Introducción a las Bases de Datos en Biología Molecular. José M. González-Izarzugaza, 2008

Transcripción

1 Introducción a las Bases de Datos en Biología Molecular José M. González-Izarzugaza, 2008

2 Fuentes del conocimiento Biológico * Proyectos de secuenciación genómica: Genomas, Secuencias... * Genómica Funcional: Datos de Expresión * Proteómica: Catálogos de proteínas, patrones de expresión... * Genómica Estructural: Estructuras de Proteínas * Interacciones funcionales entre componentes celulares: Redes de regulación... * Interacciones físicas entre proteínas: Redes de interacción proteica * Datos experimentales en general: Información no estructurada (a veces no digital) en el formato de publicaciones cientificas en el mejor de los casos.

3 De cuánta información disponemos? * Registros de Nucleótidos: * Nucleotidos: * Secuencias de Proteínas: * Estructuras Tridimensionales: * Puntos de Expresión: >> * Clusters Unigene (humano): * Mapas y Genomas completos: * Nodos Taxonómicos diferentes: * Mutaciones Puntuales (SNPs): * Articulos en Pubmed: * Registros Enfermedades Mendelianas: Ouellete, 2000

4 Clasificación de las Bases de Datos (Esquema 1) Atendiendo al origen de los datos almacenados (contenido de la base de datos): * Bases de Datos PRIMARIAS: Datos obtenidos experimentalmente * Base de Datos SECUNDARIAS: Datos obtenidos a partir del análisis de los datos en las DBs primarias.

5 Contenido de las Bases de Datos PRIMARIAS Datos obtenidos experimentalmente: * Secuencias Acidos Nucleicos: Genomas completos, fragmentos de genomas clonados, cdnas, ESTs, SNPs... * Estructuras de Proteínas o Ácidos Nucleícos: Coordinadas atómicas obtenidas por RMN, Cristalografía de Rayos X, etc. * Datos de Expresión de Proteínas o Transcripción: Obtenidos a partir de microarrays o experimentos de proteómica, respectivamente * Procesos celulares: Rutas Metabólicas, Rutas de señalización...

6 Contenido de las Bases de Datos SECUNDARIAS Datos derivados de los obtenidos experimentalmente (predicciones, interpretaciones...): * Secuencias de Proteínas: Deducidas de secuencias de nucleótidos. * Alineamientos de secuencias de Proteínas o Ácidos Nucleícas * Familias de Proteínas: inferidas por similitud de secuencia o por la presencia de motivos o dominios comunes. * Familias de Proteínas: inferidas por similitud estructural * Procesos celulares reconstruidos: Rutas metabolicas, señalización...

7 Clasificación de las Bases de Datos (Esquema I1) Atendiendo al nivel de organización de los datos * Bases de Datos PRIMARIAS: Datos provenientes de SECUENCIAS, estructura primaria de proteínas y ácidos nucleicos. * Base de Datos SECUNDARIAS: Datos relacionados con PATRONES, regiones con cierta regularidad local, por ejemplo, motivos conservados, dominios... * Bases de Datos TERCIARIAS: Colecciones de COORDENADAS ATOMICAS, empaquetamiento tridimensional de los elementos de estructura secundaria. NOTA: Este esquema solo aplica a moléculas biológicas, no tiene sentido por ejemplo para datos de expresión de microarrays.

8 Búsqueda en Bases de Datos: Contenido y Anotaciones En una base de datos primaria (y en secundarias) la información contenida se complementa con INFORMACION ADICIONAL, que se organiza en lo que se denomina ANOTACIONES. Las anotaciones se pueden referir a: * Autores de la información principal * Condiciones Experimentales * Origen del Material Biológico * Localización Subcelular * Función Molecular o Proceso Celular * Referencias Bibliográficas * Cross References (!!!!) : Entradas que referencian a información en otras bases de datos. Algunas anotaciones pueden considerarse contenido secundario, esto es, son predicciones sobre el contenido original de la base de datos.

