Introduction à la Bioinformatique (2)

Introduction à la Bioinformatique (2)

[email protected]

SIB Institut Suisse de Bioinformatique

Groupe Swiss-Prot

Novembre 2013

http://education.expasy.org/cours/Intro_bioinfo_biolo2_2013

Indispensible for bioinformatic studies

1. Databases (free access on the web)

2. Software tools3. Servers

• Selected categories of life sciences databases

1. Nucleotide sequences

2. Genomics

3. Mutation/polymorphism

4. Protein sequences

5. Protein domain/family

6. Proteomics (2D gel, Mass Spectrometry)

7. 3D structure

8. Metabolism/Pathways

9. Bibliography

10.Others

Coding Sequence (CDS)

Indispensible for bioinformatic studies

1. Databases (free access on the web)

2. Software tools3. Servers

Analyse des séquences ADN et ARN

Assemblage d’un génome….un challenge…

• Prédiction de gène - Détection des régions codant pour des protéines - Détection des régions codant pour des ARN fonctionnels (exemples: tRNA,

rARN, miRNA).

• Détection de régions ADN importantes non-codantes comme les signaux de transcription (promoteur), origines de la réplication, etc.;

• Détection de séquences « repeats » comme les microsatellites, minisatellites, Alu repeats, etc.;

• Analyse des sites de restriction (enzymes);

• Traduction ADN en protéine;



rARN, miRNA).






Exemple: Genscan (http://genes.mit.edu/GENSCAN.html)

Biais des codons, conservation des dicodons (hexamers)

AUG Stop Poly (A) tailPrimary RNA transcript

Mature mRNA

Detect signals….Detect signals….

AUG Stop Poly (A) tail

ATG AATAAA

Terminator Codon forprotein synthesis(TGA, TAA, TAG)

splicing

Jigsaw prediction for the human genome (chromosome 1)


rARN, miRNA).





5’-ATGGTAACATGGC-3’3’-TACCATTGTACCG-5’

Reading framesReading frames

Forward strand:Frame 1: ATG GTA ACA TGG C..

5’-ATGGTAACATGGC-3’3’-TACCATTGTACCG-5’

Reading framesReading frames

Forward strand:Frame 1: ATG GTA ACA TGG C..Frame 2: ..A TGG TAA CAT GGCFrame 3: .AT GGT AAC ATG GC.

Reverse strand:Frame 4: GCC ATG TTA CCA T..Frame 5: ..G CCA TGT TAC CATFrame 6: .GC CAT GTT ACC AT.

Une séquence de protéine: Met -------- STOP: quelle est la bonne ?

Analyse des séquences de protéines

>seq4 MSTNNYQTLSQNKADRMGPGGSRRPRNSQHATASTPSASSCKEQQKDVEH

EFDIIAYKTTFWRTFFFYALSFGTCGIFRLFLHWFPKRLIQFRGKRCSVE NADLVLVVDNHNRYDICNVYYRNKSGTDHTVVANTDGNLAELDELRWFKY RKLQYTWIDGEWSTPSRAYSHVTPENLASSAPTTGLKADDVALRRTYFGP NVMPVKLSPFYELVYKEVLSPFYIFQAISVTVWYIDDYVWYAALIIVMSL YSVIMTLRQTRSQQRRLQSMVVEHDEVQVIRENGRVLTLDSSEIVPGDVL VIPPQGCMMYCDAVLLNGTCIVNESMLTGESIPITKSAISDDGHEKIFSI DKHGKNIIFNGTKVLQTKYYKGQNVKALVIRTAYSTTKGQLIRAIMYPKP ADFKFFRELMKFIGVLAIVAFFGFMYTSFILFYRGSSIGKIIIRALDLVT IVVPPALPAVMGIGIFYAQRRLRQKSIYCISPTTINTCGAIDVVCFDKTG TLTEDGLDFYALRVVNDAKIGDNIVQIAANDSCQNVVRAIATCHTLSKIN NELHGDPLDVIMFEQTGYSLEEDDSESHESIESIQPILIRPPKDSSLPDC QIVKQFTFSSGLQRQSVIVTEEDSMKAYCKGSPEMIMSLCRPETVPENFH DIVEEYSQHGYRLIAVAEKELVVGSEVQKTPRQSIECDLTLIGLVALENR LKPVTTEVIQKLNEANIRSVMVTGDNLLTALSVARECGIIVPNKSAYLIE HENGVVDRRGRTVLTIREKEDHHTERQPKIVDLTKMTNKDCQFAISGSTF SVVTHEYPDLLDQLVLVCNVFARMAPEQKQLLVEHLQDVGQTVAMCGDGA NDCAALKAAHAGISLSEAEASIAAPFTSKVADIRCVITLISEGRAALVTS YSAFLCMAGYSLTQFISILLLYWIATSYSQMQFLFIDIAIVTNLAFLSSK TRAHKELASTPPPTSILSTASMVSLFGQLAIGGMAQVAVFCLITMQSWFI PFMPTHHDNDEDRKSLQGTAIFYVSLFHYIVLYFVFAAGPPYRASIASNK AFLISMIGVTVTCIAIVVFYVTPIQYFLGCLQMPQEFRFIILAVATVTAV ISIIYDRCVDWISERLREKIRQRRKGA

