outline
DESCRIPTION
Outline. Gene Finding : Struttura ed identificazione di geni in procarioti ed eucarioti; Hidden Markov Models; Genscan;. Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007. Gene Finding: Premessa. - PowerPoint PPT PresentationTRANSCRIPT
Outline
□ Gene Finding:
□ Struttura ed identificazione di geni in procarioti ed eucarioti;
□ Hidden Markov Models;
□Genscan;
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Gene Finding: Premessa
□ Dimensione del genoma umano: 3 x 109 coppie di nucleotidi
□ Numero di geni ≈ 25.000 □ Percentuale di DNA codificante ≈ 1.6%
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Gene Finding: Cosa e’?
Data una sequenza di DNA non caratterizzata, trovare:
□ Quali regioni che codificano per proteine
□ Quale dei due filamenti della doppia elica di DNA è codificante
□ Quale schema di lettura è usata in quest’ultimo
□ Dove comincia e dove finisce il gene
□ Dove sono i confini tra esoni/introni negli eucarioti
□ Etc
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Gene Finding: Struttura del gene
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Schema di lettura: ogni segmento di DNA ha 6 schemi di lettura
Reading frame #1
ATGGCTTACGCTTGC
Reading frame #2
TGGCTTACGCTTGA.
Reading frame #3
GGCTTACGCTTGA..
ATGGCTTACGCTTGAFilamento sense:
Reading frame #4
TCAAGCGTAAGCCAT
Reading frame #5
CAAGCGTAAGCCAT.
Reading frame #6
AAGCGTAAGCCAT..
TCAAGCGTAAGCCATFilamento antisense:
Gene Finding: Organizzazione del gene
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Un gene continuo
Un gene discontinuo (esoni intervallati da introni)
Gene dentro un introne di un altro gene
Geni sovrapposti
Gene Finding: Struttura del gene procariotico
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
ATGCTACGGATG……..TGA5’ 3’Regione
RegolatricePromotore
GENE
Segnale di Start
Segnale di Stop
Gene Finding: Struttura del gene Eucariotico
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Gene Finding: ORF (Open Reading Frame)
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Un ORF o schema di lettura aperto è una zona compresa tra 2 segnali, uno di start e uno di stop presenti nello stesso frame. All’interno dell’ORF non sono presenti ulteriori segnali di Stop.
Un ORF è una potenziale regione codificante per proteine.
start stop
ORF segnali di stop: TAA, TGA e TAG
ATG
Gene Finding: Primo passo
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
□ La distanza media tra due segnali di stop in una sequenza casuale di DNA è 64/3 ≈ 21
□ Una proteina è lunga mediamente 300 aminoacidi
□ Se individuiamo due segnali di stop sufficientemente distanti tra loro potremmo essere in presenza di un potenziale gene
Gene Finding: ORF in un gene procariotico
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Frame 1Frame 2Frame 3
ORF ?
Gene Finding: Algoritmo
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Per ogni frame bisogna:
1. Calcolare la distanza tra ogni coppia di segnali di stop consecutivi.
2. Se sono sufficientemente distanti, si va a ricercare il primo codone di start utile.
3. Trovato un ORF di lunghezza sufficiente, è da considerare un potenziale gene.
Gene Finding: ORF in un gene eucariotico
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Quali delle finestre che vediamo sono esoni?
Quali invece sono assenze casuali di segnali di stop?
Frame 1Frame 2Frame 3
Gene Finding: Procarioti vs Eucarioti
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Procarioti:
Piccoli genomi 0.5 – 10·106 bp
Alta densità basi codificanti (>90%)
No introni
Identificazione del gene relativamente semplice. Probabilità di successo ~ 99%
Eucarioti:
Grandi genomi 107 – 1010 bp
Bassa densità basi codificanti (<50%)
Struttura introni/esoni
Identificazione del gene complessa, livello di accuratezza ~ 50%
Gene Finding: Metodo statistico
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
□ Un metodo migliore per determinare regioni codificanti tiene conto delle frequenze dei codoni
□ Un uso diverso dei codoni nella regione codificante è una caratteristica universale dei genomi
□ Uso diseguale degli aminoacidi nelle proteine esistenti□ Uso diseguale di codoni sinonimi
□ Possiamo usare queste caratteristiche per differenziare regioni codificanti e non codificanti del genoma
Gene Finding: Segnali di codifica
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Distribuzione delle frequenze di coppie di aminoacidi nelle sequenze delle proteine (shewanella).
