. Способы представления информации о последовательностях – форматы записи Fasta, Genbank, PDB и способы визуализации. Источники информации, базы данных и Интернет для биоинформатики. Протеины, пространственное строение, функции. Молекула ДНК – хранилище генетической информации. Строение ДНК. Упаковка молекулы. Комплементарность. Гены, регуляторные последовательности, сайты связывания. Кодирование информации при помощи нуклеотидов. Репликация (удвоение молекулы). Анализ последовательностей. Парное выравнивание. Алгоритмы выравнивания. Множественное выравнивание. Применение выравнивания в биоинформатике, примеры. Строение белков. Первичная структура белка. Вторичная структура. Третичная и четвертичная структура белка. Мотивы и домены. α- структуры, β-структуры и их комбинации. Функции белков. Связь между структурой и функцией белков. Главная цепь. Боковые цепи. Геометрия главной цепи. Конформации белка. Конформации боковых цепей. Диаграмма Рамачандран и библиотеки ротамеров. Предсказание трехмерной структуры белка. Фолдинг (сворачивание) белка. Парадокс Левенталя. Методы определения пространственной структуры белков. X-ray-дифракция. Метод ЯМР. Потенциальная энергия молекулы. Предсказание вторичной структуры. Предсказание третичной структуры: AB-initio. Моделирование гомологов. Threading (распознавание фолда). Структурное выравнивание. Биологические базы данных и серверы. NCBI и сервисы. PDB. OCA. SRS. SRS-3D. PredictProtein. Swiss-Model. ExPASy. UniProt. Серверы EMBL. ENCODE. Инструменты: Swiss-PDBviewer, VMD, Accelrys Discovery Studio. Актуальные проблемы, требующие решения: аннотация генома, поиск генов, поиск сайтов репликации у человека. Сворачивание белков, предсказание структуры белка CASP, предсказание функции и клеточной локализации белков. Предсказание подвижности белков и классификация протеинов по принципу подвижности. Моделирование подвижности белков. Молекулярная динамика и компьютерная графика. Maya, VMD. Моделирование на основе геометрии.

Биоинформатика - наука, занимающаяся анализом экспериментальных данных молекулярной биологии: секвенированных последовательностей биополимеров, экспериментально определенных пространственных структур биологических макромолекул, данных об экспрессии генов и т.д. Методами биоинформатики являются методы организации информации, широко понимаемые компьютерные методы, методы вычислительной математики и статистики. (М.С. Гельфанд et al) Европейский Биоинформационный Институт: биоинформатика – это применение компьютерных технологий для администрирования и анализа биологических данных.

Биоинформатика Structural Genomics Pharmaco-Genomics Functional Genomics Proteomics Genomics Bioinformatics

Задачи биоинформатики Функциональная аннотация биополимеров Структурная аннотация биополимеров Эволюция Геномика и протеомика

Биополимеры ДНК РНК (дезоксирибонуклеиновые и рибонуклеиновые кислоты) – обеспечивающих хранение, передачу из поколения в поколение и реализацию генетической программы развития и функционирования живых организмов } Протеины (белки)

Последовательность (sequence, первичная структура)– цепь из мономеров (нуклеотиды или аминокислоты), составляющих ДНК, РНК или белок. Последовательности ДНК – от нуклеотидов (праймеры для ПЦР) до нескольких миллионов (хромосомная ДНК). Последовательности белков – десятки-тысячи аминокислот.

Биополимеры – ДНК Аденин Гуанин Цитозин Тимин Аденозинфосфат Пурины Пиримидины

Биополимеры - ДНК J. Watson и F. Crick. Фото из архива Photo Researchers inc.

Биополимеры - белки Аминокислоты - органические соединения, в молекуле которых одновременно содержатся карбоксильные и аминные группы. Последовательность, цепь аминокислот составляет белок.

Биополимеры - белки

Форматы файлов, используемых в биоинформатике FASTA >roa1_drome Rea guano receptor type III >> 0.1 MVNSNQNQNGNSNGHDDDFPQDSITEPEHMRKLFIGGLDYRTTDENLKAHEKWGNIVDV VVMKDPRTKRSRGFGFITYSHSSMIDEAQKSRPHKIDGRVEPKRAVPRQDIDSPNAGATVK KLFVGALKDDHDEQSIRDYFQHFGNIVDNIVIDKETGKKRGFAFVEFDDYDPVDKVVLQK QHQLNGKMVDVKKALPKNDQQGGGGGRGGPGGRAGGNRGNMGGGNYGNQNGGGNW NNGGNNWGNNRGNDNWGNNSFGGGGGGGGGYGGGNNSWGNNNPWDNGNGGGNFGG GGNNWNGGNDFGGYQQNYGGGPQRGGGNFNNNRMQPYQGGGGFKAGGGNQGNYGN NQGFNNGGNNRRY >roa2_drome Rea guano ligand MVNSNQNQNGNSNGHDDDFPQDSITEPEHMRKLFIGGLDYRTTDENLKAHEKWGNIVDV VVMKDPTSTSTSTSTSTSTSTSTMIDEAQKSRPHKIDGRVEPKRAVPRQDIDSPNAGATVK KLFVGALKDDHDEQSIRDYFQHLLLLLLLDLLLLDLLLLDLLLFVEFDDYDPVDKVVLQK QHQLNGKMVDVKKALPKNDQQGGGGGRGGPGGRAGGNRGNMGGGNYGNQNGGGNW NNGGNNWGNNRGNDNWGNNSFGGGGGGGGGYGGGNNSWGNNNPWDNGNGGGNFGG GGNNWNGGNDFGGYQQNYGGGPQRGGGNFNNNRMQPYQGGGGFKAGGGNQGNYGN NQGFNNGGNNRRY

