Molekuláris biológiai adatbázisok és adatbázis keresések. Barta Endre Tóth Gábor MBK Bioinformatikai Csoport

Molekuláris biológiai adatbázisok és adatbázis keresések

Barta Endre ― Tóth Gábor MBK Bioinformatikai Csoport

Adatbázisok: megvalósítás

Szöveges adatbázis

általában szekvenciális, néha indexelt megfelelő programmal indexelt bináris formába alakítható (pl. EMBOSS/dbiflat, BLAST/formatdb) „flatfile” – emberi olvasásra is alkalmas XML (eXtensibe Markup Language; DTD: Document Type Definition)

Bináris

adattárolás és adatmegjelenítés különválik számítógépes programmal dolgozandó fel

ASN.1 („Abstract Syntax Notation 1”) – adatcsere szabvány

Relációs adatbázis

keresztreferenciák, logikai kapcsolatok kezelése többszörös indexelhetőség bonyolult lekérdezések lehetősége gyors hozzáférés az adatokhoz adatbáziskezelő program

Molecular phylogenetics

2

XML formátum (példa)


3

Relációs adatbázisok szerkezete

Tábla 1

Mező 1 Mező 2 Mező n

Egy DNS adatbanknál egyszerű, de egy nagyobb adatbanknál sokkal bonyolultabb struktúra

Tábla 2

Mező 3 Mező 4 Mező n


4

Kereszthivatkozások (táblák összekapcsolása)

Tábla 1 (GenBank)

Mező 1 (LOCUS) … Mező n taxid pl. 3702

Több rekord is mutathat ugyanarra a fajra


Tábla 2 (Taxonomy)

Mező 1 (taxid, pl. 3702) … Mező n (fajnév) Arabidopsis thaliana

5

Szekvencia adatbázis szerkezete

Tábla (pl. GenBank)

Rekord 1

(Annotáció)

Mező 1 (pl. Locus) Mező 2 (pl. Definition) Stb.

(Szekvencia)

Å szöveges keresés

Å hasonlóság keresés

Mező n (pl. cgagcatgcatctagtagcagcgtactac)


6

Szöveges keresés adatbázisokban

Flatfile-ban keresés egy szóra, szórészletre

A találat sorát (pl. UNIX grep) és környezetét látjuk csak, holott mi az egész rekordra lennénk kíváncsiak

Megoldás: adatbázismotorok

SQL (Simple Query Language), pl. MS Access, Oracle, MySQL stb.

ENSEMBL, UCSC (MySQL) EMBL, InterPro (Oracle)

Saját motor

ACEDB SRS (icarus)


7

Keresés alapfilozófiája

SQL:

SELECT * (összes olyan rekord) FROM tábla (pl. GenBank) WHERE mező1 CONTAINS/SIMILAR/IDENTICAL (LIKE) valami AND … SORT BY … DISPLAY … stb. Ezeket össze lehet fűzni

Pl. keressük az összes burgonya szekvenciát

SELECT * FROM GenBank WHERE OS=„Solanum tuberosum”


8

Dinamikus weboldalak

Megadjuk, hogy mit akarunk keresni Kiválasztjuk, hogy miben A szerver ezt átalakítja pl. egy SQL paranccsá (sokszor ezt meg is lehet nézni) Az SQL parancsot végrehajtja egy vagy több adatbázison (ezek lehetnek különböző szervereken) A kapott eredményt „on-the-fly” átalakítja és megjeleníti a kliens böngészőn


9

Keresési stratégiák

Megfelelő kulcsszavak kiválasztása Szélesebbtől a szűkebb fele 2 legfontosabb hiba:

Túl sok találat Túl kevés találat

Általában mindegy hogy kisbetű vagy nagybetű Kifejezéseket idézőjelbe Logikai kifejezések használata

a AND b = akkor, ha mindkettő megvan az adott rekordban a OR b = bármelyikben megvan a BUT(AND)NOT b = a benne van, de b nincs

http://www.altavista.com/help/adv_search/syntax


10

Molekuláris biológiai adatbázisok típusai

Elsődleges adatbázisok

DNS (RNS) adatbázisok (International Nucleotide Sequence Database Collaboration)

(pl. térszerkezeti adatbázisok)

Másodlagos v. származtatott adatbázisok

EMBL (European Bioinformatics Institute, EBI) GenBank (National Center for Biotechnology Information, NCBI) DDBJ (DNA DataBank of Japan)

Fehérje adatbankok Motívum adatbankok

Egyéb (nem szekvencia) adatbázisok (Nucleic Acids Res. januári első száma)


11


12


13

Elsődleges adatbázisok

Mi a közös a 3 elsődleges adatbankban?

International Nucleotide Sequence Database Collaboration

adatcsere naponta taxonómia projekt azonos „accession number” közös „feature table”

Elég eggyel foglalkozni, főbb adatokban nincs különbség Eltérő adatbázis-szerkezet/formátum formátumkonverzió: pl. readseq (UNIX), seqret (EMBOSS), ForCon (Windows)


14

Adatbázisok története – Honnan jönnek az adatok?

