Vorlesung Bioinformatik Teil II Genomics 04.06.: Genomstrukturen, Sequenzierprojekte 11.06.: Annotation, Datenbanken und Datenbanksuche 18.06.: Paarweiser Sequenzvergleich (Rainer Merkl) 25.06.: Multipler Sequenzvergleich, Anwendungen (Rainer Merkl) Genome und Gene Genom-Sequenzierung und Auswertung der Daten Genomstrukturen Unterschiede zwischen Pro- und Eukaryonten: • Prokaryonten haben keinen Zellkern und keine Organelle • Eukaryonten können bis zu zwei, vom Kern unabhängige, Genome aufweisen • Mitochondrien: 16 bis 100 kb; bei Pflanzen bis 2.000 kb • Chloroplasten: 100 bis 300 kb Genomgrößen und Genanzahl Genom größe in Mb (logarithm isch) 1 10 100 1.000 10.000 Helicobacter pylori Methanococcus jannaschii Haemophilus influenzae Halobacterium sp. Escherichia coli K12 Anzahl Gene Genomgröße in Mb Saccharomyces cerevisiae Caenorhabditis elegans Arabidopsis thaliana Drosophila melanogaster Homo sapiens 0 5.000 10.000 15.000 20.000 Anzahl der Gene 25.000 30.000 35.000 Evolution der Genomgröße Bakterien-Genome • Genom ist meist eine ringförmige DNA • im Nucleoid lokalisiert • viele, manchmal überlappende Gene • z. B. E. coli: ca. 1 Gen pro kb • Gene selbst sind nicht unterbrochen, ca. 1 kb groß • Operons: mehrere Gene hinter einem Promotor • Haushaltsgene bis zu Säugern konserviert Eukaryonten-Genome • Genom ist im Kern lokalisiert • meist in mehreren Chromosomen • Gene oft weit getrennt • z. B. H. sapiens: ca. 9 Gene pro Mb, ca. 10-15 kb groß • Gene selbst sind oft unterbrochen (Introns) • viele Bereiche nicht-kodierend Translationsstart ATG Promotor Gen Transkriptionsstart +1 Eukaryonten-Genstruktur Polyadenylierungsstelle Stopcodon AAUAAA TAG Exon Intron 3’ UTR 5’ UTR Transkription primäres Transkript Spleißen fertige mRNA Cap Unterschiede beim Prokaryonten (Bakterien): - andere Promotorstruktur - UTRs sehr kurz - keine Introns - andere Termination (kein polyA) AAAAA Eukaryonten-Genome 30000-40000 30.000 Gene beim Menschen • Größe der Gene: ca. 10 - 15 kb • Abstand zwischen Genen: ca. 60 - 70 kb • "Rekordhalter": Dystrophin-Gen mit über 2,4 Mb (79 Exons) • Größe der Exons: ca. 170 bp, aber auch Ausnahmen bis zu 7,6 kb • Anzahl der Introns: 0 (z. B. Histon H4) bis 118 (Typ7-Collagen, 31 kb) • Größe der Introns: bis hin zu 150 kb • Größe der mRNAs: ca. 2,2 kb mit großer Variabilität • Gen ist nicht gleich Gen: - Benutzung alternativer Promotoren (z. B. 7 beim Dystrophin-Gen) - alternatives Spleißen - alternative Polyadenylierung Von der Karte zum Genom Chromosomenkarte des X-Chromosoms Von der Karte zum Genom Strategien zur Genomsequenzierung • ESTs (expressed sequence tags) für exprimierte Gene (cDNA) • Shot gun- oder Primer Walk-Methode (genomisch) • Klonierung in Cosmide, BACs (Bacterial Artificial Chromosomes), PACs (P1-derived artificial chromosome) Phagemide, P1-Phagen Insert-Größenverteilung in BACs Shot gun - Sequenzierung • Zufällig fragmentierte DNA durch "Nebulizer" • Klonierung in Standard-Vektoren • High-throughput-Sequenzierung durch automatische Sequencer (z. B. ABI377) und Fluoreszenz-markierte Terminatoren (ddNTPs); Standard-Primer • Zusammenfügen der Sequenzstücke durch AssemblyProgramme • Untersuchung auf biologisch relevante DNA-Sequenzen durch Datenbankabfragen • Klone werden nach Analyse aufbewahrt Das "Assembly"-Problem • Das Ergebnis einer Shot gun - Sequenzierung ist vergleichbar mit einem Puzzle: - Viele, viele Teile - Vorder- und Rückseite - Einige sind schmutzig oder unkenntlich - Teile anderer Puzzle sind mit drin • Multiplizität der Probleme: - 99% Lesegenauigkeit bei der Sequenzierung, d. h. Ø 1 Fehler pro 100 bp - Häufung der Fehler am Ende der Sequenz - genau diese Regionen sind für das Assembly wichtig - repetitive Sequenzen in der DNA, gleiche Sequenzen können auf verschiedenen Chromosomen auftreten Assembly der Sequenzen ist der Flaschenhals der Genomprojekte Das "Assembly"-Problem • Fehlertolerante Algorithmen zum Alignment zweier und mehrerer Sequenzen • Fehlerquellen: - primäre Fehler: chemisch, d. h. bei der DNA-Gewinnung (v. a. PCR) oder bei der Sequenzreaktion - sekundäre Fehler: beim Lesen des Chromatogramms (suboptimale Signalqualität; Lösung: menschliche Erfahrung und bessere Chemie, v. a. Dyes) - tertiäre Fehler: Klonierungsvektorsequenzen müssen entfernt werden • Probleme: Effizienz und Automatisierung • Effizienz: Das Ausgabeformat (SCF: Standard Chromatography Format) der Sequenzer benötigt relativ viel Speicherkapazität (ca. 100 byte pro Base, d. h. 1.000 