GENE FINDING El problema de identificar genes en secuencias de DNA

Transcripción

1 GENE FINDING El problema de identificar genes en secuencias de DNA Ricardo Graña Montes Mòdul de Genòmica i Proteòmica Curs 2009/2010

2 Necesidad de Gene Finding Algorithms Rápida Acumulación de Secuencias Genómicas Whole Genome Sequencing Projects 2nd & 3rd Generation Sequencing Techniques Asociados a Enfermedades Fuente: Última Actualización: 03/Feb/09 Missing Genes Nodos Huérfanos de Interactómica, Metabolómica, etc

3 ENTREZ Genome Sequencing Projects Organism Complete Draft assembly In Progress Total Prokaryotes Archaea Bacteria Eukaryotes Animals Mammals Birds Fishes Insects Flatworms Roundworms Amphibians Reptiles Other animals Plants Land plants Green Algae Fungi Ascomycetes Basidiomycetes Other fungi Protists Apicomplexans Kinetoplasts Other protists Total: Fuente: Actualización: 01/Jun/10

4 Estructura Exon-Intron de los RNA producto del gen Complete Structural Gene Annotation (concepto adaptado de Brent, 2008) Región Codificante (para los genes codificantes) Factores que controlan la Transcripción actuando en Cis o en Trans Protein-coding Genes Gene Finding noncoding-rna Genes Elementos Reguladores

5 Gene Finding Approaches Homology-based empleo de información experimental existente Genes conocidos, cdna, ESTs, etc Hidden Markov Models Gene Signals (elementos característicos de una estructura génica codificante) Neural Networks Ab initio Gene Content (composición y patrones estadísticos de los sensores que definen a genes de regiones codificantes) Implementación en un Modelo Probabilístico Conditional Random Fields Comparative Genomics comparación de la secuencia completa de un genoma problema respecto a un genoma informante (búsqueda de regiones conservadas) Dynamic Programing Algorithm Training Presentación de W.H. Majoros disponible en:

6 Los algoritmos suelen ser entrenados en los parámetros de un determinado genoma para incrementar su precisión. Gene Content Esto conlleva una especificidad para cada algoritmo que da lugar mejores resultados para el genoma informante respecto a otros genomas. Start Codon Donor Splicing Site Aceptor Splicing Site At: Arabidopsis taliana, Ce: Caernohabtidis elegans, Dm: Drosophila melanogaster, Os: Oryza sativa I. Korf, 2004

7 Modelos Probabilísticos Hidden Markov Models Neural Networks Capa de Entrada: clasificación de las señales de la sequencia problema. Capa(s) Oculta(s): funciones de valoración del contenido de la secuencia para cada señal. I. Korf, 2004 Presentación de W.H. Majoros disponible en: Capa de Salida: puntuación de probabilidad para el modelo. D.W. Mount, 2001

8 Comparative Genomics Se basan en el principio de que los elementos fucionales del genoma se encuentran más conservados que otras regiones. A diferencia de los métodos basados en homología, no se limitan al estudio de las regiones codificantes sino que permiten implementar en la búsqueda características de las regiones que no se buscan. Presentación de S. Rogic disponible en:

9 Aproximaciones Combinadas Imágenes: Presentación de W.H. Majoros disponible en:

10 Gene Finding en Procariotas Genoma Procariota Pequeño Tamaño: Mbp Elevada Densidad Génica: 90% regiones codificantes Secuencias Repetitivas poco abundantes ORF Único y Continuo (genralmente ausencia de intrones) J. Xiong, 2006 Signal RBS (secuencia Shine-Delgarno) Codón Start Uso de Codón Tercera Posición del Codón Frecuencia k-mers Codón Stop Content secuencia rica en Pu, complementaria a 16S rrna ATG, (GTG, TTG) dependiente de la especie preferencia por un nucleótido específico (G,C) dependiente de la especie TGA, TAA, TAG

11 Los genomas procariotas permiten identificar genes con cierta facilidad empleando el análisis de ORFs. Gene Finding en Procariotas Sin embargo, parte de los ORFs corresponderán a genes verdaderos mientras otros serán espúreos. D.W. Mount, 2001 Por otra parte, genes con ORFs cortos y genes de ncrna se verán subrepresentados. Cribaje de ORFs Tendencia de la 3ª Posición del Codón (TESTCODE) Frecuencia de k-mers -generalmente hexámeros- (IHMM) J. Xiong, 2006