Irodalomban közölt adatok kézi bevitele Papíron beküldött szekvenciák (pl. GCG-ben „Submission form”) Csak akkor fogadták el a cikket, ha a benne lévő szekvenciát már beküldték valamelyik adatbankba, innentől adatbankok szinkronizálása

Floppy Internet (WWW, e-mail)

egyedileg a kutatók által nagyobb adagokban a szekvenáló központokból


15

Adatbázisok és a tárolókapacitás növekedése (MBK vs. EMBL)

1990: MicroVax szerver

1993: SUN SparcServer 1000

8x 512 Mbyte HDD – 150 Mbp

1997: SUN Ultra Enterprise II

2x 160 Mbyte HDD – 50 Mbp

4x 9 Gbyte HDD – 1 Gbp

2002: SUN Fire V480 8x 180Gbyte HDD – 38 Gbp Szekvencia + annotáció + index: ~140 Gbyte (2004)


16


17

Adatbázisok exponenciális növekedése EMBL: rekordok száma (millió)


EMBL: nukleotidok száma (gigabázis)

18

Adatbázisok szerkezete

Úgynevezett „flatfile” formátum

EMBL: 64,8 Gb – 38,3 millió rekord (2004.04.15.) (WGS szekcióval együtt)

GenBank Release 140 (2004. február) 32,6 millió szekvencia 37,9 milliárd nukleotid (37,9 gigabázis) ~127 Gbyte (indexekkel együtt ~143 GByte)

Szekciók/divíziók

Rendszertani kategóriák alapján De inkább ahogy történelmileg alakult

Rekordok (vagy „entry”-k) Mezők

Annotáció Szekvencia


19

EMBL szekciók

Eredeti felosztás: Pl. 1989-ben vírusok, prokarióták, eukarióták stb.

Release 18, february 1989 Division Entries ---------------- ------Artificial 509 Chloroplast 278 Genetic elements 92 Mitochondrial 584 Prokaryotic 2576 Viral/Phage 2443 Eukaryotic 13417 Unclassified 46 Unannotated 2993 ---------------- ------Total 22938

Nucleotides ----------195102 636203 102768 661670 415673 3722036 15100242 70092 3346044 ----------27249830

Nagy mennyiségű szekvenálás → újabb szekciók bevezetése (pl. EST, HTG, GSS stb.), valamint egyes szekciók felosztása vált szükségessé


20

Főbb EMBL szekciók I.

EST: „expressed sequence tag” (cDNS részl. szekv.) STS: „sequence tagged site” (PCR) GSS: „genome survey sequences” (random genomi) HTG: „high throughput genomic” (unfinished) WGS: „whole genome shotgun” PLN: növények FUN: gombák PRO: prokarióta ORG: organellum VRL: vírus PHG: bakteriofág PAT: szabadalommal védett SYN: szintetikus


21

Főbb EMBL szekciók II.

HUM: humán MUS: egér ROD: egyéb rágcsáló MAM: egyéb emlős VRT: egyéb gerinces INV: gerinctelen


22

Különböző EMBL szekciók mérete EMBL Release 78

EST →

HTG →


23

EMBL: megoszlás fajok szerint (első 10) Nukleotidok száma: ecetmuslica egyéb

kutya ember

csimpánz patkány

egér


24

Egy EMBL rekord (részlet) ID XX AC XX SV XX DT DT XX DE XX KW XX OS OC OC XX RN RP RX RX RA RT RL XX DR DR XX FH FH FT FT FT FT FT FT

HSCYCLOX

standard; mRNA; HUM; 3387 BP.

M90100; M90100.1 30-MAR-1992 (Rel. 31, Created) 04-MAR-2000 (Rel. 63, Last updated, Version 7) Homo sapiens cyclooxygenase-2 (Cox-2) mRNA, complete cds. cyclooxygenase-2; prostaglandin synthase. Homo sapiens (human) Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi; Mammalia; Eutheria; Primates; Catarrhini; Hominidae; Homo. [1] 1-3387 MEDLINE; 92366465. PUBMED; 1380156. Hla T., Neilson K.; "Human cyclooxygenase-2 cDNA"; Proc. Natl. Acad. Sci. U.S.A. 89(16):7384-7388(1992). GOA; P35354. SWISS-PROT; P35354; PGH2_HUMAN. Key

Location/Qualifiers

source

1..3387 /db_xref="taxon:9606" /mol_type="mRNA" /organism="Homo sapiens" /cell_type="endothelial" /tissue_type="umbilical vein"


25

Egy EMBL rekord (folytatás) FT FT FT FT FT FT FT FT FT FT FT FT FT FT FT FT FT FT FT FT FT FT FT FT FT XX SQ