Reaktionen mit je 1.000 gelesenen Basen benötigen 100 MB) geeigneteres Format (CAF: Common Assembly Format, standardisiert) • Automatisierung: Kombination des Alignment-Reject-Editing-Verfahrens in silicio Das "Assembly"-Problem • Alignment: Alphabet mit allen Zeichen, die im Alignment vorkommen (können): = {A,C,G,T,*,~} Die Sequenz S ist eine geordnete Folge von Charakteren aus dem Alphabet : S = {s1,...,sn} mit n = |S| und si Durch die Einführung von "end-gaps" (~) in das Alignment wird das Problem umgangen, daß alle Sequenzen die gleiche Länge haben müssen. Bsp.: Sequenz 1: Sequenz 2: ACGTACGTACGTACGTACGTACGT~~~~ ~~~~~CG*ACGT*CGTACGTACGTACGT Das "Assembly"-Problem • Bewertung des Alignments: Der numerische Vergleich zweier Elemente in einem Alignment wird als Score bezeichnet: score(s1, s2) Der Score-Wert einer Spalte in einem Alignment ist die Summe der Scores der Permutation von Elementen dieser Spalte: k k score(s1,...,sk) = score(sj,sm) j=1 m=j Der Score-Wert des Gesamt-Alignments ist demnach die Summe aller Spalten-Scores: nk k score(S1,...,Sk) = score(sj,sm) i j m Das "Assembly"-Problem • Accept/Reject des Alignments: Für jede Art von Abweichungen können "Strafpunkte" vergeben werden: - Direkte Abweichung: „mismatch“ (z. B. T-A, C-T etc.) - Einfügen von Lücken - Verlängerung von Lücken - Lücken am Ende Erreichen die Strafpunkte einen Schwellenwert (threshold), so wird das Alignment abgelehnt; ansonsten wird das Ergebnis gespeichert und mit anderen Alignments weiter verglichen. Einfachster Algorithmus für Alignments: Dotplot Gegeben: A = a1,a2,a3,...,an B = b1,b2,b3,...,bm Sequenz A der Länge n Sequenz B der Länge m Für alle i, j mit 1 i n, 1 j m soll gelten: M [i,j] = 1 für ai = bj score für match M [i,j] = 0 für aj bj score für mismatch M [i,j] wird als 2-dimensionale Matrix dargestellt A C C G T A A G C G T A Einfachster Algorithmus für Alignments: Dotplot Gegeben: A = a1,a2,a3,...,an B = b1,b2,b3,...,bm Sequenz A der Länge n Sequenz B der Länge m Für alle i, j mit 1 i n, 1 j m soll gelten: M [i,j] = 1 für ai = bj score für match M [i,j] = 0 für aj bj score für mismatch M [i,j] wird als 2-dimensionale Matrix dargestellt A G C G T A A 1 0 0 0 0 1 C 0 0 1 0 0 0 C 0 0 1 0 0 0 G 0 1 0 1 0 0 T 0 0 0 0 1 0 A 1 0 0 0 0 1 Einfachster Algorithmus für Alignments: Dotplot Gegeben: A = a1,a2,a3,...,an B = b1,b2,b3,...,bm Sequenz A der Länge n Sequenz B der Länge m Für alle i, j mit 1 i n, 1 j m soll gelten: M [i,j] = 1 für ai = bj score für match M [i,j] = 0 für aj bj score für mismatch M [i,j] wird als 2-dimensionale Matrix dargestellt Längste Diagonale ohne Unterbrechung Markiert das beste Teilalignment A C C G T A A 1 1 G 1 C 1 1 G 1 T 1 A 1 1 Dotplot-Beispiel: Sequenzassembly Sequenz A Sequenz A Sequenz B Grafische Darstellungsmöglichkeit: 1 (match) weißer Punkt 0 (mismatch) schwarzer Punkt Sequenz B Accept/Reject des Alignments „Feinheiten“ des Assembly-Problems Translationsstart ATG Promotor Transkriptionsstart +1 Dotplot-Beispiel: Vergleich cDNA (mRNA) – genom. DNA Polyadenylierungsstelle Stopcodon AAUAAA TAG Exon Intron genom. DNA 3’ UTR 5’ UTR Transkription Spleißen Cap AAAAA mRNA genom. DNA mRNA (cDNA) Notwendigkeit von Scoring-Matrizen Nukleotid-Sequenzalignments können über scoring-Kritierien wie scorematch = 1 scoremismatch = 0 bewertet werden. Bei Protein-Sequenzen ist dies nicht mehr realistisch: Ein Austausch einer Aminosäure gegen eine ähnliche ist anders zu bewerten als ein Austausch gegen eine unähnliche. Ähnlichkeitsmatrizen BLOSUM45 Amino Acid Similarity Matrix (BLOcks SUbstituition Matrix) Gly Pro Asp Glu Asn His Gln Lys Arg Ser Thr Ala Met Val Ile Leu Phe Tyr Trp Cys 7 -2 -1 -2 0 -2 -2 -2 -2 0 -2 0 -2 -3 -4 -3 -3 -3 -2 -3 Gly 9 -1 0 -2 -2 -1 -1 -2 -1 -1 -1 -2 -3 -2 -3 -3 -3 -3 -4 Pro 7 2 2 0 0 0 -1 0 -1 -2 -3 -3 -4 -3 -4 -2 -4 -3 Asp 6 0 0 2 1 0 0 -1 -1 -2 -3 -3 -2 -3 -2 -3 -3 Glu 6 1 0 0 0 1 0 -1 -2 -3 -2 -3 -2 -2 -4 -2 Asn 10 1 -1 0 -1 -2 -2 0 -3 -3 -2 -2 2 -3 -3 His 6 1 1 0 -1 -1 0 -3 -2 -2 -4 -1 -2 -3 Gln 5 3 -1 -1 -1 -1 -2 -3 -3 -3 -1 -2 -3 Lys 7 -1 -1 -2 -1 -2 -3 -2 -2 -1 -2 -3 Arg 4 2 1 -2 -1 -2 -3 -2 -2 -4 -1 Ser 5 0 -1 0 -1 -1 -1 -1 -3 -1 Thr 5 -1 6 0 1 -1 2 -1 2 -2 0 -2 0 -2 -2 -1 -2 Ala Met 5 3 5 1 2 5 0 0 1 8 -1 0 0 3 8 -3 -2 -2 1 3 15 -1 -3 -2 -2 -3 -5 12 Val Ile Leu Phe Tyr Trp Cys Vorlesung Bioinformatik Teil II Genomics 04.06.: Genomstrukturen, Sequenzierprojekte 11.06.: Annotation, Datenbanken und Datenbanksuche 18.06.: Paarweiser Sequenzvergleich (Rainer Merkl) 25.06.: Multipler