• Caractérisation physicochimique (pI, pM, coefficient extinction…)• Prédiction de la localisation subcellulaire (“signal séquences”,

“transit peptides”);• Recherche de régions transmembranaires;• Recherche des régions fonctionnelles (domaines conservés)• Recherche de sites de modifications post-traductionelles (PTM). • Recherche de régions antigéniques.

Conclusion de l’analyse in silico d’une protéine inconnue

Poids moléculaire: 126 kD;Fonction: ATPase potentielle;Localisation subcellulaire: Membrane plasmique.Transmembranaire (~10 hélices); N terminal: intracellulaire; C terminal: intracellulaire)PTM: Phosphorylée

Ça me semble biologique …mais

reste à le prouver !

Comparaison de séquences

• Mettre en relation 2 séquences en comparant les acides aminés à chaque position et en tenant compte de leur probabilité de mutation au cours de l’évolution;

MY-TAIL--ORIS-RICH-#x #### x#x# ####MONTAILLEURESTRICHE

(algorithme pour comparer des chants d’oiseaux)

Matrice de substitution (BLOSUM62)

Application :Recherche de similarité (BLAST)

Basic Local Alignment Search Tool

Outil bioinformatique très efficace,

permettant de trouver les séquences similaires

à une séquence données (protéine ou nucléique)

-> Compare une séquence ‘query’ avec toutes les séquences existantes dans les banques de données

(UniProtKB: 26 mo d’entrées).

Résultats: une liste d’entrées avec des scores de ‘similarité’

Recherche de similarité (BLAST)

BLAST (www.uniprot.org)

Est-ce qu’il existe une protéine similaire à l’hémoglobine humaine chez les plantes ?

Séquence de l’hémoglobine humaine

Probabilité de retrouver la même séquence par hasard…

Sur quel chromosome humain se situe le gène HBB ?Une séquence au hasard (ATGC) se retrouve-t-elle sur le génome ?

Probabilité de retrouver la même séquence par hasard…

Alignement multiple

Hélice alpha

Hélice alpha

Peptide signal

Alignement multiple des séquences d’insuline

clustalW, T coffee, muscle…

Alignement multiple ‘hémoglobine béta’ (HBB) @ UniProt

Application:Analyse phylogénétique

Il est possible de construire un arbre phylogénétique à partir de différents types de données:

– Les données morphologiques (écailles ou plumes, présence de certains os du crâne, forme des feuilles…). Il existe quelques centaines de caractères définis dans ce but par les spécialistes.

– Les caractères physiologiques (température corporelle…)

Mais aussi…

– L’ordre des gènes (par exemple sur l’ADN des mitochondries)– Les données moléculaires (séquences d’ADN ou de protéines). Des mutations

modifient les séquences de l’ADN et par conséquent des protéines au cours de l’évolution.

– toutes les données existantes….(défi scientifique !)

http://www.unige.ch/450/expositions/genome/presentation/slogans.html

Le principe

• 1. Sélection: set de séquences de protéines ‘homologues’

• 2. Comparaison: alignement multiple

• 3. Construction de l’arbre: ‘calculer les différences’ + quelques calculs statistiques…

Actin-related protein 2

ARP2_A MESAP---IVLDNGTGFVKVGYAKDNFPRFQFPSIVGRPILRAEEKTGNVQIKDVMVGDEARP2_B MDSQGRKVIVVDNGTGFVKCGYAGTNFPAHIFPSMVGRPIVRSTQRVGNIEIKDLMVGEEARP2_C MDSQGRKVVVCDNGTGFVKCGYAGSNFPEHIFPALVGRPIIRSTTKVGNIEIKDLMVGDEARP2_D MDSQGRKVVVCDNGTGFVKCGYAGSNFPEHIFPALVGRPIIRSTTKVGNIEIKDLMVGDEARP2_E MDSKGRNVIVCDNGTGFVKCGYAGSNFPTHIFPSMVGRPMIRAVNKIGDIEVKDLMVGDE *:* :* ******** *** *** . **::****::*: . *::::**:***:*

Les différentes espèces sont:Caenorhabditis briggsaeDrosophila melanogasterHomo sapiensMus musculusSchizosaccharomyces pombe

Quelle séquence ‘appartient’ à quelle espèce ?