5'UTR CDS

sig_peptide mat_peptide

3'UTR polyA_signal

1..97 /gene="Cox-2" 98..1912 /codon_start=1 /db_xref="GOA:P35354" /db_xref="SWISS-PROT:P35354" /gene="Cox-2" /EC_number="1.14.99.1" /product="cyclooxygenase-2" /protein_id="AAA58433.1" /translation="MLARALLLCAVLALSHTANPCCSHPCQNRGVCMSVGFDQYKCDCT RTGFYGENCSTPEFLTRIKLFLKPTPNTVHYILTHFKGFWNVVNNIPFLRNAIMSYVLT ... KGLMGNVICSPAYWKPSTFGGEVGFQIINTASIQSLICNNVKGCPFTSFSVPDPELIKT VTINASSSRSGLDDINPTVLLKERSTEL" 98..148 /gene="Cox-2" 149..1909 /gene="Cox-2" /EC_number="1.14.99.1" /product="cyclooxygenase-2" 1913..3387 /gene="Cox-2" 3369..3374 /gene="Cox-2"

Sequence 3387 BP; 1010 A; 712 C; gtccaggaac tcctcagcag cgcctccttc aagcctaccc ccgcgccgcg ccctgcccgc ... tacctgaact tttgcaagtt ttcaggtaaa ttaagaagat taaaaaaaaa aaaaaag

633 G; 1032 T; 0 other; agctccacag ccagacgccc tcagacagca cgctgcgatg ctcgcccgcg ccctgctgct cctcagctca ggactgctat ttagctcctc

60 120 3360 3387

//


26

Főbb mezők az EMBL adatbankban

ID

AC SV DT DE KW O? R? DR CC FT XX SQ //

egyedi azonosító, (entryname dataclass; molecule; division; sequencelength BP.) accession number, változatlan, erre kell hivatkozni szekvencia verzió létrehozás, módosítás ideje description, a szekvencia rövid leírása kulcsszavak teljes taxonómiai besorolás referenciák adatbázis keresztreferenciák megjegyzések feature table: a szekvencia egy-egy részének a tulajdonsága üres, csak térkitöltő szekvencia rekord vége


27

Annotáció: EMBL vs. GenBank

EMBL:

ID – egyedi azonosító

GenBank:

LOCUS – kihalóban? formátum miatt marad

AC – egyedi azonosító!

= GenBank ACCESSION

SV – entry verzió (volt: NI)

ACCESSION – egyedi! = EMBL AC

VERSION – entry verzió* GI = EMBL NI

DE – rövid leírás OS – faj OC – taxonómiai besorolás FT – „feature table”:

tulajdonság/pozíció

FT CDS – kódoló szekvencia (PID)


DEFINITION – rövid leírás SOURCE – faj triviális neve ORGANISM – faj, taxonómia FEATURES – „feature table” tulajdonság/pozíció

CDS – kódoló szekvencia

/protein_id /db_xref – tr. fehérje GI No. * Accession.Version GI: NCBI belső azonosító (ld. BLAST DB)

28

Egy GenBank rekord (részlet) LOCUS DEFINITION ACCESSION VERSION KEYWORDS SOURCE ORGANISM

HUMCYCLOX 3387 bp mRNA linear PRI 31-DEC-1994 Homo sapiens cyclooxygenase-2 (Cox-2) mRNA, complete cds. M90100 M90100.1 GI:181253 cyclooxygenase-2; prostaglandin synthase. Homo sapiens (human) Homo sapiens Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi; Mammalia; Eutheria; Primates; Catarrhini; Hominidae; Homo. REFERENCE 1 (bases 1 to 3387) AUTHORS Hla,T. and Neilson,K. TITLE Human cyclooxygenase-2 cDNA JOURNAL Proc. Natl. Acad. Sci. U.S.A. 89 (16), 7384-7388 (1992) MEDLINE 92366465 PUBMED 1380156 COMMENT Original source text: Homo sapiens umbilical vein cDNA to mRNA. FEATURES Location/Qualifiers source 1..3387 /organism="Homo sapiens" /mol_type="mRNA" /db_xref="taxon:9606" /cell_type="endothelial" /tissue_type="umbilical vein" gene 1..3387 /gene="Cox-2" 5'UTR 1..97 /gene="Cox-2"


29

Egy GenBank rekord (folytatás) CDS

98..1912 /gene="Cox-2" /EC_number="1.14.99.1" /codon_start=1 /product="cyclooxygenase-2" /protein_id="AAA58433.1" /db_xref="GI:181254" /translation="MLARALLLCAVLALSHTANPCCSHPCQNRGVCMSVGFDQYKCDC TRTGFYGENCSTPEFLTRIKLFLKPTPNTVHYILTHFKGFWNVVNNIPFLRNAIMSYV ... VEVGAPFSLKGLMGNVICSPAYWKPSTFGGEVGFQIINTASIQSLICNNVKGCPFTSF SVPDPELIKTVTINASSSRSGLDDINPTVLLKERSTEL" sig_peptide 98..148 /gene="Cox-2" mat_peptide 149..1909 /gene="Cox-2" /product="cyclooxygenase-2" /EC_number="1.14.99.1" 3'UTR 1913..3387 /gene="Cox-2" polyA_signal 3369..3374 /gene="Cox-2" BASE COUNT 1010 a 712 c 633 g 1032 t ORIGIN 1 gtccaggaac tcctcagcag cgcctccttc agctccacag ccagacgccc tcagacagca 61 aagcctaccc ccgcgccgcg ccctgcccgc cgctgcgatg ctcgcccgcg ccctgctgct ... 3301 tacctgaact tttgcaagtt ttcaggtaaa cctcagctca ggactgctat ttagctcctc 3361 ttaagaagat taaaaaaaaa aaaaaag //