La frequenza media è del 5%.
Ogni amminoacido ha delle preferenze nel precedere o seguire un altro amminoacido.
Alcuni aminoacidi sono molto più frequenti di altri.
Gene Finding: Segnali di codifica
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
shewanella bovino
La frequenza delle coppie di aminoacidi dipende dal genoma!!!
Gene Finding: Segnali di codifica
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Le preferenze degli aminoacidi si rispecchiano sulle coppie di codoni (o esanucleotidi) presenti nelle zone codificanti.
Ad esempio Nel genoma umano la frequenza della sequenza “AAA AAA” è ~1% nelle regioni codificanti contro ~5% delle regioni non codificanti.
Gene Finding: Segnali di codifica
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Molti esanucleotidi mostrano grosse differenze di frequenza tra zone codificanti e non codificanti.
Fondamenti per rilevare regioni codificanti
La frequenza delle coppie di codoni sono segnali chiave usati per identificare regioni codificanti; Tutti i programmi di gene prediction se ne avvalgono.
Regioni di DNA dove sono presenti moltissimi esanucleotidi che Regioni di DNA dove sono presenti moltissimi esanucleotidi che sono risultati frequenti in regioni codificanti già appurate, sono sono risultati frequenti in regioni codificanti già appurate, sono
probabilmente regioni codificanti; al contrario sono regioni probabilmente regioni codificanti; al contrario sono regioni non codificanti.non codificanti.
Gene Finding: Modello preferenziale
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Per ogni esanucleotide X (es: AAA AAA), calcolare la sua frequenza in regioni codificanti (FC(X)) e non codificanti (FN(X))
Calcolare il valore della preferenza di X:P(X) = log(FC(X)/FN(X))
ProprietàP(X) vale 0 se X ha la stessa frequenza sia nelle regioni
codificanti, che in quelle non codificanti.
P(X) ha un valore positivo, se X compare più spesso in regioni codificanti rispetto a quelle non codificanti; più grande è la differenza più alto sarà il valore di P(X).
P(X) ha un valore negativo, se X ha frequenza maggiore in regioni non codificanti; più grande è la differenza più piccolo sarà il valore di P(X).
Gene Finding: Modello preferenziale
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
EsempiAAA ATT e AAA GAC hanno le seguenti frequenzeAAA ATT e AAA GAC hanno le seguenti frequenze
• FC(AAA ATT) = 1.4%, FN(AAA ATT) = 5.2%• FC(AAA GAC) = 1.9%, FN(AAA GAC) = 4.8%
AvremoAvremo
P(AAA ATT) = log (1.4/5.2) = -0.57 P(AAA GAC) = log (1.9/4.8) = -0.40
Una regione formata solo da esanucleotidi di questo Una regione formata solo da esanucleotidi di questo tipo, è probabilmente una regione non codificante.tipo, è probabilmente una regione non codificante.
Gene Finding: Modello preferenziale
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Perché usiamo un modello basato su coppie di codoni ? Modelli basati su singolo codone spesso non danno abbastanza
informazione per capire se siamo davvero in una regione codificante o meno.
Modelli basati su triple di codoni hanno bisogno di moltissimi dati per rendere attendibile la statistica.