GenBank LOCUS SCU bp DNA PLN 21-JUN-1999 DEFINITION Saccharomyces cerevisiae TCP1-beta gene, partial cds, and Axl2p (AXL2) and Rev7p (REV7) genes, complete cds. ACCESSION U49845 VERSION U GI: KEYWORDS. SOURCE Saccharomyces cerevisiae (baker's yeast) ORGANISM Saccharomyces cerevisiae Eukaryota; Fungi; Ascomycota; Saccharomycotina; Saccharomycetes; Saccharomycetales; Saccharomycetaceae; Saccharomyces. REFERENCE 1 (bases 1 to 5028) AUTHORS Torpey,L.E., Gibbs,P.E., Nelson,J. and Lawrence,C.W. TITLE Cloning and sequence of REV7, a gene whose function is required for DNA damage-induced mutagenesis in Saccharomyces cerevisiae JOURNAL Yeast 10 (11), (1994) PUBMED REFERENCE 2 (bases 1 to 5028) AUTHORS Roemer,T., Madden,K., Chang,J. and Snyder,M. TITLE Selection of axial growth sites in yeast requires Axl2p, a novel plasma membrane glycoprotein JOURNAL Genes Dev. 10 (7), (1996) PUBMED REFERENCE 3 (bases 1 to 5028) AUTHORS Roemer,T. TITLE Direct Submission JOURNAL Submitted (22-FEB-1996) Terry Roemer, Biology, Yale University, New Haven, CT, USA FEATURES Location/Qualifiers source /organism="Saccharomyces cerevisiae" /db_xref="taxon:4932" /chromosome="IX" /map="9" CDS