30

EMBL adatbázis fejlődése

EMBL Sequence Version Archive http://www.ebi.ac.uk/cgi-bin/sva/sva.pl Nem csak az adatok, hanem az adatbázis szerkezete is folyamatosan változik

elsősorban a „feature table” új keresztreferenciák más adatbázisokkal


31

Szekvencia-beküldés az adatbankokba

EMBL: WEBin

GenBank: BankIt

(http://www.ebi.ac.uk/submission/webin.html) (http://www.ncbi.nlm.nih.gov/BankIt/index.html)

EMBL/GenBank: Sequin (lokálisan futó PC-s program)

(ftp://ftp.ebi.ac.uk/pub/software/sequin/)


32

WEBIN


33


34

Fehérjeszekvencia adatbázisok I.

Swiss-Prot

Kollaborációban készíti a SIB és az EBI Protein tudásbázis (ExPASy = Expert Protein Analysis System) Legjobban annotált adatbázis (kézi annotáció) Jó keresztreferenciák Non-profit kutatóknak ingyenes EMBL-hez hasonló adatbázis-szerkezet Szekvenciák lassú megjelenése

TrEMBL

Translated EMBL Automatikusan annotált SP-TrEMBL és REM-TrEMBL


35

Fehérjeszekvencia adatbázisok II.

PIR (Protein Identification Resource)

PIR-PSD Formátum: NBRF/PIR Kézi annotáció Keresztreferenciák (SWISS-PROT jobb!) Szupercsalád-besorolás 4 szekció: PIR1, PIR2, PIR3, PIR4 (legjobban annotált: PIR1) Megszűnik → beolvadt az UniProt adatbázisba

Genpept

Lefordított GenBank CDS-ek (NCBI) Mint TrEMBL


36

Fehérjeszekvencia adatbázisok III.

Universal Protein Resource (UniProt)

Az EBI/SIB Swiss-Prot + TrEMBL és a PIR-PSD egyesítésével létrehozott adatbank EBI + SIB + PIR → UniProt Consortium (2002) Három adatbázisréteg:

UniProt tudásbázis: két rész

UniProt Archive (UniParc) — az összes publikus fehérjeszekvencia (nem redundáns) UniProt Knowledgebase (UniProt) — megbízhatóan, konzisztensen és gazdagon annotált központi fehérjeszekvencia-adatbázis UniProt Non-redundant Reference (UniRef) — kondenzált szekvenciakészlet kézzel annotált rekordok: Swiss-Prot (2004 végéig licenszköteles) számítógéppel elemzett rekordok (kézi annotáció előtt): TrEMBL

UniRef

UniRef100 (=UniProt), UniRef90, UniRef50


37

Egy UniProt (Swiss-Prot) rekord ID AC DT DT DT DE DE GN OS OC OC OX RN RP RA RA RT RL DR DR DR DR DR DR DR DR DR DR FT SQ

AHA1_HUMAN STANDARD; PRT; 338 AA. O95433; Q96IL6; Q9P060; 16-OCT-2001 (Rel. 40, Created) 16-OCT-2001 (Rel. 40, Last sequence update) 15-SEP-2003 (Rel. 42, Last annotation update) Activator of 90 kDa heat shock protein ATPase homolog 1 (AHA1) (p38) (HSPC322). AHSA1 OR C14ORF3. Homo sapiens (Human). Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi; Mammalia; Eutheria; Primates; Catarrhini; Hominidae; Homo. NCBI_TaxID=9606; [1] SEQUENCE FROM N.A. Michaud J., Chrast R., Rossier C., Papassavas M.P., Antonarakis S.E., Scott H.S.; "Isolation of a novel gene underexpressed in Down syndrome."; Submitted (JUN-1999) to the EMBL/GenBank/DDBJ databases. EMBL; AF111168; AAD09623.1; -. EMBL; AJ243310; CAB45684.1; -. EMBL; AF164791; AAF80755.1; -. EMBL; BC000321; AAH00321.1; -. EMBL; BC007398; AAH07398.1; ALT_INIT. EMBL; AF161440; AAF29000.1; -. PIR; JC7769; JC7769. Genew; HGNC:1189; AHSA1. InterPro; IPR007821; DUF704. Pfam; PF05146; DUF704; 1. CONFLICT 67 68 EA -> CL (IN REF. 4). SEQUENCE 338 AA; 38274 MW; E6B686DDD8D7D729 CRC64; MAKWGEGDPR WIVEERADAT NVNNWHWTER DASNWSTDKL KTLFLAVQVQ NEEGKCEVTE VSKLDGEASI NNRKGKLIFF YEWSVKLNWT GTSKSGVQYK GHVEIPNLSD ENSVDEVEIS VSLAKDEPDT NLVALMKEEG VKLLREAMGI YISTLKTEFT QGMILPTMNG ESVDPVGQPA LKTEERKAKP APSKTQARPV GVKIPTCKIT LKETFLTSPE ELYRVFTTQE LVQAFTHAPA TLEADRGGKF HMVDGNVSGE FTDLVPEKHI VMKWRFKSWP EGHFATITLT FIDKNGETEL CMEGRGIPAP EEERTRQGWQ RYYFEGIKQT FGYGARLF