Sequenzvergleich, Anwendungen (Rainer Merkl) Historisches zu Datenbanken "Zuerst war das Protein" Dayhoff, Anfang der 60er Jahre: Sammlung von allen bekannten Aminosäuresequenzen Atlas of Protein Sequences and Structures (Dayhoff et al., 1965) Grundlage für die PIR-Datenbank (Protein Information Resource) EMBL-Nukleotiddatenbank (1982) erste DNA-Sequenzdatenbank am European Molecular Biology Laboratory in Hinxton, England - mit DDBJ (Mishima, Japan) und NCBI (Bethesda, USA) in der "International Nucleotide Sequence Database Collaboration" (1988) - separate Eingabe möglich, aber täglicher Datenabgleich - Updates nur bei der Stelle möglich, bei der der Record erzeugt wurde Wachstum der EMBL-Datenbank Stand 10.06.2004: This morning the EMBL Database contained 66,139,788,831 nucleotides in 40,066,073 entries. Quelle: http://www3.ebi.ac.uk/Services/DBStats/ Datenbankformate GenBank: • Genetische Sequenz-Datenbank • gepflegt durch das NCBI (National Center for Biotechnology Information) am NIH (National Institutes of Health), Bethesda, Maryland, USA • annotierte Sammlung aller öffentlich verfügbarer Nukleotid- und Proteinsequenzen • einzelne Datensätze repräsentieren zusammenhängende DNA- oder RNA-Bereiche mit weiteren Daten (die sogenannte Annotation) NCBI's Entrez • Nukleotiddaten als "Sprungbrett" für weitere Informationen, vor allem CDS • CDS = Coding Sequence(s), also Translationsinformation von Proteinen • Co-Management von DNA- und Proteindaten Analoges System am EBI: Sequence Retrieval System (SRS) Primäre und sekundäre Datenbanken Primäre Datenbanken: - experimentelle Ergebnisse - mit einigen Interpretationen (s. u.) - aber ohne kritischen "Review“ - normalerweise direkt von den Forschern mit Daten versorgt Annotation: - CDS (meist abgeleitet von DNA-Sequenz, nicht experimentell) - (mögliche) Funktion (meist durch subjektive Interpretation von Ähnlichkeitsanalysen) - regulatorische Elemente - ... Primäre und sekundäre Datenbanken Sekundäre Datenbanken: - abgeleitete Eigenschaften als Haupteintrag - Proteindatenbanken PIR, SWISS-PROT, PDB - abgeleitet aus DNA-Datenbanken - oder direkt eingegeben - oder aus Publikationen übernommen - aber immer soweit wie möglich überprüft Format und Inhalt - Datenbankeinträge: Rohdaten und Annotation - Verarbeitungseffizienz im Computer und die Verständlichkeit stehen im Widerspruch Beispiel: GenBank-Flatfile bzw. EMBL-Record vs. ASN.1-Record GenBank-Flatfile: LOCUS DEFINITION ACCESSION NID VERSION KEYWORDS SOURCE ORGANISM LISOD 756 bp DNA BCT 30-JUN-1993 L.ivanovii sod gene for superoxide dismutase. X64011 S78972 g44010 X64011.1 GI:44010 sod gene; superoxide dismutase. Listeria ivanovii. Listeria ivanovii Bacteria; Firmicutes; Bacillus/Clostridium group; Bacillaceae; Listeria. REFERENCE 1 (bases 1 to 756) AUTHORS Haas,A. and Goebel,W. TITLE Cloning of a superoxide dismutase gene from Listeria ivanovii by functional complementation in Escherichia coli and characterization of the gene product JOURNAL Mol. Gen. Genet. 231 (2), 313-322 (1992) MEDLINE 92140371 FEATURES Location/Qualifiers source 1..756 /organism="Listeria ivanovii" /strain="ATCC 19119" /db_xref="taxon:1638" RBS 95..100 /gene="sod" gene 95..746 /gene="sod" . . . Aufbau des GenBank-Flatfiles 1. Header: Informationen, die den gesamten Eintrag betreffen - LOCUS (einmalige accession number, z. B. AF010325 / Länge / Molekülart / Klassifizierung / Datum der letzten Änderung) - DEFINITION (Information, die u. a. bei BLAST mitausgegeben wird) - ACCESSION (primäre und sekundäre accession numbers) - NID (gi number: GenInfo Identifier, wird bei update erneuert) - VERSION (updates) - KEYWORDS (Schlüsselwörter; "historischer Ballast") - SOURCE (gebräuchlicher Name des Organismus, z. B. fruit fly) - ORGANISM (lateinischer Name der Art, z. B. Drosophila melanogaster) - REFERENCE (Publikation, soweit vorhanden, und GenBank-Submission) Aufbau des GenBank-Flatfiles 2. Feature Table: Eigenschaften der Sequenz (FEATURES) - biologische Information - Annotation - z. B. SOURCE / CDS - genaue Übersicht über alle möglichen Einträge in die Feature Table: http://www.ncbi.nlm.nih.gov/collab/FT/index.html#feature_key_ref FEATURES source promoter mRNA CDS exon intron exon polyA_signal Location/Qualifiers 1..1509 /organism="Mus musculus" /strain="CD1" <1..9 /gene="ubc42" join(10..567,789..1320) /gene="ubc42" join(54..567,789..1254) /gene="ubc42" /product="ubiquitin conjugating enzyme" /function="cell division