4*4*4 = 64 codoni4*4*4*4*4*4 = 4,096 coppie di codoni
4*4*4*4*4*4*4*4*4= 262,144 triple di codoni
Nel caso di triple di codoni avremo quindi necessità di avere almeno un numero elevatissimo di sequenze caratterizzate per popolare la matrice delle frequenze
Gene Finding: Predizione di una regione codificante
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Un semplice modello basato sulle frequenze dei codoni:
Sia fabc la frequenza con la quale il codone abc occorre in una regione codificante.
Data la coding sequence
a1,b1,c1,a2,b2,c2,……,anbncn,an+1bn+1cn+1
la probabilità di osservare la sequenza di n codoni nei vari frame di lettura:
p1 = fa1,b1,c1 x fa2,b2,c2 x … x fan,bn,cn
p2 = fb1,c1,a2 x fb2,c2,a3 x … x fbn,cn,an+1
p3 = fc1,a2,b2 x fc2,a3,b3 x … x fcn,an+1,bn+1
Gene Finding: Predizione di una regione codificante
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Denotiamo con Pi la probabilità dell’i-esimo frame di lettura come:
321 ppp
pP ii
E’ possibile utilizzare in un algoritmo per la ricerca di regioni codificanti nel modo seguente:
Consideriamo finestre di size n e calcoliamo Pi per ogni punto di start;
Gene Finding: Predizione di una regione codificante
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
plot di log(p/(1-p)) per i tre frame di lettura:
gene
In questo frame di lettura il gene èchiaramente riconosciuto
Gene Finding: Soglia minima
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Decidiamo un valore di soglia per marcare una regione come codificante. Tale valore deve essere scelto testandolo su un training set. Deve essere tale da trovare il maggior numero di regioni codificanti ed escludere il maggior numero di regioni non codificanti.
Regione codificante? Dove sono i confini ?
Gene Finding: Boundary Esoni/Introni
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Usando come training set, sequenze di DNA la cui suddivisione esoni/introni sia conosciuta, alliniamo tali sequenze rispetto ai due siti di splicing.
Esone Introne Esone
--gaggcatcag|gtttgtagac-----------tgtgtttcag|tgcacccact--
--ccgccgctga|gtgagccgtg-----------tctattctag|gacgcgcggg--
--tgtgaattag|gtaagaggtt-----------atatctacag|atggagatca--
--ccatgaggag|gtgagtgcca-----------ttatttgcag|gtatgagacg--
Splice site Splice site
Esone Introne Esone
--gaggcatcag|GTttgtagac-----------tgtgtttcAG|tgcacccact--
--ccgccgctga|GTgagccgtg-----------tctattctAG|gacgcgcggg--
--tgtgaattag|GTaagaggtt-----------atatctacAG|atggagatca--
--ccatgaggag|GTgagtgcca-----------ttatttgcAG|gtatgagacg--
Splice site Splice site
Gene Finding: Segnali associati con gli estremi di una regione codificante
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Entrambi i siti di splicing hanno particolari profili di distribuzione nell’uso dei nucleotidi
Distribuzione dei nucleotidi attorno al Sito Accettore (Genoma Umano).
Y75 Y72 Y78 Y79 Y77 Y80 Y66 Y78 Y85 Y84 N C68 A G G63
-14 -13 -12 -11 -10 -9 -8 -7 -6 -5 -4 -3 -2 -1 1
A 11,1 12,7 3,2 4,812,7
8,716,7
16,7
12,7
9,526,2
6,3 100 0,021,4
C 36,5 30,919,1
23,0
34,9
39,7
34,9
40,5
40,5
36,5
33,3
68,2
0,0 0,0 7,9
G 9,5 10,315,1
12,7
8,7 9,516,7
4,8 2,4 6,313,5
0,0 0,0 10062,7
T 38,9 41,358,7
55,6
42,1
40,5
30,9
37,3
44,4
47,6
27,0
25,4
0,00,00
7,9
Gene Finding: Segnali associati con gli estremi di una regione codificante
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Entrambi i siti di splicing hanno particolari profili di distribuzione nell’uso dei nucleotidi
Distribuzione dei nucleotidi attorno al Sito Donatore (Genoma Umano).