//


38

„Nem redundáns” adatbázisok

NCBI NRDB

OWL (http://www.bioinf.man.ac.uk/dbbrowser/OWL/)

összetett, nem redundáns fehérje adatbázis egyetlen aminosavban eltérő szekvenciák közül csak 1 marad prioritási sorrend: SWISS-PROT, PIR1-PIR4, GenPept, NRL-3D

NCBI UniGene

egyesített GenPept, PDB szekvenciák, SWISS-PROT, PIR nem azonos (!) fehérjék (polimorfizmus és szekvenálási hibák miatt redundáns) nr: indexelt BLAST formátumban letölthető

egyedi gének átfedő EST-k klaszterezésével 10 állat: pl. humán, egér, patkány, szarvasmarha, béka, zebrahal 7 növény: pl. rizs, búza, árpa, kukorica

TIGR TC (Tentative Consensus)

klaszterezett és összefűzött EST-szekvenciák


39


40

http://www.tigr.org/


41


42

Fehérje-mintázat, -motívum és profil-adatbázisok ADATBÁZIS

VERZIÓ

REKORDOK

Swiss-Prot

42.5

138922

PRINTS

37.0

1850

TrEMBL

25.5

1013263

Pfam

11.0

7255

PROSITE patterns

18.10

1659

PROSITE preprofiles

N/A

131

ProDom

2002.1

1021

InterPro

7.1

10403

Smart

3.4

654

TIGRFAMs

3.0

1977

PIR SuperFamily

2.3

219

SUPERFAMILY

1.63

552


INTERPRO adatbázis 2003. dec.

43

Az INTERPRO adatbázis generálása


44

PROSITE adatbank

Protein családok és domének adatbázisa Biológiailag szignifikáns:

Helyek Mintázatok Profilok

Ezek alapján lehet eldönteni, hogy egy adott fehérje milyen csoportba tartozik

http://www.expasy.ch/prosite/


45

Pfam (Protein families database of alignments and HMMs)

Gyűjteménye a:

Többszörös illesztéseknek, és a Hidden Markov modelleknek

A legtöbb protein domént tartalmazza Pfam-A: Kurátorok által annotált domének Pfam-B: Automatikusan generált domének Fehérjék doménszerkezetének vizsgálata http://www.sanger.ac.uk/Software/Pfam/in dex.shtml


46

PRINTS adatbázis

Protein „fingerprint”-ek gyűjteménye „fingerprint” = konzerválódott motívumok csoportja UNIPROT-ból nyerik ki http://www.bioinf.man.ac.uk/dbbrowser/P RINTS/


47

PRODOM protein domén adatbázis

Automatikus keresése a homológ doméneknek Módszer: rekurzív PSI-BLAST http://prodes.toulouse.inra.fr/prodom/curr ent/html/home.php


48

SMART (Simple Modular Architecture Research Tool)

Genetikailag „mozgó” domének vizsgálata Domén felépítés vizsgálata Több mint 500 domén részletes annotációja http://smart.embl-heidelberg.de/


49

TIGRFAM

Protein családok gyűjteménye Többszörös illesztések Funkcionálisan rokon fehérjék azonosítása http://www.tigr.org/TIGRFAMs/index.sht ml


50

PIR SuperFamily (PIRSF)

Klasszifikációs rendszer A fehérjék teljes aminosav sorrendjének az evolúciós elemzésén alapul A családok tagjai monofiletikusak és homeomorfak http://pir.georgetown.edu/iproclass/


51

SUPERFAMILY

Ismert szerkezetű fehérjék Hidden Markov Model profilok A SCOP adatbázisban alkalmazott szerkezeti osztályozáson alapul http://supfam.mrclmb.cam.ac.uk/SUPERFAMILY/


52

Evolúciós adatbázisok I., Tree of Life

Biológusok közös erőfeszítése egy teljes törzsfa kialakítására

http://tolweb.org/tree/


53

Evolúciós adatbázisok I., Treebase

Filogenetikai kapcsolatok adatbázisa Adatokat a kutatók küldik be

http://www.treebase.org/ treebase/index.html


54

3-D fehérjetérszerkezeti adatbázisok

PDB (Protein Data Bank)

MMDB

EBI: http://www.ebi.ac.uk/pdb/

SCOP

NCBI: http://www.ncbi.nlm.nih.gov/Structure/MMDB/mmdb.shtml fehérje és nukleinsav; PDB egy része (elméleti modellek nélkül)

EBI-MSD (~PDB)

Research Collaboratory for Structural Bioinformatics, USA http://www.rcsb.org/pdb/ kísérletesen meghatározott szerkezetek (röntgendiffrakció, NMR, MRI)

3-D szerkezetek hierarchikus osztályozása 4 szint: osztályok, gombolyok, szupercsaládok, családok)

CATH


55

Genomi adatbázisok I.