PDB – Protein Data Bank HEADER LUMINESCENT PROTEIN 09-DEC-03 1RRX TITLE CRYSTALLOGRAPHIC EVIDENCE FOR ISOMERIC CHROMOPHORES IN 3- TITLE 2 FLUOROTYROSYL-GREEN FLUORESCENT PROTEIN COMPND MOL_ID: 1; COMPND 2 MOLECULE: SIGF1-GFP FUSION PROTEIN; COMPND 3 CHAIN: A; COMPND 4 ENGINEERED: YES; COMPND 5 OTHER_DETAILS: CONTAINS 3-FLUORO-TYROSINE SOURCE MOL_ID: 1; SOURCE 2 ORGANISM_SCIENTIFIC: AEQUOREA VICTORIA; SOURCE 3 ORGANISM_COMMON: FUNGI; SOURCE 4 EXPRESSION_SYSTEM: ESCHERICHIA COLI; SOURCE 5 EXPRESSION_SYSTEM_COMMON: BACTERIA; SOURCE 6 EXPRESSION_SYSTEM_VECTOR_TYPE: PLASMID KEYWDS BETA-BARREL, EGFP, NON-CANONICAL AMINO ACID, CHROMOPHORE KEYWDS 2 ISOMERISATION EXPDTA X-RAY DIFFRACTION AUTHOR J.H.BAE,P.PARAMITA PAL,L.MORODER,R.HUBER,N.BUDISA REVDAT 1 08-JUN-04 1RRX 0 JRNL AUTH J.H.BAE,P.PARAMITA PAL,L.MORODER,R.HUBER,N.BUDISA JRNL TITL CRYSTALLOGRAPHIC EVIDENCE FOR ISOMERIC JRNL TITL 2 CHROMOPHORES IN 3-FLUOROTYROSYL-GREEN FLUORESCENT JRNL TITL 3 PROTEIN. JRNL REF CHEMBIOCHEM V JRNL REF 2 EUROP.J.CHEM.BIOL. JRNL REFN GE ISSN REMARK 1 REMARK 2 REMARK 2 RESOLUTION ANGSTROMS. REMARK 3 REMARK 3 REFINEMENT // REMARK 500 M RES CSSEQI ATM1 ATM2 ATM3 REMARK 500 LEU A 44 CA - CB - CG ANGL. DEV. = 13.7 DEGREES REMARK 500 LEU A 64 N - CA - C ANGL. DEV. =-16.6 DEGREES REMARK 500 LEU A 64 CA - C - O ANGL. DEV. =-16.0 DEGREES REMARK 500 LEU A 64 CA - C - N ANGL. DEV. = 31.6 DEGREES REMARK 500 LEU A 64 O - C - N ANGL. DEV. =-15.9 DEGREES REMARK 500 THR A 97 N - CA - C ANGL. DEV. =-14.0 DEGREES REMARK 500 GLU A 115 N - CA - C ANGL. DEV. =-13.1 DEGREES REMARK 900 REMARK 900 RELATED ENTRIES REMARK 900 RELATED ID: 1EMG RELATED DB: PDB REMARK 900 THE WILD TYPE OF STUDIED NON-CANONICAL AMINO ACID- REMARK 900 CONTAINING GFP DBREF 1RRX A UNP P42212 GFP_AEQVI SEQADV 1RRX YOF A 39 UNP P42212 TYR 327 MODIFIED RESIDUE SEQADV 1RRX MFC A 66 UNP P42212 THR 353 MODIFIED RESIDUE SEQADV 1RRX MFC A 66 UNP P42212 TYR 354 MODIFIED RESIDUE SEQADV 1RRX MFC A 66 UNP P42212 GLY 355 MODIFIED RESIDUE SEQADV 1RRX YOF A 74 UNP P42212 TYR 362 MODIFIED RESIDUE SEQADV 1RRX YOF A 92 UNP P42212 TYR 380 MODIFIED RESIDUE SEQADV 1RRX YOF A 106 UNP P42212 TYR 394 MODIFIED RESIDUE SEQADV 1RRX YOF A 143 UNP P42212 TYR 431 MODIFIED RESIDUE SEQADV 1RRX YOF A 143 UNP P42212 TYR 433 MODIFIED RESIDUE SEQADV 1RRX YOF A 151 UNP P42212 TYR 439 MODIFIED RESIDUE SEQADV 1RRX YOF A 182 UNP P42212 TYR 470 MODIFIED RESIDUE SEQADV 1RRX YOF A 200 UNP P42212 TYR 488 MODIFIED RESIDUE SEQRES 1 A 226 SER LYS GLY GLU GLU LEU PHE THR GLY VAL VAL PRO ILE SEQRES 2 A 226 LEU VAL GLU LEU ASP GLY ASP VAL ASN GLY HIS LYS PHE SEQRES 3 A 226 SER VAL SER GLY GLU GLY GLU GLY ASP ALA THR YOF GLY SEQRES 4 A 226 LYS LEU THR LEU LYS PHE ILE CYS THR THR GLY LYS LEU SEQRES 5 A 226 PRO VAL PRO TRP PRO THR LEU VAL THR THR LEU MFC VAL SEQRES 6 A 226 GLN CYS PHE SER ARG YOF PRO ASP HIS MET LYS GLN HIS SEQRES 7 A 226 ASP PHE PHE LYS SER ALA MET PRO GLU GLY YOF VAL GLN SEQRES 8 A 226 GLU ARG THR ILE PHE PHE LYS ASP ASP GLY ASN YOF LYS SEQRES 9 A 226 THR ARG ALA GLU VAL LYS PHE GLU GLY ASP THR LEU VAL SEQRES 10 A 226 ASN ARG ILE GLU LEU LYS GLY ILE ASP PHE LYS GLU ASP SEQRES 11 A 226 GLY ASN ILE LEU GLY HIS LYS LEU GLU YOF ASN YOF ASN SEQRES 12 A 226 SER HIS ASN VAL YOF ILE MET ALA ASP LYS GLN LYS ASN SEQRES 13 A 226 GLY ILE LYS VAL ASN PHE LYS ILE ARG HIS ASN ILE GLU SEQRES 14 A 226 ASP GLY SER VAL GLN LEU ALA ASP HIS YOF GLN GLN ASN SEQRES 15 A 226 THR PRO ILE GLY ASP GLY PRO VAL LEU LEU PRO ASP ASN SEQRES 16 A 226 HIS YOF LEU SER THR GLN SER ALA LEU SER LYS ASP PRO SEQRES 17 A 226 ASN GLU LYS ARG ASP HIS MET VAL LEU LEU GLU PHE VAL SEQRES 18 A 226 THR ALA ALA GLY ILE MODRES 1RRX YOF A 39 TYR 3-FLUOROTYROSINE MODRES 1RRX YOF A 74 TYR 3-FLUOROTYROSINE MODRES 1RRX YOF A 92 TYR 3-FLUOROTYROSINE MODRES 1RRX YOF A 106 TYR 3-FLUOROTYROSINE MODRES 1RRX YOF A 143 TYR 3-FLUOROTYROSINE MODRES 1RRX YOF A 145 TYR 3-FLUOROTYROSINE MODRES 1RRX YOF A 151 TYR 3-FLUOROTYROSINE MODRES 1RRX YOF A 182 TYR 3-FLUOROTYROSINE MODRES 1RRX YOF A 200 TYR 3-FLUOROTYROSINE MODRES 1RRX MFC A 66 GLY CYCLIZED MODRES 1RRX MFC A 66 TYR CYCLIZED HETNAM YOF 3-FLUOROTYROSINE HETNAM MFC 5-[1-(3-FLUORO-4-HYDROXY-PHENYL)-METH-(Z)-YLIDENE]-3, HETNAM 2 MFC 5-DIHYDRO-IMIDAZOL-4-ONE FORMUL 1 YOF 9(C9 H10 F N O3) FORMUL 1 MFC C15 H16 F N3 O5 FORMUL 2 HOH *61(H2 O)