9 Búsqueda en Bases de Datos: Tipos de Query BUSQUEDAS POR TEXTO: Este tipo de búsqueda esta fijado a un lenguaje concreto y se realiza contra las anotaciones, las cuales casi por definición se consisten de TEXTO. Es habitual combinar búsquedas mediante OPERADORES BOOLEANOS (and, or, not) y el uso de WILD_CARDS (*,?) e incluso las busquedas especificas por campo. Ejemplo: Buscar en Pubmed ( todos los artículos de CASP que ha publicado el Dr. A. Valencia. (NOTA: No queremos leer de caspasas.)

10 Búsqueda en Bases de Datos: Tipos de Query BUSQUEDAS POR TEXTO: Este tipo de búsqueda esta fijado a un lenguaje concreto y se realiza contra las anotaciones, las cuales casi por definición se consisten de TEXTO. Es habitual combinar búsquedas mediante OPERADORES BOOLEANOS (and, or, not) y el uso de WILD_CARDS (*,?) e incluso las busquedas especificas por campo. Ejemplo: Buscar en Pubmed ( todos los artículos de CASP que ha publicado el Dr. A. Valencia. (NOTA: No queremos leer de caspasas.) Solución: CASP*[ti] and valencia a [au] not caspase*[ti]

11 Búsqueda en Bases de Datos: Tipos de Query BUSQUEDAS POR CONTENIDO: Este tipo de búsqueda esta fijado a un lenguaje concreto y se realiza contra el contenido de la base de datos, o CORE_DATA, que consiste en representaciones abstractas de las información: * Cadenas de caracteres representando la secuencia de una proteína. * Tablas de coordenadas tridimensionales que representan a una proteína * Imágenes de un gel 2D * etcétera

12 Búsqueda en Bases de Datos: Tipos de Query EJEMPLOS DE BUSQUEDAS POR CONTENIDO (Secuencias): Supongamos una base de datos de secuencias... * Nos puede interesar saber si existe la secuencia ALVALAWLAAL. * En Biología las secuencias cambian con el paso del tiempo, o entre individuos. No se trata por tanto de encontrar únicamente la secuencia identica, sino también aquellas que sean similares considerando los principios de la evolución molecular. * Existen diversos algoritmos para solucionar este problema, BLAST es el más popular, y se explicará más adelante.

13 Búsqueda en Bases de Datos: Tipos de Query EJEMPLOS DE BUSQUEDAS POR CONTENIDO (Otros): Otros tipos de búsquedas por contenido utilizan sus própios algoritmos para obtener información de sus representaciones abstractas. * QBIC: (Query by image content) es el algoritmo típicamente utilizado para buscar en bases de datos de imágenes. * VAST (Vectorial alignment search tool) es el algoritmo utilizado por el NCBI para realizar comparaciones estructurales. * DALI es el algoritmo utilizado en el EBI para realizar comparaciones estructurales.

14 Bases de Datos esenciales en Bioinformática GENES y GENOMAS: * GenBank y EMBLnucleotide: Nucleotidos * NCBI Genomes: Secuencias de genomas completas * ENSEMBL: Genomas eukariotas completos. PROTEINAS: * SwissProt y TrEMBL: Secuencias de Proteinas * Prosite: Motivos proteicos y familias de proteínas * PFAM: Dominios proteicos y familias de proteínas, usando HMMs * InterPro: Motivos proteicos, dominios y familias. Integra información de diversas fuentes. OTROS: * PDB: Estructuras tridimensionales de proteinas y ácidos nucléicos. * PUBMED y MEDLINE: Literatura de ciencias biomédicas * KEGG: Rutas Metabólicas * dbsnp: Mutaciones * OMIM: Enfermedades geneticas de origen Mendeliano

15 Donde conocer las bases de datos nuevas? * La mayoría de estas bases de datos se encuentran disponibles a traves de Internet. * Existen recursos dedicados a compilar la información sobre bases de datos: - Nucleic Acid Research, publica (digital) un número especial cada año en el que se recopilan los artículos de bases de datos nuevas que han sido creadas o mejoradas durante ese año. 329(2002), 386(2003), 548(2004)... - Deambulum Dabank Index es otro catálogo de bases de datos publicado por Infobiogen, una institución francesa encargada de compilar y distribuir información acerca de Biología Molecular y BioMedicina. - Weizmann Institute Index (Israel) mantiene una lista de bases de datos organizadas por areas. - y por supuesto... en Google.