control" /translation="MVSSFLLAEYKNLIVNPSEHFKISVNEDNLTEGPPDTLY QKIDTVLLSVISLLNEPNPDSPANVDAAKSYRKYLYKEDLESYPMEKSLDECS AEDIEYFKNVPVNVLPVPSDDYEDEEMEDGTYILTYDDEDEEEDEEMDDE" 10..567 /gene="ubc42" /number=1 568..788 /gene="ubc42" /number=1 789..1320 /gene="ubc42" /number=2 1310..1317 /gene="ubc42" Aufbau des GenBank-Flatfiles 3. Sequenz: - Formatierte DNA-Sequenz (10er Blöcke zur Übersichtlichkeit) - mit Basenzählung - durchnummeriert - Bsp.: BASE COUNT 1510 a 1074 c 835 g 1609 t 1 gatcctccat atacaacggt atctccacct caggtttaga tctcaacaac ggaaccattg 61 ccgacatgag acagttaggt atcgtcgaga gttacaagct aaaacgagca gtagtcagct 121 ctgcatctga agccgctgaa gttctactaa gggtggataa catcatccgt gcaagaccaa . . . EMBL-Record: ID XX AC XX DT XX DE XX KW XX OS OC OC XX RN RX RA RT RL XX XX FH FH FT FT FT FT FT FT FT FT FT FT FT FT LISOD standard; DNA; PRO; 756 BP. X64011; S78972; 28-APR-1992 (Rel. 31, Created) L.ivanovii sod gene for superoxide dismutase sod gene; superoxide dismutase. Listeria ivanovii Bacteria; Firmicutes; Bacillus/Clostridium group; Bacillus/Staphylococcus group; Listeria. [1] MEDLINE; 92140371. Haas A., Goebel W.; "Cloning of a superoxide dismutase gene"; Mol. Gen. Genet. 231:313-322(1992). Key Location/Qualifiers source 1..756 /db_xref="taxon:1638" /organism="Listeria ivanovii" /strain="ATCC 19119" 95..100 /gene="sod" 723..746 /gene="sod" 109..717 /db_xref="SWISS-PROT:P28763" /transl_table=11 /gene="sod" ... RBS terminator CDS ASN.1-Record: (Abstract Syntax Notation) . . . seq-set { seq { id { local str "VCREGA" } , descr { title "Volvox carteri f. nagariensis regA gene, genomic locus" , molinfo { biomol genomic } , create-date std { year 1998 , month 11 , day 16 } } , inst { repr raw , mol dna , length 15322 , seq-data ncbi2na 'FB07EFB13EDBE6FA215F5C3E07BF010CE891D3257E7306CD7E7BD F2F116F887486DE2BFBA54841CFF264F52F3F7823C07F2F8CA4E6FA9E7A7C5D9DB30640305446B 41B69C81FE8094CF2FF52801D411F243A6CD7E717E03F9E7A07A041BA2CF992F40ACAB416919AD . . . Annotation Aufgaben: • Umwandlung in Datenbankformate • Veröffentlichung der Sequenzdaten • Kommentierung • Verbindung mit weiteren Informationen • z. B. Genstrukturen, regulatorische Elemente Annotation • Automatische Annotation im Rahmen von Sequenzprojekten • Manuelle Annotation: Überprüfung der automatisch generierten Daten Verbindung von: • Gen-Vorhersage (codierender Bereich) • Promotor- und enhancer-Vorhersage • Datenbankvergleiche (homologe Sequenzen), EST-Datenbanken Genstruktur-Vorhersage Man unterscheidet zwischen Consensus und Nonconsensus (ab initio) Programmen. Consensus Methoden werden mittels eines bestimmten Satzes an Genen „trainiert“, codierende Bereiche zu finden. Diese Consensus Methoden sind sehr erfolgreich, wenn es sich um Gene handelt, die den Genen, mit welchen diese Programme trainiert worden sind, ähneln. Ab initio-Algorithmen versuchen hingegen, anhand grundlegender Charakteristika Gene zu finden Genstruktur-Vorhersage Ansatzpunkte für ab initio – Algorithmen: • Exon-Intron-Strukturen (Spleiß-Stellen, Pyrimidin-reiche Regionen am 3'-Ende von Introns etc.; GT-AG-Regel) • statistische Auffälligkeiten in kodierenden Regionen • GC-Gehalt, Codon usage • ... Genstruktur-Vorhersage Auffälligkeiten in kodierenden Regionen: 1. Positionsabhängige Nukleotidzusammensetzung: Beispiel: Das Testcode-Programm im gcg-Paket: Fickett‘s Statistik (1982) A-Position = Max(n(1), n(2), n(3)) / Min(n(1), n(2), n(3)) wobei n(1), n(2) und n(3) die Häufigkeit von A an den Positionen (1,4,7,...), (2,5,8,...) und (3,6,9,...) darstellen. Berechnung dieses Werts für alle 4 Basen in einem Sequenzfenster (>200 bp): A-position, C-position etc. und Verrechnung mit weiteren statistischen Parametern nichtcod. Seq: zufällige Verteilung der Basen: Position-Wert ~ 1 codierende Seq: gehäuftes Auftreten an best. Positionen: Position-Wert > 1 Testcode Exon Exon Genstruktur-Vorhersage 2. Potentielle offene Leserahmen: Frames Exon Exon Genstruktur-Vorhersage 3. Höherer GC-Gehalt an der dritten Stelle eines Codons: GC-Bias Exon Exon Genstruktur-Vorhersage 4. Organismus-abhängige Codon-Auswahl: Codon usage / Codon Preference Codon usage table / Codon frequency table CUTG ID: Volvox_carteri_pl SPECIES: Volvox carteri SECTION: Plants SEQUENCES: 35 CODONS: 12911 AmAcid Codon Number /1000 Fraction Gly Gly Gly Gly GGG GGA GGT GGC 98.00 101.00 234.00 567.00 7.59 7.82 18.12 43.92 0.10 0.10 0.23 0.57 Glu Glu Asp Asp GAG GAA GAT GAC 648.00 107.00 214.00 406.00 50.19 8.29 16.58 31.45 0.86 0.14 0.35 0.65 .. Genstruktur-Vorhersage 