HELIX 1 1 GLU A 5 THR A HELIX 2 2 ALA A 37 YOF A HELIX 3 3 PRO A 56 VAL A HELIX 4 4 VAL A 68 SER A HELIX 5 5 PRO A 75 HIS A HELIX 6 6 ASP A 82 ALA A SHEET 1 A12 VAL A 12 VAL A 22 0 SHEET 2 A12 HIS A 25 ASP A O GLY A 31 N VAL A 16 SHEET 3 A12 LYS A 41 CYS A O THR A 43 N GLU A 34 SHEET 4 A12 HIS A 217 ALA A O LEU A 220 N LEU A 44 SHEET 5 A12 HIS A 199 SER A N SER A 202 O THR A 225 SHEET 6 A12 ASN A 149 ASP A N ILE A 152 O HIS A 199 SHEET 7 A12 GLY A 160 ASN A O GLY A 160 N ASP A 155 SHEET 8 A12 VAL A 176 PRO A O GLN A 177 N HIS A 169 SHEET 9 A12 YOF A 92 PHE A N GLU A 95 O GLN A 184 SHEET 10 A12 ASN A 105 GLU A O YOF A 106 N ILE A 98 SHEET 11 A12 THR A 118 ILE A O LYS A 126 N LYS A 107 SHEET 12 A12 VAL A 12 VAL A 22 1 N ASP A 21 O GLY A 127 CISPEP 1 MET A 88 PRO A CRYST P ORIGX ORIGX ORIGX SCALE SCALE SCALE ATOM 1 N SER A N ATOM 2 CA SER A C ATOM 3 C SER A C ATOM 4 O SER A O ATOM 5 CB SER A C ATOM 6 OG SER A O ATOM 7 N LYS A N ATOM 8 CA LYS A C // ATOM 47 CA PHE A C ATOM 48 C PHE A C ATOM 49 O PHE A O ATOM 50 CB PHE A C ATOM 51 CG PHE A C ATOM 52 CD1 PHE A C ATOM 495 CA VAL A C ATOM 496 C VAL A C ATOM 1164 CA SER A C ATOM 1819 CD1 ILE A C ATOM 1820 OXT ILE A O TER 1821 ILE A 229 HETATM 1822 O HOH O HETATM 1823 O HOH O // HETATM 1831 O HOH O HETATM 1832 O HOH O HETATM 1833 O HOH O HETATM 1880 O HOH O HETATM 1881 O HOH O HETATM 1882 O HOH O CONECT CONECT CONECT CONECT CONECT CONECT CONECT CONECT MASTER END

GCG

Способы визуализации Определение структуры (координат атомов) белка: 1)Х-Ray кристаллография 2)Ядерно-магнитный резонанс (NMR) Эти методы довольно трудоёмки и дороги 3) Предсказание структуры белка

X-ray кристаллография 1.Получение упорядоченных кристаллов белка. 2.Определение дифракции x-ray.

X-ray кристаллография 3.Анализ дифракционной картины даёт представление об электронных плотностях. 4.«Нанизывание» известной аминокислотной последовательности на карту электронных плотностей. Tyrosine

ЯМР (NMR) 1.Nuclear Magnetic Resonance - регистрация релаксации ядер тяжёлых атомов в магнитном поле. а) Выравнивание ядер тяжелых атомов в сильном постоянном или импульсном магнитном поле б) Регистрация резонанса (в постоянном поле) или релаксации (в импульсном поле) атомных ядер. 2. Измерение дистанций между атомами в протеине.

ЯМР 3.Использует данные тысяч измерений дистанций для построения модели протеина с учётом ограничений.

Источники информации и базы данных в Интернете

Типы баз данных Всеобъемлющие базы данных Организмоспецифические Молекулярноспецифические Дополнительные базы данных

Проблемы Биологические базы данных росли последние 20 лет: 1.Избыточность: множественные записи. 2.Неверные последовательности и записи. Открытость (данные добавляются пользователями): 1.Изменения вносятся владельцами записей. 2.Старые последовательности. 3.Неверные последовательности. 4.Неполные аннотации.