16 Son demasiadas bases de datos? * La diversidad en las bases de datos se origina por dos razones fundamentales: - Las bases de datos suelen ser el resultado de muchos proyectos científicos. - Todo el mundo prefiere utilizar una base de datos propia que contiene toda la información necesaria para su proyecto. * Aspectos positivos: - Existen bases de datos muy especificas de cada area particular. - Son bases de datos más pequeñas que una general, búsqueda más rápida. * Aspectos negativos: - Para integrar información de diversas bases de datos, es necesario un vocabulario controlado (ontologies, accessions, ids...) que permita la conexión entre bases de datos de manera automática y estándard.

17 Ontologías en Biología Molecular * Las ONTOLOGIAS son vocabularios controlados y estructurados, que sirven básicamente dos propósitos fundamentales: - Disponer de colecciones estandardizadas de términos. - Organizar el conocimiento en un campo alrededor del lenguaje utilizado, ya que las relaciones entre terminos reflejan la realidad biológica. * Ejemplos: - Enzyme Commission Nomenclature: EC Oxidoreductases EC Acting on the CH-OH group of donors EC with NAD(+) or NADP(+) as acceptor EC with a cytochrome as acceptor - MESH (Medical Subject Heading) terms: Vocabulario controlado del NLM - Gene Ontology: Desarrollado por un consorcio de laboratorios e instituciones involucrados en el mantenimiento de bases de datos biologicas.

18 Gene Ontology * Es una ONTOLOGIA (vocabulario controlado) ampliamente utilizada. * Agrupa los términos en tres sub-ontologias: - Funcion Molecular - Proceso Biologico - Componente Celular * Cada sub-ontología tiene sus propios términos y jerarquía * Existen relaciones entre los terminos PADRES y los HIJOS - Parte de - Instancia de * Gran parte de las bases de datos se han sumado a esta iniciativa e incluyen los términos GO como parte de sus anotaciones.

19 Gene Ontology Browser *

20 Gene Ontology Browser (BRCA1_HUMAN) *

21 Gene Ontology Browser (BRCA1_HUMAN) *

22 * Son dos bases de datos de nucleotidos fundadas en los 80 s * Continen TODAS las secuencias de ADN publicadas * Las envian los propios investigadores que publican los artículos * Muchas revistas exigen la presencia de las secuencias en una de estas bases de datos como pre-requisito a la aceptación de los manuscritos en los cuales las nuevas secuencias son publicadas. * En Agosto de 2003: ficheros de secuencias nucleotidos GenBank & EMBL * Cada dos meses se publica una versión nueva de la DB.

23 GenBank & EMBL: Misma información? * Si, al menos de tipo primario (contienen las mismas secuencias) * GenBank, EMBL y DDBJ (DNA Databank of Japan) son parte de una iniciativa internacional para el intercambio de secuencias: International Nucleotide Sequence Database Collaboration. * Las 3 bases de datos intercambian informacion acerca de las nuevas secuencias enviadas (updates) cada 24 horas, * Sin embargo, cada una almacena diferente informacion de tipo secundario (predicciones) a partir de estas secuencias.

24 GenBank & EMBL & DDBJ: Acceso via Web * GENBANK: - FTP: ftp.ncbi.nih.gov - WWW: * EMBL: - FTP: - WWW: * DDBJ: - WWW:

25 Accediendo a GenBank: FTP Access * División por Organismos en GenBank: PRI - Primate (Primates) ROD - Rodent (Roedores) MAM - Mammalian (Mamiferos) VRT - Vertebrate (Vertebrados) INV - Invertebrate (Invertebrados) PLN - Plant (Plantas) BCT - Bacterial (Bacterias) RNA - Structural (Estructural) VRL - Viral (Virus) PHG - Phage (Fagos) SYN - Synthetic (Sintetico) UNA - Unannotated (Sin anotación... aun) * División Funcional en Genbank PAT - Patent EST - Expressed Sequence Tags STS - Sequence Tagged Sites GSS - Genome Survey Sequence HTG - Hight Throughput Genomes