?

• ARP2_A MESAP---IVLDNGTGFVKVGYAKDNFPRFQFPSIVGRPILRAEEKTGNVQIKDVMVGDE• ARP2_B MDSQGRKVIVVDNGTGFVKCGYAGTNFPAHIFPSMVGRPIVRSTQRVGNIEIKDLMVGEE• *:* **:******** *** *** . ***:*****:*: :..**::***:***:*

• ARP2_B MDSQGRKVIVVDNGTGFVKCGYAGTNFPAHIFPSMVGRPIVRSTQRVGNIEIKDLMVGEE• ARP2_C MDSQGRKVVVCDNGTGFVKCGYAGSNFPEHIFPALVGRPIIRSTTKVGNIEIKDLMVGDE• ********:* *************:*** ****::*****:*** .************:*

• ARP2_C MDSQGRKVVVCDNGTGFVKCGYAGSNFPEHIFPALVGRPIIRSTTKVGNIEIKDLMVGDE• ARP2_D MDSQGRKVVVCDNGTGFVKCGYAGSNFPEHIFPALVGRPIIRSTTKVGNIEIKDLMVGDE• ************************************************************

• ARP2_D MDSQGRKVVVCDNGTGFVKCGYAGSNFPEHIFPALVGRPIIRSTTKVGNIEIKDLMVGDE• ARP2_E MDSKGRNVIVCDNGTGFVKCGYAGSNFPTHIFPSMVGRPMIRAVNKIGDIEVKDLMVGDE• ***:**:*:******************* ****::****:**:..*:*:**:********

• ARP2_A MESAP---IVLDNGTGFVKVGYAKDNFPRFQFPSIVGRPILRAEEKTGNVQIKDVMVGDE• ARP2_C MDSQGRKVVVCDNGTGFVKCGYAGSNFPEHIFPALVGRPIIRSTTKVGNIEIKDLMVGDE• *:* :* ******** *** .*** . **::*****:*: *.**::***:*****

• ARP2_D MDSQGRKVVVCDNGTGFVKCGYAGSNFPEHIFPALVGRPIIRSTTKVGNIEIKDLMVGDE• ARP2_B MDSQGRKVIVVDNGTGFVKCGYAGTNFPAHIFPSMVGRPIVRSTQRVGNIEIKDLMVGEE• ********:* *************:*** ****::*****:*** .************:*

Le principe

• 1. Sélection: set de séquences de protéines ‘homologues’• 2. Comparaison: alignement multiple• 3. Construction de l’arbre: ‘calculer les différences’

www.phylogeny.fr

http://www.phylogeny.fr/

http://www.phylogeny.fr/

Cladrogramme obtenu à partir de l’analyse phylogénétique de l’alignement multiple des séquences d’insuline- Qui est le cousin de qui ? Qui a un ancêtre commun ?

www.phylogeny.fr

http://education.expasy.org/cgi-bin/philophylo/philophylo.cgi

Application: meta-genomics analysis

Acquérir puis stocker les informations biologiques sous la forme d’encyclopédies appelées bases de données;

Visualiser: développer des programmes pour visualiser la structure en trois dimensions des protéines et de l’ADN, pour shématiser des voies métaboliques ou des arbres phylogénétiques.

Développer des programmes de prédiction et d’analyse en utilisant les informations contenues dans les bases de données;

Analyser/Interpréter/Prédire: utiliser ces programmes pour analyser de ‘nouvelles’ données biologiques et prédire in silico par exemple la fonction potentielle d’une protéine;

Résumé: la bioinfo c’est…

Conclusions

Extraordinaire potentiel de la bioinformatique…mais ne elle ne remplace(ra) pas les expériences «wet lab»

génomiques, protéomiques et autres, ni l’esprit critique humain (contexte biologique)

…ni le besoin de savoir programmer un minimum !

La bioinfo fournit des outils performants aux chercheurs…mais elle ne peut pas encore tout faire….

Les données expérimentales des chercheurs permettentd’améliorer les programmes bioinformatiques (prédiction)…

Avant …

Après …

Documents

Introduction à la Bioinformatique (2)