Пример GenBank GenBank, база данных последовательностей NCBI. В 1982 году: 700,000 bp, 700 последовательностей. В 2002 году : 29,000,000,000 22,000,000 последовательностей В 2009 году: 145,959,997,864 bp 49,063,546 последовательностей

Полные базы данных Большие базы данных ДНК, РНК и белков. Примеры: GenBank, EMBL, swissprot. Имеется обмен информацией между базами

NCBI (National center for biotechnology information) NCBI PubMed Books OMIM Nucleotides Proteins GenomesTaxonomy Structure Domains Exp profiles

NCBI - GenBank GenBank: открытая база данных нуклеотидных и аминокислотных последовательностей Источники информации: 1.Прямая подача от исследователей. 2.Литература. 3.Центры исследований последовательностей (Sanger, TIgr) 4.Обмен с другими базами (swiss-prot, PDB).

NCBI - GenBank GenBank поделён на подбазы: 1.Organism specific (Human, Bacteria, etc). 2.Molecule specific (DNA, RNA, protein). 3.Sequence specific (Genome, mRNA, ESTs etc).

EMBL Параллельная GenBank база данных.

Swiss prot База данных белков: 1.Очень хорошо аннотированная. 2.Отсутствует избыточность. 3.Имеются перекрёстные ссылки. 4.ID для нескольких связанных файлов белков

Организмоориентированные базы

Молекулоспецифические базы Базы даных, ориентированные на группы молекул GtRDB: The Genomic tRNA Database

PDB – Protein Data Bank Главная база данных 3D структур белков Включает порядка 23,000 белковых структур. Белки организованы в группы, семейства и т.д. Имеет порядка 5600 точных структур.

SCOP - Structural Classification Of Proteins Организована в соответствии со структурными семействами белков. Иерархическая система.

NCBI - Entrez Entrez - поисковая машина для баз NCBI. Поиск начинается с выбора адекватной области для поикса (Nucleotide, белки). Можно использовать определители полей, логические операторы, условия и т.д.

NCBI - Entrez Ограничения:

SRS ( Sequence Retrieval System). Исталлирована на множестве серверов. Имеет связи со многими базами данных. Предоставляет множество инструментов и служб для анализа. Позволяет сохранить результаты работы и анализа и продолжить работу локально.

SRS Рабочая среда Выбор базы данных Заполнение формы запроса Страница результатов

Парное выравнивание

Гомологи Все живое произошло от одного общего предка, следовательно, все последовательности являются «гомологами». На самом деле гомологи – только те последовательности, похожесть которых можно подтвердить существующими методами с определенной чувствительностью: Белок в двух различных организмах выполняет сходную функцию и это можно подтвердить экспериментально. 5 млн.лет 120 млн.лет 1500 млн.лет

Определение VLSPADKTNVKAAWAKVGAHAAGHG ||| | | |||| | |||| VLSEAEWQLVLHVWAKVEADVAGHG Выравнивание (alignment) – сравнение двух (парный) или нескольких (множественный) последовательностей. Поиск серий идентичных символов в последовательностях

Какие задачи решает парное выравнивание? Нуклеотиды –Изучение эволюционных связей –Поиск генов, доменов, сигналов … Белки –Изучение эволюционных связей –Классификация белковых семейств по функции или структуре –Идентификация общих доменов по функции или структуре.

Точечный график Наиболее интуитивный метод для сравнения последовательностей. Использование слов вместо символов позволяет уменьшить шум.

Парное выравнивание Человеческий гемоглобин (HH): VLSPADKTNVKAAWGKVGAHAGYEG Миоглобин кашалота (SWM): VLSEGEWQLVLHVWAKVEADVAGHG

Парное выравнивание - идентичность (HH) VLSPADKTNVKAAWGKVGAHAGYEG ||| | | || | | (SWM) VLSEGEWQLVLHVWAKVEADVAGHG Процент идентичности: (| only)

Парное выравнивание - похожесть (HH) VLSPADKTNVKAAWGKVGAHAGYEG |||. | | || | | (SWM) VLSEGEWQLVLHVWAKVEADVAGHG Процент похожести: (| и.) Процент идентичности: ( только |)

Парное выравнивание – вставка промежутков (gaps) (HH) VLSPADKTNVKAAWGKVGAH-AGYEG. (SWM) VLSEGEWQLVLHVWAKVEADVAGH-G Gap Weight: 4 Gaps: 2 Процент похожести: Процент идентичности:

Парное выравнивание – вставка промежутков AKWTNLK----WAKV-ADVAGH-G AK-TNVKAKLPWGKVGAHVAGEYG - вставка\удаление промежутка - продление промежутка

Парное выравнивание - подсчёт Финальная оценка выравнивания – это сумма сумма положительных очков и штрафных очков: + Количество идентичных + Количество похожих - Количество вставленных промежутков - Количество удлиненных промежутков Оценка выравнивания

Парное выравнивание - Scoring (HH) VLSPADKTNVKAAWGKVGAH-AGYEG |||. | | || || | (SWM) VLSEGEWQLVLHVWAKVEADVAGH-G Final score: (V,V) + (L,L) + (S,S) + (D,E) + … - (penalty for gap insertion)*(number of gaps) - (penalty for gap extension)*(extension length)

Парное выравнивание Алгоритмы парного выравнивания пробуют все возможные варианты выравнивания. Результат – выравнивание с наивысшей оценкой. Различные системы оценки дают разные лучшие выравнивания!!!