4. Organismus-abhängige Codon-Auswahl: Codon usage / Codon Preference Gribskov et al, 1984 Bewertung der Häufigkeit einzelner Codons aus der analysierten Sequenz im Vergleich zur Codon Usage des Organismus Berechnung in einem Fenster (25 codons), das mit einem Inkrement von 3 Basen über die Sequenz geschoben wird Zusätzlich werden seltene Codons markiert Genstruktur-Vorhersage 4. Organismus-abhängige Codon-Auswahl: Codon usage / Codon Preference Exon Exon Genstruktur-Vorhersage Testansatz von Fickett & Tung, 1992: - GenBank unterteilt in 108 bp-Fenster ohne Überlappungen - nur die Fenster weiterverwenden, die entweder komplett kodierend oder komplett nicht-kodierend sind - Analyse der positionsabhängigen Nukleotid-Zusammensetzung, GC-Bias, Codon usage mit verschiedenen Algorithmen (mehr als 20 damals publizierte Methoden) -> Schlußfolgerung: einfachste Algorithmen, z. B. Oligomer-Zusammensetzung, sind effektiver (sensitiver und spezifischer) als viele andere Methoden Genstruktur-Vorhersage Ablauf von "Gene Finding"-Programmen: 1. Maskierung repetitiver DNA-Elemente: SINE, LINE, Organismus-spezifische wie z. B. Alu bei Primaten ... 2. Homologiesuche: BLAST gegen Datenbanken, u. a. EST - Protein-kodierende Gene über BLASTX - rRNA-Gene - tRNA-Gene - snRNA-Gene } über BLASTN Genstruktur-Vorhersage Ablauf von "Gene Finding"-Programmen: 3. Anwendung spezieller Suchparameter: - Codon usage - GC-Gehalt - offene Leseraster - Speißstellen - Nachbarschaft zu regulatorischen Elementen ... 4. Abgleich der gefundenen „Gene“ untereinander: - keine Überlappung von Genen - es gibt aber auch Ausnahmen, gerade bei Bakterien! Definitionen: • AP: tatsächlich positive Positionen, d. h. im Gen • AN: tatsächlich negative Positionen, d. h. nicht im Gen • PP: vorhergesagt (predicted) positive Positionen • PN: vorhergesagt (predicted) negative Positionen • TP: wahr positive Ausgaben • TN: wahr negative Ausgaben • FP: falsch positive Ausgaben • FN: falsch negative Ausgaben Vorhersage-Genauigkeit: - Sensitivität: Sn = TP / AP (wieviele richtige überhaupt erkannt) - Spezifität: Sp = TP / PP (wieviele der richtig vorhergesagten sind wirklich richtig) - Selektivität: Sl = TN / AN (wieviele falsche werden als solche richtig erkannt) - Durchschnittliche Korrelation (approx. Correlation): AC = ((TP/(TP+FN)) + (TP/(TP+FP)) + (TN/(TN+FP)) + (TN/(TN+FN))) / 2 - 1 Genstruktur-Vorhersage Die Wir klich keit: Genstruktur-Vorhersage Die Wir klich keit: Die Vor h er sage: Genstruktur-Vorhersage Die Wir klich keit: Die Vor h er sage: Die Gen auigkeit: FN TN TP FP Genstruktur-Vorhersage • Ab initio - Vorhersagen: GENSCAN (1997, Christopher Burge, http://genes.mit.edu/GENSCAN.html) Prinzip: Fourier – Transformation. Auswertung der 3 – Basen Periodizität, welche codierende Bereiche aufweisen - ursprünglich entwickelt für menschliche und Vertrebraten-Sequenzen - strikt Organismus-spezifisch: Mais, Arabidopsis und Drosophila getestet; für Caenorhabditis in Entwicklung (Testphase) - ME: Missing Exons; WE: Wrong Exons Accur acy per nucleotide Method Sn Sp AC GENSCAN 0.93 0.93 0.91 FGENEH 0.77 0.85 0.78 GeneID 0.63 0.81 0.67 GenePar ser 2 0.66 0.79 0.66 GenLang 0.72 0.75 0.69 GRAILII 0.72 0.84 0.75 SORFIND 0.71 0.85 0.73 Xpound 0.61 0.82 0.68 Sn 0.78 0.61 0.44 0.35 0.50 0.36 0.42 0.15 Accur acy per exon Sp (Sn+Sp)/2 ME 0.81 0.80 0.09 0.61 0.61 0.15 0.45 0.45 0.28 0.39 0.37 0.29 0.49 0.50 0.21 0.41 0.38 0.25 0.47 0.45 0.24 0.17 0.16 0.32 WE 0.05 0.11 0.24 0.17 0.21 0.10 0.14 0.13 Genstruktur-Vorhersage • Ab initio - Vorhersagen: GLIMMER (Gene Locator and Interpolated Markov Modeler, TIGR) Prinzip: Interpoliertes Markov Modell (IMM) - für Bakterien - hohe Spezifität und Sensitivität - verwendet u.a. bei der Genom-Sequenzierung von Borrelia burgdorferi, Thermotoga maritima oder Mycobacterium tuberculosis. Organism H. influenzae M. genitalium M. jannaschii H. pylori E. coli B. subtilis A. fulgidis B. burgdorferi T. pallidum T. maritima Genes annotated 1738 483 1727 1590 4269 4100 2437 853 1039 1877 Annotated genes found 1720 480 1721 1550 4158 4030 2404 843 1014 1854 % found 99.0 99.4 99.7 97.5 97.4 98.3 98.6 99.3 97.6 98.8 Genstruktur-Vorhersage Neuere Ansätze nutzen zusätzlich EST-Daten: Spliced Alignment zur Exon-Intron-Vorhersage Beispiel: GeneSeqer • jeder Treffer im Alignment erhält Exon-Status • Introns sind lange Lücken im Alignment • Splice site consensus wird berücksichtigt • Scoring ergibt sich aus Alignment und Splice sites Genstruktur-Vorhersage GeneSeqer: • Genomische DNA (z. B. BAC) als Query-Sequenz • große Anzahl von ESTs • Vorauswahl der ESTs durch "schmutzige" Alignments • nur "gute" ESTs werden vollständig prozessiert • spezielles EST-Format (dbEST) zum schnellen Zugriff • Splice-Parameter für: human, mouse, rat, chicken, Drosophila, nematode, yeast, Aspergillus, Arabidopsis, maize • Ursprünglich entwickelt für Arabidopsis Genstruktur-Vorhersage GeneSeqer: EST-Datenbanken Last update: March 12, 2001 Label Species # of ESTs soybean Drosophila Arabidopsis C.elegans tomato M.truncatula maize rice barley wheat sorghum cotton pine L.japonicus potato iceplant Glycine max Drosophila melanogaster Arabidopsis thaliana Caenorhabditis elegans Lycopersicon esculentum Medicago truncatula Zea mays Oryza sativa Hordeum vulgare Triticum aestivum Sorghum bicolor Gossypium arboreum & hirsutum Pinus taeda Lotus japonicus Solanum tuberosum Mesembryanthemum crystallinum 154,215 116,471 113,000 109,215 107,238 101,752 86,260 71,888 68,903 58,141 57,414 36,077 34,806 27,078 26,177 14,033 Genstruktur-Vorhersage SplicePredictor: trainiertes System zur Spleißstellenerkennung * Trainingssequenzen: Arabidopsis und Mais * Kennzeichen für Exon-Intron-Exon-Übergänge: - 5' GT - AG 3' - cAG an 3' - Pyrimidin-Stretch am 3'-Ende (30 - 40 bp vor AG; >70 %) - Aufrechterhaltung des ORF Genstruktur-Vorhersage SplicePredictor: trainiertes System zur Spleißstellenerkennung Example: t q loc sequence P rho gamma * P*R*G* parse ... A 26556 gtatcagattggcAGtc 0.002 0.000 0.000 3 (1 1 1) IIIAEEE-E-EDAEEEE D -> 26575 gagGTcttt 0.024 0.000 0.000 3 (1 1 1) IIAEEEE-E-DAEEEEE D ----> 26640 gagGTaaca 0.432 0.159 0.407 11 (3 4 4) IAEEEEE-D-AEEEEEE A <----- 26739 tttttcatatttcAGga 0.933 0.428 0.861 15 (5 5 5) AEEEEED-A-EEEEEED A 26792 atcagacgatttcAGgg 0.008 0.000 0.000 3 (1 1 1) IIAEEDA-E-EEEEEDA ... <- <- Datenbanksuchen Vorhanden: unbekannte DNA- oder Proteinsequenz Gesucht: gibt es diese oder eine ähnliche Sequenz in der Datenbank? Prinzip: - Vergleich der Suchsequenz mit jeder einzelnen Sequenz in der Datenbank - Bewertung der Ähnlichkeit anhand eines scoring-Algorithmus - Ausgabe der Treffer mit dem besten score Problem: Optimale Algorithmen sind zu zeitaufwendig Heuristische Ansätze sind erforderlich Datenbanksuchen: FASTA Ablauf: Sequenzen der Datenbank werden mehrmals mit der Suchsequenz verglichen, zunächst grob, dann mit feineren Methoden. Lokale Alignments werden erstellt, um homologe Regionen zu finden. In jedem Durchlauf werden nur die möglicherweise Homologen behalten. Im Detail: FASTA ist ein Zwei-Schritt-Algorithmus mit vier Phasen: 1. Wortsuche zum Finden ähnlicher Regionen / Bewertung / Verbindung der Teile 2. Smith-Waterman-Alignment an diesen Regionen Datenbanksuchen: FASTA 1. Für die Wortsuche werden Suchsequenz und Datenbank indiziert. Bei Proteinen wird eine Wortlänge von 2 und bei DNA von 6 verwendet Word List für FASTA, Word Size = 6 g c t g g a g c c t t t g g g g g g g g g a a a a a a a g g c a t a a a a a a g g g g g g g g g c c c a a t Einschub: Hash-Verfahren Die naive Suche eines Datensatzes in einer Liste dauert sehr lange Speicheradresse A 1 2 3 4 5 6 ... Suchwort (Schlüssel) aaaaaa aaaaac aaaaag aaaaat aaaaca aaaacc ... Verkettung (Auftreten in der Datenbank) „ „ „ „ „ ... Schnelle Suche mittels einer Hash-Funktion: h: K A K: Menge aller Schlüssel (Suchworte) A: Menge der Speicheradressen D.h. aus dem Suchwort (Schlüssel) wird direkt die Speicheradresse des Datensatzes berechnet. Datenbanksuchen: FASTA Mit diesen k-tupeln mit der Länge 2 bzw. 6 werden exakte Treffer ermittelt. Diagonalfolgen liegen auf einer gedachten Matrix auf einer Diagonalen. Matches und Mismatches, aber keine Gaps! Datenbanksuchen: FASTA 2. Innerhalb der 10 Diagonalfolgen mit den höchsten Scores werden lokale optimale Alignments bestimmt. Verwendet werden scoring-Matrizen (PAM oder BLOSUM) Der größte Score-Wert wird als init1 ausgegeben. Datenbanksuchen: FASTA 3. Verlängerung der initialen Regionen zu größeren Alignments. Hier werden das erste Mal Lücken eingeführt, wenn nötig. Das erhaltene Alignment initn hat den maximalen Score unter Berücksichtigung der scoring-Matrix und der Gap Penalities. Datenbanksuchen: FASTA 4. Ein zu initn alternativer Score opt wird errechnet. - Hierbei wird nur ein schmaler Streifen der Matrix ausgewertet. - Die Mitte ist durch init1 definiert. - Breite ist abhängig von der Wortlänge, z. B. 16 für ktup = 2 - Berechnung des opt-Wertes über Smith-Waterman - Verwendung von