NCBI

159 baktérium- és archeon genom (néhány fajból több törzs) 7 gomba, 10 egyéb eukarióta

COGs (Clusters of Orthologous Groups)

http://www.ncbi.nlm.nih.gov/COG/ teljes eubaktérium és archeon, valamint élesztő genomok (jelenleg 43 teljes genom, 30 fő filogenetikai vonalból)

ortológ gének csoportjai (fehérje-BLAST alapján) legalább 3 fajban előforduló nagyon hasonló fehérjék

COGnitor program felhasználás:

funkciópredikció egy adott genomból hiányzó konzervált COG - annotálatlan gén detektálása


56


57


58


59

Genomi adatbázisok II.

ENSEMBL

http://www.ensembl.org/ (Sanger Institute, EBI) integrált genom annotációs rendszer automatikus genomannotációs „csövezeték” genom böngésző szabad szoftver (MySQL motor) eredetileg humán annotációra fejlesztették most: humán, (csimpánz), egér, patkány, (tyúk), zebrahal, fugu, moszkító, ecetmuslica, C. elegans, C. briggsae


60

http://www.ensembl.org/ Molecular phylogenetics

61

Kontig nézet


62

UCSC genom böngésző

http://genome.ucsc.edu/ ENSEMBL amerikai alternatívája Néha frissebb az annotáció Kevesebb szervezet Új géncsalád böngésző


63

UCSC Genome Browser (példa)


64

Gén-ontológia (GO)

The Gene Ontology Consortium http://www.geneontology.org/ bármely élő szervezetben megtalálható géntermék leírására hierarchikus besorolás egységes terminológia 3-féle ontológia:

molekuláris funkció biológiai folyamat sejtalkotórész

online: pl. Mouse Genome Initiative GO Browser http://www.informatics.jax.org/go/

GOA


65


66


67

NCBI adatbázisok

LocusLink / RefSeq / Entrez Gene

LocusLink: kiindulópont egy genetikai lókusz (pl. gén) egyedi azonosító: LocusID kapcsolt információ: pl. fenotípus, térképpozíció, homológ gének RefSeq: egyedi gének (nem redundáns) – mRNS és fehérje szekvenciák humán, egér, patkány, szarvasmarha, zebrahal, ecetmuslica

Taxonomy taxonómiai adatbázis

OMIM (Online Mendelian Inheritance in Man) humán gének és genetikai betegségek

PubMed (bibliográfiai adatbázis)

magában foglalja a MEDLINE adatbázist azonosító: PMID (PubMed identifier), MUID (MEDLINE unique identifier)

http://www.ncbi.nlm.nih.org/


68

Keresés az annotációkban I. NCBI

Bármilyen adatbázisrekord

(Annotáció)


(Szekvencia)





69

Integrált információkeresés I.

NCBI Entrez

NCBI (National Center of Biotechnology Information, Bethesda, USA) → http://www.ncbi.nlm.nih.gov/Entrez/ >20 részadatbázis


70


71


72


73


74


75


76


77


78


79


80

Keresés az annotációkban II. SRS


(Annotáció)


(Szekvencia)





81

Sequence Retrieval System (SRS) Adatbázis indexelő és kereső rendszer Thure Etzold kezdte el fejleszteni a 90-es évek elején Heidelbergben az EMBL-ben 1996-tól az EBI-ben 1999-től a Lion Biosciences-ben közösen az EBIvel

5.1-es verzió szabad (de a legújabb adatbázisokkal már nehéz használni)

6.0-ás verziótól akadémiai liszenszet lehet kérni 7.0-ás verziótól EMBOSS integrálva van http://srs.ebi.ac.uk/ és helyileg: http://bioinfosv/srs6/


82

Mire jó az SRS?

Keresés mindenfajta adatbázis annotációban Szekvenciák letöltése

egy faj, vagy egy adott taxonómiai egységhez tartozó szekvenciák egy adott annotált tulajdonsághoz tartozó szekvenciák (pl. intronok, domének) adott szekvenciákhoz tartozó referenciák keresése legmegfelelőbb adatbázis keresése


83

Segítség az SRS használatához

Lehet keresni a dokumentációban (természetesen az is egy adatbázis) Meglehet nézni on-line vagy le lehet tölteni PDF formátumban a teljes dokumentációt Legfontosabb az „SRS User Guide” SRS-t lehet Linux alá is telepíteni, ilyenkor az „SRS Administrators Guide” ad segítséget Természetesen minden oldalról van link


84

Mit lehet keresni az SRS segítségével?

Az összes adatbázis összes mezőjében bármilyen szöveget

ID, Elérési szám (accession number) Definíció Organizmus Szekvenciához kapcsolódó referencia Feature (pl. domén, kötőhely stb.)