Система оценки - белки Идентичность: подсчитывается количество совпадений и делится на длину выравниваемого региона Similarity: Менее формализованная величина Amino AcidCategory Asp (D) Glu(E) Asn (N) Gln (Q)Кислоты\амиды His (H) Lys (K) Arg (R)Основания Phe (F) Tyr (Y) Trp (W)Ароматические Ala (A) Cys (C) Gly (G) Pro (P) Ser (S) Thr (T)Гидрофильные Ile (I) Leu (L) Met (M) Val (V)Гидрофобные

Система оценки - белки Похожесть: Положительная оценка для выравниваемых аминокислот из одной и той же группы.

Парное выравнивание Матрицы для оценки – PAM и BLOSUM Системы оценки выравнивания различны для белков и для ДНК\РНК

Матрицы сравнения белков Семейство матриц, которые отражают вероятность замены одной аминокислоты на другую во время эволюции.

PAM матрица PAM матрица базируется на последовательностях с 85% идентичности. У близких белков функции не должны сильно различаться

PAM матрица PAM единицы отображают эволюционную дистанцию. 1 PAM единица – вероятность 1 точечной мутации на 100 аминокислот. Умножение PAM 1 на себя даёт более высокие матрицы, применимые для сравнения белков, удалённых эволюционно.

PAM 1

PAM 250

Парное выравнивание – методы сравнения Глобальное выравнивание – находит лучшее решение для целых последовательностей. Локальное выравнивание – находит похожие районы в двух последовательностях. Глобальное Локальное _____ _______ __ ____ __ ____ ____ __ ____

PAM матрицы Observed % difference Evolutionary distance (PAM)

BLOSUM Matrices Blocks Substitution Matrices. Матрицы PAM обладают ограниченными возможностями, так как их «рейтинги замен» были получены из выравниваний последовательностей с как минимум 85% идентичности. Henikoff and Henikoff (1992) разработали сет матриц, базирующийся на большем количестве данных (dataset of alignments). BLOSUM учитывает значительно больше замен, чем PAM, даже для редких пар.

BLOSUM Блоки – короткие стабильные образы «шаблоны» по 3-60 aa длиной. Белки могут быть поделены на семейства по наличию тех или иных блоков (семейство X содержит блоки a,b,c,d). Blosum использует ~500 семейств и ~2000 блоков. Различные матрицы Blosum выведены из блоков с различной степенью идентичности: blosum62 получена из выравнивания последовательностей с по меньшей мере 62% идентичности.

Параметры по умолчанию Параметры для открытия\продления промежутков индивидуальны для каждой матрицы PAM30: open=9, extension=1 PAM250: open=14, extension=2

Параметры по умолчанию Выравнивания будут сильно отличаться при использовании различных параметров для промежутков. Для каждой матрицы параметры по умолчанию генерируют оптимальное выравнивание. Матрицы были тестированы с разными параметрами до тех пор, пока не был получено «правильное выравнивание».

Параметры по умолчанию Мы можем использовать выравнвание последовательностей, базирующееся на структурном выравнивании. В этом случае структурное выравнивание является «правильным» для наших целей

Матрицы оценки DNA Похожесть нуклеотидов DNA определить невозможно. Основания делятся на 2 группы: пурины (A,G) и пиримидины (C,T)

Матрицы оценки DNA Мутации делятся на переходы (transitions) и превращения (transversions). Transitions – пурин на пурин, пиримидин на пиримидин ( 4 варианта). Transversions – пурин на пиримидин или пиримидин на пурин ( 8 вариантов ). By chance transversions должны происходить в 2 раза чаще, чем transitions.

Матрицы оценки DNA De-facto transitions происходят чаще.

Матрицы оценки DNA Унифицированная матрица подстановок нуклеотидов : TCGAFrom To 2A 2-6G 2 C 2 T Match Mismatch

Матрицы оценки DNA Неунифицированная матрица подстановок нуклеотидов: TCGAFrom To 2A 2-4G 2-6 C T MatchMismatch

Глобальное выравнивание Алгоритм Needleman and Wunsch (1970) Находит выравнивание двух полных последовательностей: ADLGAVFALCDRYFQ |||| |||| | ADLGRTQN-CDRYYQ

Дано: 2 последовательности x[1…n] и y[1…m] При выравнивании и есть 3 варианта При выравнивании x[1...i] и y[1…j] есть 3 варианта: Совпадение x[1…i-1] и y[1…j-1]: x[i]=y[j] Совпадение x[1…i] и y[1…j-1] и совпадение пропуска в x и y[j] Совпадение x[1…i-1] и y[1…j] и совпадение x[i] и пропуска в y x[1…i-1] i y[1…j-1] j x[1… i ] - y[1…j -1 ] j x[1…i -1 ] i y[1… j ] - Динамическое программирование. Глобальное выравнивание