scoring-Matrix und Gap Penalties Datenbanksuchen: BLAST BLAST: Basic Local Alignment Search Tool BLAST ist ebenfalls eine Annäherung an den Smith-Waterman-Algorithmus. BLAST beginnt mit der Lokalisierung kurzer Teilsequenzen: Segment-Paare / hits Lokale optimale Paare, die je einen hit beinhalten, werden als HSPs (High-Scoring Segment-Pairs) bezeichnet. Beginn und Ende der HSPs wird so gewählt, daß eine Verkürzung oder Verlängerung den Score erniedrigen würde. Datenbanksuchen: BLAST Ablauf: 1. Präprozessierung: Aus der Eingabesequenz wird die Menge aller Teilworte TW mit Länge w gebildet. Standard: Proteine: w=3, DNA: w=11 Teilwort B TW dient zur Bestimmung sämtlicher Worte (w-mere) mit Score S > T. Liste aller w-mers der Länge 2 mit Score S > T = 8 (BLOSUM 62) für die Sequenz RQCSAGW Teilwort B RQ QC CS SA AG GW w-mers RQ QC, RC, EC, NC, DC, HC, KC, MC, SC CS, CA, CN, CD, CQ, CE, CG, CK, CT kein w-mer der Länge 2 hat einen Score > 8 AG GW, AW, RW, NW, DW, QW, EW, HW, KW, PW, SW, TW, WW Datenbanksuchen: BLAST 2. Lokalisierung der hits: Vergleichssequenz aus der Datenbank wird auf das Vorkommen der w-mere hin untersucht. Von jedem hit wird die Position bestimmt. Darstellung in einer Matrix (vgl. DotPlot). hit Datenbanksuchen: BLAST 3. Bestimmung der HSPs: Welche Paare von hits liegen auf einer Diagonale der Matrix? Berücksichtigung des räumlichen Abstands A der hits. Für Proteine wird A = 40 gewählt. hit mit Abstand < A Datenbanksuchen: BLAST 4. Erweiterung mit Lücken: In einer gedachten Matrix wird das Alignment in beide Richtungen verlängert. Parameter Xg begrenzt die Verlängerung durch minimalen Score, der angenommen werden darf. Lücken sind erlaubt. Abweichung des Scores < Xg Datenbanksuchen: Vergleich FASTA - BLAST BLAST ist: • schneller • sensitiver bei Proteinsuchen, da sequenzähnliche Oligomere verwendet werden statt identische Dipeptide bei FASTA • flexibler, da Nukleotidsequenzen in alle 6 Leserahmen umgesetzt werden können FASTA ist: • sensitiver bei Nukleotidsuchen, da kürzere (6 statt 11) Wortlängen verwendet werden • besser geeignet im Vergleich cDNA gegen genomische Datenbanken -> bei Gap Extension Penalty = 0 können auch lange Introns übersprungen werden -> BLAST würde nur das längste Exon finden (wenn überhaupt) Datenbanksuchen: BLAST Verschiedene BLAST-Programme: • blastn: Nukleotidsequenz gegen Nukleotiddatenbank • blastp: Proteinsequenz gegen Proteindatenbank • blastx: translatierte Nukleotidsequenz (alle 6 Leserahmen) gegen Proteindatenbank • tblastn: Proteinsequenz gegen translatierte Nukleotiddatenbank • tblastx: translatierte Nukleotidsequenz (alle 6 Leserahmen) gegen translatierte Nukleotiddatenbank (alle 6 Leserahmen) Datenbanksuchen: Statistische Signifikanz Wahrscheinlichkeits-Dichtefunktion (Extremwertverteilung) Bezug eines erhaltenen Alignment-Scores S zur erwarteten Verteilung: - P-Wert: Maß für die Wahrscheinlichkeit, daß ein Alignment mit dem Score S oder besser durch reinen Zufall entstünde (gut: P gegen 0) - E-Wert: Erwartete Anzahl von zufälligen Alignments mit Scores S Signifikanz abhängig von der Größe des gesamten Suchraums (z. B. Anzahl der Aminosäuren/Nukleotide in der Datenbank) und der erwarteten Länge des lokalen Alignments Exakte statistische Theorie existiert nur für Alignments ohne Lücken. Datenbanksuchen: Statistische Signifikanz Frage: Ist ein bestimmtes Alignment mit einem Score S ein Beweis für die Homologie? Abschätzung des Erwartungswertes durch Zufallsalignments. 3 Möglichkeiten des Zufallmodells: 1. echte, aber nicht-homologe Sequenzen 2. echte Sequenzen, aber in ihrer Abfolge permutiert -> Zusammensetzung ist beibehalten Beispiel: Originalsequenz: ACGTACGT Permutierte Seq: ACGTACTG TGCATGCA usw. 3. zufällig erzeugte Sequenzen, evtl. unter Berücksichtigung eines Modells (z. B. Häufigkeitsverteilung der Aminosäuren) Alignments: Statistische Signifikanz Statistik zu lokalen Alignments ohne Lücken: - HSPs sind lokal optimal, weisen einen Score S auf und haben keine Lücken - Statistik möglich bei genügend langen Sequenzen (Längen n und m) (n: Länge der Suchsequenz, m: Länge der Datenbanksequenz) - Zwei Parameter für den Suchraum und das Scoring-System: K und l Erwartete Anzahl von HSPs mit Scores S: E = Kmne-lS E-Wert (E-value) für den beobachteten Score S eines HSPs -> Verdoppelung der Sequenzlänge verdoppelt die Anzahl von zufälligen HSPs mit Scores S Alignments: Statistische Signifikanz Reine Score-Werte S geben keine Information über die Qualität des Ergebnisses