-3 -2 -1 1 2 3 4 5 6
A 34,0 60,4 9,2 0,0 0,0 52,6 71,3 7,1 16,0
C 36,3 12,9 3,3 0,0 0,0 2,8 7,6 5,5 16,5
G 18,3 12,5 80,3 100 0,0 41,9 11,8 81,4 20,9
T 11,4 14,2 7,3 0,0 100 2,5 9,3 5,9 46,2
Creare le matrici pesate per i siti donatori e accettori.
Sommiamo le frequenze delle lettere corrispondenti nelle posizioni corrispondenti
-3 -2 -1 1 2 3 4 5 6
A 34,0 60,4 9,2 0,0 0,0 52,6 71,3 7,1 16,0
C 36,3 12,9 3,3 0,0 0,0 2,8 7,6 5,5 16,5
G 18,3 12,5 80,3 100 0,0 41,9 11,8 81,4 20,9
T 11,4 14,2 7,3 0,0 100 2,5 9,3 5,9 46,2
…AAGGTAAGTGTCTCA…
AAGGTGTAAGT:(34.0+60.4+80.3+100+100+52.6+71.3+81.4+46.2)/100= 6.262
Gene Finding: Procedura per identificare i segnali
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Creare le matrici pesate per i siti donatori e accettori.
Sommiamo le frequenze delle lettere corrispondenti nelle posizioni corrispondenti
-3 -2 -1 1 2 3 4 5 6
A 34,0 60,4 9,2 0,0 0,0 52,6 71,3 7,1 16,0
C 36,3 12,9 3,3 0,0 0,0 2,8 7,6 5,5 16,5
G 18,3 12,5 80,3 100 0,0 41,9 11,8 81,4 20,9
T 11,4 14,2 7,3 0,0 100 2,5 9,3 5,9 46,2
…AAGGTAAGTGTCTCA…
Gene Finding: Procedura per identificare i segnali
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
AGTGTGTCTCA:(34.0+12.5+ 7.3+100+100+ 2.8+ 9.3+ 5.5+16.0)/100= 2.874
In corrispondenza di un sito di splicing, la corrispondente funzione di score avrà un picco significativo.
Gene Finding: Identificare i segnali
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Vengono scelti tra gli esoni predetti un insieme che non causa overlapping
Frame 1Frame 2Frame 3
Gene Finding: Rappresentazione grafica della regione codificante di un gene eucariotico
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Segnali che identificano la trascrizione
TATA-Box (25-30 basi prima dello start)presente nel 70% dei casi
sito di PolyA(AATAAA oppure ATTAAA)
Segnali che identificano i promotori
Gene Finding: Ulteriori segnali
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Distribuzione lunghezza esoni
150 bp
Distribuzione lunghezza introni
60 bp
50% G+C
Una regione ricca di G+C è indice della presenza di un gene (vale solo per i genomi degli eucarioti superiori)
Gene Finding: Ulteriori dati statistici
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
La probabilità di un evento dipende dagli eventi precedenti
Gene Finding: Modelli di Markov
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
P(Sole, Pioggia, Pioggia, Pioggia, Neve, Neve) =P(Sole) P(Pioggia | Sole) P(Pioggia | Pioggia)
P(Pioggia | Pioggia) P(Neve | Pioggia) P(Neve | Neve)
Gene Finding: Probabilità di una sequenza di eventi
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Quale è la sequenza meteorologica più probabile che ha generato questa sequenza di azioni?
Assunzione (First order Markov chains):La probabilità di un evento dipende solo dal precedente.
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Gene Finding: Modelli di Markov Nascosti (HMM)
I II
ATTATTATAAATTAAT
…TTAA
TATAATTAATATATTT
…ATAT
Probabilità di transizione dalla regione I alla II con la sequenza TT
Gene Finding: Modelli di Markov Nascosti (HMM) ESEMPIO
Creiamo un modello per distinguere due regioni (per semplicità supponiamo siano presenti solo due nucleotidi)
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Calcoliamo la probabilità di tutte le possibili sequenze di nucleotidi appartenenti alle due regioni.