85

Hogyan működik az SRS? Az adatbázis felbontása rekordokra és mezőkre ID TRBG361 standard; mRNA; PLN; 1859 BP. AC X56734; S46826; SV X56734.1 DT 12-SEP-1991 (Rel. 29, Created) DT 15-MAR-1999 (Rel. 59, Last updated, Version 9) DE Trifolium repens mRNA for noncyanogenic beta-glucosidase KW beta-glucosidase.


86

Adatbázis felbontása rekordokra és mezőkre


87

Indexelés


88

SRS kezdőoldal — http://srs.ebi.ac.uk/


89

Keresés a szekvenciákban


(Annotáció)


(Szekvencia)





90

Hasonlósági keresések adatbázisokban

Optimális illesztéssel: nagyon időigényes, csak célhardveren

Sokprocesszoros számítógép vagy számítógép-klaszter, párhuzamos processzálás Erre a célra fejlesztett chip

„Heurisztikus” algoritmusok használata

Bizonyos elhanyagolásokkal, gyakran tapasztalati úton beállított algoritmusok, paraméterek és statisztika Sok tesztfuttatással igazolt használhatóság Sebességnövekedés bizonyos fokú érzékenységvesztés árán

FASTA (W. Pearson fejlesztette) BLAST (az NCBI-nál fejlesztik; S. Altschul), PSI-BLAST


91

FASTA

FASTA2 és FASTA3 (Lipman és Pearson, 1985; Pearson és Lipman, 1988; Pearson, 2000)

FASTA3 programcsomag (ftp://ftp.virginia.edu/pub/fasta) Rövid (10 nukleotidnyi) keresőszekvenciák is használhatók A keresés időigénye nagyban függ az alkalmazott k-tuple értéktől


92

(1) a kereső („query”) és az adatbázisszekvencia között közös „szavak” (ktuple) keresése

database sequence

database sequence

FASTA algoritmus

query sequence


(2) az azonos átlón található „szavak” összefűzése és pontozása a helyettesítési mátrix-szal

query sequence 10 legjobb szegmens: Init1 score

93

FASTA algoritmus (3) eltérő, de egy bizonyos eltoláson belüli „átlók” egyesítése és pontozása (helyettesítési mátrix + hézagbüntetések)

(4) optimális lokális illesztés egy sávban (S-W alg.)

database sequence

database sequence

query sequence: Initn score


query sequence: Opt score

94

A FASTA3 csomag programjai


95

Mikor melyik programot használjuk?


96

FASTA a weben

WWW:

http://www.ebi.ac.uk/fasta33/ (EBI) http://bioweb.pasteur.fr/seqanal/interfaces/fasta.html (Institut Pasteur)


97

BLAST

BLAST (http://www.ncbi.nlm.nih.gov/BLAST/)

a leggyorsabb, helyben is futtatható (pl. blastp Linux PC-n is hamar lefut) gyors, lokális illesztéseket végez szekvenciaillesztésre optimalizált, nem motívumkeresésre statisztikai módszerek alkalmazásával becsüli a találatok szignifikanciáját NCBI-BLAST két verziója:

1.0-1.4 (régi, nem enged hézagokat), 2.0-2.2 (új, hézagokat enged: „gapped BLAST”)

WU-BLAST 2.0

Warren Gish (Washington University) implementációja (hézagokat enged)


98

BLAST algoritmus (Altschul et al., 1990, 1997) (1) W hosszúságú szavakból „szomszédos szó” lista generálása L hosszúságú kereső szekvencia Maximum L-W+1 szó (w~3 fehérjékre) Mátrix használata (PAM vagy BLOSUM, stb.) → szó-lista ≥ T (threshold) pontértékű szavakból (2) Szavak ↔ adatbázis: tökéletes egyezések keresése adatbázis-szekvenciák tökéletes egyezések (3) Találatok kiterjesztése és a legjobb lokális illesztés megkeresése: HSP-k ≥ S pontértékkel kereső szekv.: adatbázis szekv.:

X

EGDCVFDGMIGSDQGSL E C+ +G G+D GS+ EAGCLQNGQRGTDVGSV

G S D Q G S L R F D G F D V E C D G T D V G S V M D E I P N D F E C 6 1 6-2 6 4 2-1-3 2-4-4 1-3-3-4-5


99

BLAST algoritmus és statisztika

A keresés lépései:

W hosszúságú szavak („word”) keresése találatok pontozása szubsztitúciós mátrix használatával nagy pontértékű találatok kiválasztása: HSP-k („High scoring Segment Pairs”) HSP-k kiterjesztése mindkét irányban (szubsztitúciós mátrix használatával), amíg a szekvencia el nem fogy, vagy az egyezés már nem szignifikáns végeredmény: MSP-k („Maximal scoring Segment Pairs”)

Statisztikai szignifikanciabecslés:

E érték: hasonló vagy nagyobb pontértékű találat véletlen előfordulásának várható száma; minél kisebb, annál jobb.