ohne genaue Kenntnis über die Datenbank und den Suchalgorithmus (bzw. K und l) (vergleichbar mit Längenangabe ohne Einheit, z. B. 100 -> Meter, Kilometer, Lichtjahre ...) -> Bit-Scores S' zur Normalisierung (auf Suchraum und Scoring-System): S' = (lS - lnK) / ln2 aus den Bit-Scores S' lassen sich E-Werte ableiten, die nur von den Sequenzlängen abhängen: E = mn2-S' -> für die Signifikanz-Beurteilung sind dann nur noch die Sequenzlängen m und n zu wissen S‘ und E werden in der BLAST-Ausgabe angegeben Alignments: Statistische Signifikanz Die Wahrscheinlichkeit, exakt a HSPs mit Score S zu finden (Poisson-Verteilung): P = e-E(Ea/a!) Für mind. 1 HSP mit einem Score S gilt: P = 1 - e-E Der P-Wert ist auf diese Weise mit dem beobachteten Score S gekoppelt. Für E < 0,01 gilt: P E für größere Werte wird E jedoch deutlich größer, was für den Anwender anschaulicher ist P: 0.993 0.99995 E: 5 10 Datenbanksuchen: Statistische Signifikanz Speziell für Datenbanksuchen gilt: Signifikanz muß berechnet werden für einen Vergleich eines Proteins mit Länge m gegen eine Datenbank mit vielen Proteinen unterschiedlicher Länge 1. Möglichkeit: a priori-Annahme, daß alle Proteine gleich wahrscheinlich mit der Query-Sequenz verwandt sind. E-Wert ergibt sich aus dem Produkt des E-Werts eines Pairwise-Alignments mit der Anzahl der Proteine in der durchsuchten Datenbank. (FASTA für Proteine nutzt diese Berechnung) Datenbanksuchen: Statistische Signifikanz 2. Möglichkeit: a priori-Annahme, daß Query-Sequenz mit höherer Wahrscheinlichkeit zu längeren Sequenzen verwandt ist. Begründet wird dies mit der Domänenstruktur der Proteine. Der E-Wert eines Pairwise-Alignments wird multipliziert mit dem Faktor N/n, wobei und N: "Länge" der Datenbank in Nukleotiden bzw. Aminosäureresten n: Länge der verglichenen Datenbanksequenz. Wird z. B. von BLAST verwendet (E-Wert bei Ausgabe der Suchergebnisse). aus E = Kmne-lS Bzw. aus E = mn2-S wird dann E = KmNe-lS wird dann E = mN2-S' Datenbanksuchen: Statistische Signifikanz Statistiken für Alignments mit Lücken: -> Abschätzen der Parameter aus vielen Vergleichen FASTA: echte Sequenzen, kein Zufallsmodell -> optimale Scores (lokal!) für Query-Sequenz gegen jede Datenbanksequenz -> l und K bestimmbar BLAST: Vorabschätzung von l und K durch Zufallsmodell -> schneller, da optimale lokale Scores nur aus Vergleich mit ein paar unverwandten Sequenzen -> zusätzlich in BLAST Korrektur der "Kanten-Effekte" Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST Adresse: http://www.ncbi.nlm.nih.gov/BLAST/ Verwendbare Formate: 1. FASTA-Format: Beinhaltet in der 1. Zeile nach dem ">"-Zeichen eine Sequenzbeschreibung, anschließend die Sequenz ohne Unterbrechungen. Das Ende der Sequenz wird nach zwei Leerzeichen automatisch erkannt. Beispiel: >gi|129295|sp|P01013|OVAX_CHICK GENE X PROTEIN (OVALBUMIN-RELATED) QIKDLLVSSSTDLDTTLVLVNAIYFKGMWKTAFNAEDTREMPFHVTKQESKPVQMMCMNNSFNVATLPAE KMKILELPFASGDLSMLVLLPDEVSDLERIEKTINFEKLTEWTNPNTMEKRRVKVYLPQMKIEEKYNLTS VLMALGMTDLFIPSANLTGISSAESLKISQAVHGAFMELSEDGIEMAGSTGVIEDIKHSPESEQFRADHP FLFLIKHNPTNTIVYFGRYWSP Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST 2. Reine Sequenzen: Wie FASTA-Format, aber ohne Sequenzbeschreibung. Beispiel: QIKDLLVSSSTDLDTTLVLVNAIYFKGMWKTAFNAEDTREMPFHVTKQESKPVQMMCMNNSFNVATLPAE KMKILELPFASGDLSMLVLLPDEVSDLERIEKTINFEKLTEWTNPNTMEKRRVKVYLPQMKIEEKYNLTS VLMALGMTDLFIPSANLTGISSAESLKISQAVHGAFMELSEDGIEMAGSTGVIEDIKHSPESEQFRADHP FLFLIKHNPTNTIVYFGRYWSP Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST 3. GenBank-Flatfile-Sequenz / gcg-Format ohne Header: Üblicherweise aus GenBank-Ausgabe bzw. aus dem gcg-Format kopiert, wobei keine Informationen außer Zählungshilfen vorhanden sein dürfen. Leerzeilen sind zu entfernen, da sie für die Erkennung des Sequenzendes herangezogen werden. Beispiel: 1 61 121 181 QIKDLLVSSS SFNVATLPAE RRVKVYLPQM EDGIEMAGST TDLDTTLVLV KMKILELPFA KIEEKYNLTS GVIEDIKHSP NAIYFKGMWK SGDLSMLVLL VLMALGMTDL ESEQFRADHP TAFNAEDTRE PDEVSDLERI FIPSANLTGI FLFLIKHNPT MPFHVTKQES EKTINFEKLT SSAESLKISQ NTIVYFGRYW KPVQMMCMNN EWTNPNTMEK AVHGAFMELS SP Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST Beispielsequenz: Ein Prion? 1 61 121 181 MSLLAYWLAS GGGWGQPHGG VGGLGGYMLG ITIKQHTVTT LWVTMWTDVG LCKKRPKPGG WNTGGRRYPA DGSPGGNRYP PQGATWGQPY SFGQPHGGSW GQPHAAAWGQ GGGTHNQWNK PSKPKTNLKH VAGAAAAGAV SAMSRPMIHF GNDWEDRYYR ENMYRYPNQV YYRPVDQYSN QNNFVHDCVN TTKGENFTET Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST Datenbanksuchen: Praktischer Ablauf am Beispiel BLAST