TITIAITI=1.1x10-1 TITIIAITI=1.8x10-3 TIITIAITI=6.0x10-3 TIITIIAITI=9.0x10-3
TITIAITII=8.8x10-3 TITIIAITII=1.4x10-4 TIITIAITII=4.8x10-4 TIITIIAITII=7.2x10-4
TITIAIITI=5.5x10-4 TITIIAIITI=1.0x10-3 TIITIAIITI=3.0x10-5 TIITIIAIITI=5.2x10-3
TITIAIITII=1.4x10-4 TITIIAIITII=8.4x10-3 TIITIAIITII=2.4x10-4 TIITIIAIITII=4.2x10-2
A quale regione appartiene la sequenza TTAT ?
Risulta più probabile che la sequenza appartiene integralmente alla regione I
Gene Finding: Modelli di Markov Nascosti (HMM) ESEMPIO
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Il tool di gene prediction più utilizzato
Presenta il miglior compromesso tra Sensibilità e Specificità (sono due misure di accuratezza)
Largamente utilizzato dal Consorzio Internazionale durante il Progetto Genoma Umano
Utilizza come algoritmo di base l’ Hidden Markov Model (generalizzato)
Gene Finding: Genscan
http://genes.mit.edu/GENSCAN.html
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Gene Finding: Genscan è basato su HMM
http://genes.mit.edu/GENSCAN.html
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
E0 E1 E2
NP polyA
5’ UTR
I0 I1 I2
Esngl
Einit Eterm
Filamento sense
Filamento antisense
3’ UTR
………………….. …………………..
Le coppie di introni/esoni rappresentano i differenti modi in cui un introne può interrompere una coding sequence (dopo la 1° base, dopo la 2° o dopo la 3°)
Esone iniziale e finale
Scelta una caratteristica (es: identificazione esoni)Possiamo definire i seguenti valori1. TP (true positive) = Numero di esoni predetti, che sono risultati veri esoni.2. FP (false positive) = Numero di esoni predetti che sono in realtà dei falsi.3. TN (true negative) = Numero di esoni falsi, identificati come tali.4. FN (false negative)= Numero di esoni reali, identificati come falsi.
Avremo le seguenti misure
Sensibilità TPTP FN
numero di esoni correttamente identificatinumero totale degli esoni reali
Specificità TPTP FP
numero di esoni correttamente identificatinumero di esoni predetti
Gene Finding: Misura dell’accuratezza nella predizione
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
CC TPTN FPFN(TP FP) (TP FN ) (TN FP) (TN FN )
Coefficiente di correlazione
(Parametri calcolati a livello nucleotidico)
Gene Finding: Confronto tra tool di gene predictioon
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Gene Finding: Interfaccia Genscan
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Proteina predetta sulla base della CDS calcolata
Numerazione del Gene e dei suoi elementi
Tipo di elemento riconosciuto
Filamento sul quale viene fatta
la predizione
Inizio, Fine e lunghezza dell’
elemento calcolato
Frame del primo codone dell’elemento
Score del sito Accettore e
Donatore di splicing
Score della coding sequence
calcolata
Probabilità che
l’elemento sia un esone
Score complessivo dell’esone
Gene Finding: Output di Genscan
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Gene Finding: Esempio di uso di GenScan
Dept. of Mathematics and Computer Science - University of Catania – Corso di Bioinformatica – 2006/2007
Eseguire con Genscan la scansione del frammento di genoma di Homo sapiens
>gi|2253431|gb|AF007546.1|AF007546
Utilizzare la proteina predetta da Genscan per fare un BLAST proteico (BLASTP) per vedere a cosa corrisponde la predizione fatta da Genscan.