12 Gene Finding en Eucariotas Genoma Eucariota Gran Genoma (Nuclear): 10Mbp 670Gbp Densidad Génica Muy Baja: <3% en H. sapiens Regiones Intergénicas Ricas en Secuencias Repetitivas y Elementos Transponibles Organización Exón-Intrón Generalizada (pocos genes con exón único) Signal Transcriptional Start Codón Start Uso de Codón Tercera Posición del Codón Content regiones circundantes a Codón Start (CpG islands) ATG, regiones circundantes (secuencia Kozak: CCGCCATGG) dependiente de la especie preferencia por un nucleótido específico (G,C) Presentación de S. Rogic disponible en: Frecuencia k-mers 5' Splice Junction GT(AAGT) dependiente de la especie 3' Splice Junction (Py)12NCAG Codón Stop Señal Poly-A TGA, TAA, TAG CAATAA(T/C)

13 GENSCAN Burge & Karlin (1997) Generalized HMM: permite modelar la distribución de la longitud de los exones. Emplea matrices y algoritmos de puntuación para valorar Aceptor Splicing Site, Branch Point, Señal Poly-A y región Promotora; árboles de decisión para Aceptor Splicing Site. Presentación de S. Rogic disponible en: Utilizado en los proyectos ENCODE, EGASP, Drosophila GASP e Intenational Rice Genome Sequencing Project.

14 Lista de Proyectos Project Description mgene SNAP GeneZilla GlimmerHMM TWINSCAN ChemGenome TWAIN ExoniPhy JIGSAW GenomeThreader ExonHunter GlimmerM Glimmer CRITICA SGP2 Phat geneid EuGene GENSCAN AUGUSTUS MORGAN GenomeScan DoubleScan HMMgene GHMM / SVM eukaryotic gene finder GHMM eukaryotic gene finder GHMM eukaryotic gene finder GHMM eukaryotic gene finder GHMM informant method for comparative gene finding prokaryotic, ab initio gene finder based on physico-chemical properties GPHMM comparative gene finder Phylogenetic HMM gene finder Evidence combiner for eukaryotic gene prediction Similarity-based gene prediction program where additional cdna / EST and/or protein sequences are used to predict gene structures via spliced alignments. Integrative gene finding system Eukaryotic gene finder using OC1 decision trees and Interpolated Markov Models. Prokaryotic gene finder using Interpolated Markov Models Comparative prokaryotic gene finder Comparative gene finder based on geneid and TBLASTX GHMM gene finder Hierarchically-structured gene prediction program An open gene finder for eukaryotic organisms GHMM-based gene finder for human GHMM-based gene finder for eukaryotes A eukaryotic gene finder using OC1 decision trees (no longer supported) GHMM informant-based gene finder Pair HMM gene finder HMM gene finder GrailEXP Genie GeneMark TM FGENESH Neural-network-based gene finder (Oak Ridge Natl. Lab.) GHMM-based gene finder a gene finder from Georgia Institute of Technology GHMM gene finder Fuente: más proyectos listados en:

15 Precisión de las Predicciones Presentación de R. Guigó disponible en: 3 Niveles Secuencia Nucleotídica El conjunto evaluador ha de ser diferente del conjunto empleado en el entrenamiento del algoritmo. Exón P. Flicek, 2007 Gen

16 Bibliografía Brent, M.R. Nature Reviews Genetics 9, pp (2008) Flicek, P. Genome Biology 8(12), art. 233 (2007) Do, J.H. & Choi, D.-K. The Journal of Microbiology 44(2), pp (2006) Xiong, J.: Essential Bioinformatics. Cambridge University Press, New York (2006) Korf, I. BMC Bioinformatics 5(59), (2004) Baxevanis, A.D. & Ouelette, B.F.F. (editors): Bioinformatics. A Practical Guide to the Analysis of Genes and Proteins 2 nd ed. John Wiley & Sons, Inc., USA (2001) Mount, D.W.: Bioinformatics. Sequence and Genome Analysis. Cold Spring Harbor Laboratory Press, Cold Spring Harbor (2001)