26 Accediendo a GenBank: ENTREZ Browser

27 ENTREZ Browser: Información disponible (algunos ejemplos significativos) * Pubmed: Referencias bibliográficas sobre Biología Molecular y Medicina. * Nucleotide: Base de datos de nucleótidos, contienen información de GenBank, EMBL y DDBJ, pero también otros proyectos: RefSeq RefSeq: Secuencias que han sido curadas o re-anotadas por el NCBI. * Protein: Secuencias de proteínas derivadas de la traduccion de secuencias de DNA en GenBank, EMBL y DDBJ, + secuencias de PIR, SWISSPROT y PDB. * Genome: Genomas completos, cromosomas, mapas de contigs, mapas físicos. * Entrez Gene (LocusLink): Base de datos centrada en Locus que integra información de otras bases de datos relacionadas. * Structure: Estructuras obtenidas experimentalmente en el PDB. * Taxonomy: Nombres (cientificos y comunes) de organismos que tienen al menos una secuencia en alguna de las bases de NCBI. * OMIM: Online Mendelian Inheritance in Man. Catalogo de enfermedades genéticas.

28 ENTREZ Browser: Realizando Búsquedas 1) Vamos a la web de Entrez [ 2) Introducimos nuestra búsqueda (query) en el cuadro de texto correpondiente Podemos realizar * búsquedas sencillas: (RNA, cancer, human,...) * búsquedas complejas: - Phrase Searching: 16s RNA - Operadores Booleanos AND, OR, NOT: BRAC1 AND HUMAN NOT BREAST - Restricción por campos: Izarzugaza[auth]

29 ENTREZ Browser: Realizando Búsquedas 3) Una vez hecha la búsqueda, vemos los resultados agrupados por Base de Datos 4) Seleccionamos la Base de Datos (CoreNucleotide en este ejemplo), y vemos los resultados que nos devuelve el servidor.

30 ENTREZ Browser: Formato GenBank La vista por defecto de un registro GenBank tiene unos campos característicos:

31 ENTREZ Browser: Formato GenBank Sin embargo podemos obtener otros formatos modificando el DISPLAY, por ejemplo, obtenemos ahora la secuencia en FASTA del gen BRAC1

32 LIMITS: Búsquedas complejas hechas simples Veamoslo con un ejemplo: 1) Buscamos los artículos relacionados con CANCER en Pubmed ( ) 2) Pinchamos en Limits para limitar la búsqueda a nuestros intereses 3) Rellenamos varios campos: - Limitamos a humanos: Humans - Elegimos a Barbacid como autor - Publicado durante este último año 4) Pinchamos en GO para repetir query. 5) Obtenemos el paper que buscabamos:

33 HISTORY: Búsquedas complejas paso a paso En la pestaña HISTORY podemos combinar diferentes búsquedas simples que ya hayamos realizado, utilizando operadores booleanos y el indice de busquedas. En el ejemplo vemos los papers publicados por el Dr. Michael Tress en relación con CASP

34 Bases de datos de Proteínas: UniProt Esta compuesta por dos bases de datos relacionadas pero independientes: a) TrEMBL (Translated EMBL): Secuencias de proteínas anotadas automáticamente a partir de la traducción de ORF s predichos en la base de datos de nucleótidos EMBL. b) SwissProt: Base de datos de proteínas no redundante y de gran calidad puesto que las anotaciones se realizan manualmente por un comité de expertos.

35 UniProt: BRCA1_HUMAN

41 Acceso programático a las Bases de Datos - Generalmente las bases de datos se pueden descargar en ficheros de texto plano. - Los formatos más utilizados son: FASTA, GenBank y EMBL/SwissProt - Existen otros formatos: pdb, aln, msf, clustal, pir, gff, pfam, ph... cada uno con sus peculiaridades. Truco Los ficheros planos se pueden parsear de manera automatica, por ejemplo, con PERL

42 Formatos: Secuencias en FASTA

43 Formatos: GenBank Flat File (GBFF) - Información sobre genes y proteínas. - Diferentes secciones en un mismo fichero - Descriptores de campo guian la busqueda de información.

44 Formatos: EMBL y SwissProt - Base de datos de nucleótidos (EMBL) y de proteínas (Swissprot) - Descriptores de campo al comienzo de cada linea, parseo muy sencillo. - Incluye referencias a otras bases de datos, permite navegación en el conocimiento.