Recursive Relation Scoring matrix s(a,b), s(, x) = s(x,) = d F ij – лучшая score-функция выравнивания x[1…i] and y[1…j] for 1

Scoring scheme: s(a, a) = 1, s(a, b) = 1, if a b, and s(, a) = s(a,) =2. x : C T T A G A y : G T A A, x : C T T A G A y : G T A A, x : C T T A G A y : G T A A x = CTTAGA, y = GTAA Расчет элементов матрицы: S i,1 =S i-1,1 +d, S 1,j = S 1,j-1 +d Все остальные элементы: S i,j =max{S i-1,j +d, S i,j-1 +d, S i-1,j-1 +t} где t – либо совпадение (1) либо замена (-1)

Локальное выравнивание Алгоритм Smith and Waterman (1981). Выполняет оптимальное выравнивание наиболее идентичного\похожего сегмента двух последовательностей. ADLG CDRYFQ |||| |||| | ADLG CDRYYQ

Recursive relations Интересует выравнивание подстрок (последовательных сегментов). Подстрока последовательности x1x2... xn имеет вид xixi+1... xi+k для 1 i n and k n i. Smith-Waterman алгоритм [SW] (решение проблемы пробелов между подстроками): Матрица (n + 1) х (m + 1), также, как и в алгоритме Needleman-Wunsch. Формула скоринга несколько другая: 0 Fij = max Fi-1,j-1 + s(xi,yj) Fi,j-1 - d Fi-1,j - d Где 0 – начало нового выравнивания, если предыдущее выравнивание дало отрицательный скоринг и продолжать дальше смысла нет.

Важно: Выравнивание может не только окончиться, но и начаться в любом месте матрицы. Таким образом, вместо того, чтобы выбирать стартовую точку F(n,m) в правом нижнем углу, выбирают элементы с максимальным скорингом в матрице.

Данные Пара последовательностей. Локальное или глобальное Штрафы за вставку\продление промежутков Матрицы

Оценка Как можно оценить достоверность выравнивания? Какое выравнивание лучше ? CGCTA CG-TA AACAA AA-AA ? Откуда взялись очки (оценка) : из порядка следования нуклеотидов или из набора?

Оценка – подход bootstrap Данные с тем же набором, но с разным порядком: 1.Перемешивание одной последовательности. 2.Повтор выравнивания и его оценка. 3.Повторение 1) и 2) много раз. 4.Посчёт среднего и SD оценки выравнивания перемешанной последовательности.

Оценка - bootstrap Shuffle one of the sequences Align with the second sequence Calculate mean and standard deviation of shuffled alignments Compare alignment score with mean of shuffled alignments

Оценка качества выравнивания Сравниваем результат (оценку) нашего выравнивания со средней оценкой выравнивания перемешанных последовательностей. Правило: If: original alignment >>average score + 6*SD Then: the alignment is statistically significant.

Program output: Gap Weight: 12 Average Match: Length Weight: 4 Average Mismatch: Quality: 1239 Length: 356 Ratio: Gaps: 0 Percent Similarity: Percent Identity: Average quality based on 100 randomizations: /- 4.7 Is it significant? * 4.7 = 63.1

GCG GapGap : Глобальное выравнивание. BestfitBestfit: Локальное выравнивание. Обе программы работают с одинаковым набором данных (последовательности, scoring matrix, etc)

Пример: Gap or Bestfit? 2 человеческих transcription factors: 1.SP1 factor, binds to GC rich areas.SP1 2.EGR-1 factor, active at differentiation stageEGR-1

Gap gap sw:egr1_human sw:sp1_human –ran=100sw:egr1_human sw:sp1_human Gap uses the algorithm of Needleman and Wunsch to find the alignment of two complete sequences that maximizes the number of matches and minimizes the number of gaps. Begin (* 1 *) ? End (* 543 *) ? Begin (* 1 *) ? End (* 696 *) ? What is the gap creation penalty (* 8 *) ? What is the gap extension penalty (* 2 *) ? What should I call the paired output display file (* egr1_human.pair *) ?