100

BLAST programok

NCBI BLAST lokális futtatásánál a –p opcióval kell megadni, pl.: blastall –p blastp


101

NCBI BLAST

Paraméterek:

W (-W opció): blastn alapértelmezés: 11 (kompromisszum: szinte minden véletlen illeszkedést kizár, de divergált homológokét is) szűrés (-F opció): kis komplexitású régiók N-ekre vagy X-ekre cserélése a keresőszekvenciában; alapértelmezés: igen (T); blastn: DUST, többi: SEG és/vagy XNU; pontosabban is specifikálható (pl. szűrés csak a szó-lista létrehozásánál) opció: nem (F) szubsztitúciós mátrix (-M opció): BLOSUM45, BLOSUM62, BLOSUM80, PAM30, PAM70 E-határérték („expected score threshold”) (-e opció); alapértelmezés: 10 blastn: egyező (M) és nem egyező (N) nukleotidok pontszámának aránya; alapértelmezés: M = 5, N = -4 (|M/N| = 1.25; ~47 nukleotid PAM); minél nagyobb az arány, annál távolabbi szekvenciákat talál meg


102

BLAST programok

WWW:

NCBI-BLAST: http://www.ncbi.nlm.nih.gov/BLAST (NCBI)

http://www.ebi.ac.uk/blastall/ (EBI)

WU-BLAST:

http://www.ebi.ac.uk/blast2/ (EBI) http://bioweb.pasteur.fr/seqanal/interfaces/wublast2.html (Institute Pasteur) (és sok más helyen, gyakran speciális adatbázisokkal, pl. fajok szerint)

Lokálisan futtatható:

blastall FASTA formátumú adatbázis formázása és indexelése: formatdb -i nr -o T BLAST keresés: blastall -p blastp -d nr -i query.fasta –o \ out.query


103

Potenciális „műtermékek”, fals pozitívok

Forrásai:

Kis komplexitású régiók Repetitív elemek

„Figyelmeztető” találatok (pl. Alu szekvencia)

Vektor-szennyezés

Megoldás: keresőszekvencia „maszkolása”, szűrése

Kis összetételi komplexitású régiók:

BLAST-ba beépítve: seg ill. xnu (aminosav), dust (nukleotid)

kis komplexitású régiók, mikroszatellitek maszkolása

Mikroszatellitek (SSR):

Sputnik (http://abajian.net/sputnik/)

mikroszatellitek (SSR) azonosítása; Windows, UNIX

TRF (Tandem Repeat Finder)

mikroszatellitek (SSR) azonosítása; Windows, UNIX


104

Kis komplexitású régiók szűrése

SEG (fehérjékre) HILCDEVNEGDEENEDFLPS HILCXXXXXXXXXXXXFLPS

DUST (nukleinsavakra) GCTCAAAAAATAAAAACACG GCTCNNNNNNNNNNNNCACG


105

Elszórtan ismétlődő DNS-szekvenciák maszkolása

RepeatMasker (http://repeatmasker.genome.washington.edu/) (A. Smit & Phil Green)

elszórtan ismétlődő szekvenciák és egyszerű ismétlődések azonosítása DNS-szekvenciákban, maszkolás („hard masking”: X, „soft masking”: nagybetűk → kisbetűk); WWW (http://repeatmasker.genome.washington.edu/cgibin/RepeatMasker), UNIX

Censor szerver (Genetic Information Research Institute, http://www.girinst.org/) (J. Jurka)

elszórtan ismétlődő szekvenciák és egyszerű ismétlődések azonosítása DNS-szekvenciákban, maszkolás WWW (http://www.girinst.org/Censor_Server.html), e-mail szerver ([email protected]) Repbase Update: repetitív szekvencia adatbázis (RepeatMasker is ezt használja)


106

Távoli hasonlóságok keresése: PSI-BLAST

Pozícióspecifikus pontozómátrixok (PSSM)

„Position-Specific Scoring Matrix” Más elnevezések: rejtett Markov modell (HMM), profil, motívum Készítése: pl. a HMMER programcsomaggal, „többszörös szekvenciaillesztés”-ből. PSSM automatikus generálása + iteratív keresések: PSI-BLAST („Position-Specific Iterated BLAST”)


107

PSI-BLAST

„Position-Specific Iterated BLAST”

PSSM készítése és finomítása a keresőszekvenciánkból és az ahhoz hasonló adatbázis-szekvenciákból automatizált iteratív módon. Keresés az így előállított profilokkal a fehérjeszekvenciaadatbázisban Távoli hasonlóságok detektálhatók VIGYÁZAT! Nagyon könnyű fals pozitívokat kapni! Amint egy nem-rokon szekvencia bekerül a profilkészítéshez használt illesztésbe, az ő rokonait is összeszedi a következő körben. Ne az egész fehérjeszekvenciával keressünk, különösen, ha egy gyakori domént tartalmaz, mert ez a domén dominálhat a keresésben.


108

Molekuláris biológiai adatbázisok és adatbázis keresések. Barta Endre Tóth Gábor MBK Bioinformatikai Csoport

Recommend Documents