Gap Output GAP of: egr1_human check: 6989 from: 1 to: 543 to: sp1_human check: 4284 from: 1 to: 696 Symbol comparison table: /gcg10disk/gcg/gcgcore/data/rundata/blosum62.cmp CompCheck: 1102 Gap Weight: 8 Average Match: Length Weight: 2 Average Mismatch: Quality: 162 Length: 783 Ratio: Gaps: 23 Percent Similarity: Percent Identity: Average quality based on 100 randomizations: /- 7.0

Gap Output MAAAKAEMQLMSPLQISDPFGSFPHSPT 28.. | | |. | 181 NSVSAATLTPSSQAVTISSSGSQESGSQPVTSGTTISSASLVSSQASSSSFFTNANSYST MDNYPKLEEMMLLSNGAPQFLGAAGAPEGSGSNSSSSSSGGGGGGGGGSNSSSSSSTFNP 88 : |..|. |: |. | TTTTSNMGIMNFTTSGSSGTNSQGQTPQRVSGLQGSDALNIQQNQTSGGSLQAGQQKEGE QADTGEQPYEHLTAESFPDISLNNEKVLVETSYPSQTTRLPPITYTGRFSLEPAPNSGNT 148 | :| : : |. ||. |: |||| 301 QNQQTQQQQILIQPQLVQGGQALQALQAAPLSGQTFTTQAISQETLQNLQLQAVPNSGPI LWPEPLFSLVSGLVSMTNPPASSSSAPSPAASSASASQSPPLSCAVPSNDSSPIYSAAPT 208 : |.| ||..| |....| |... : | 361 IIRTPTVG.PNGQVSWQTLQLQNLQVQNPQAQTITLAPMQGVSLGQTSSSNTTLTPIASA FPTP.NTDIFPEPQSQAFPGSAGTALQYPPPAYPAAKGGFQVPMIPDYLFPQQQGDLGLG 267 | | |. || |.| | :. | | : 420 ASIPAGTVTVNAAQLSSMPGLQTINL SALGTSGIQVHPIQGLPLA...IANA TPDQKPFQGLESRTQQPSLTPLSTIKAFATQSGSQDLKALNTSYQSQLIKPSRMRKYPNR 327 | ||...| |. : : | 469 PGDHGAQLGLHGAGGDGIHDDTAGGEEGENSPDAQPQAGRRT..RREACTCPYCKDSEGR PSKTPPHERPYACPVESCDRRFSRSDELTRHIRIHTGQKPFQC..RICMRNFSRSDHLTT 385 | |.: : | :: | : : :. | |:| |||::|| | | : |.||| | 527 GSGDPGKKKQHICHIQGCGKVYGKTSHLRAHLRWHTGERPFMCTWSYCGKRFTRSDELQR HIRTHTGEKPFACDICGRKFARSDERKRHTKIHLRQKDKKADKSVVASSATSSLSSYPSP 445 | ||||||| ||| | ::| ||| :| | |.| |. |. 587 HKRTHTGEKKFACPECPKRFMRSDHLSKHIKTHQNKKGGPGVALSVGTLPLDS.GAGSEG VATSYPSPVTTSYPSPATTSYPSPVPTSFSSPGSSTYPSPVHSGFPSPSVATTYSSVPPA 505 |. ||. |. | :.|... | |. 646 SGTATPSALITTNMVAMEAICPEGIARLANSGINVMQVADLQSINISGNGF

bestfit sw:sp1_human sw:egr1_human -ran=100sw:sp1_human sw:egr1_human BestFit выполняет локальное выравнивание наиболее похожих сегментов, используя local homology algorithm (Smith and Waterman). Begin (* 1 *) ? End (* 696 *) ? Begin (* 1 *) ? End (* 543 *) ? What is the gap creation penalty (* 8 *) ? What is the gap extension penalty (* 2 *) ? What should I call the paired output display file (* sp1_human.pair *) ? Bestfit

BESTFIT of: sp1_human check: 4284 from: 1 to: 696 to: egr1_human check: 6989 from: 1 to: 543 Symbol comparison table: /gcg10disk/gcg/gcgcore/data/rundata/blosum62.cmp CompCheck: 1102 Gap Weight: 8 Average Match: Length Weight: 2 Average Mismatch: Quality: 233 Length: 135 Ratio: Gaps: 3 Percent Similarity: Percent Identity: Average quality based on 100 randomizations: /- 7.3 Bestfit Output

sp1_human x egr1_human October 10, : RGSGDPGKKKQHICHIQGCGKVYGKTSHLRAHLRWHTGERPFMCTWSYCG 575HICHIQGCGKVYGKTSHLRAHLRWHTGERPFMCTWSYCG | | |.: : | :: | : : :. | |:| |||::|| | | 327 RPSKTPPHERPYACPVESCDRRFSRSDELTRHIRIHTGQKPFQC..RICM 374YACPVESCDRRFSRSDELTRHIRIHTGQKPFQCRICM KRFTRSDELQRHKRTHTGEKKFACPECPKRFMRSDHLSKHIKTH...QNK 622 : |.||| | | ||||||| ||| | ::| ||| :| | |..| 375 RNFSRSDHLTTHIRTHTGEKPFACDICGRKFARSDERKRHTKIHLRQKDK 424RNFSRSDHLTTHIRTHTGEKPFACDICGRKFARSDERKRHTKIH KGGPGVALSVGTLPLDSGAGSEGSGTATPSALITT 657 | | | | | | |. ||. |. 425 KADKSVVASSATSSLSSYPSP..VATSYPSPVTTS 457 Bestfit Output