Changement de repr

1
Changement de représentation et alignement de
séquences.

• Hugues DELALIN

Encadrement E. Mephu Nguifo
2
Plan

1. Présentation
2. Etude comparative des codages des acides aminés
3. Alignement de séquences

3
Présentation

• CRIL Apprentissage symbolique
• Bioinformatique
• E. MEPHU NGUIFO
• H. FU
• H. DELALIN
• Projets Génopole Lille

4
Etude comparative des codages des acides aminés

• Huaiguo FUEncadrement E. MEPHU NGUIFO

5
Codage des Acides Aminés
Huaiguo FU Poster, ECCB02

• Idée Stocker des informations en plus du
  caractère.Ex Alanine A 65 (ASCII)
  01000001
• But Comparer 4 méthodes de représentation
  binaire des acides aminés afin de trouver la
  meilleure représentation possible.

Hyd Cha Pol Sma Ali Aro
Ala 1 0 0 1 0 0
6
Codage des Acides Aminés
Huaiguo FU Poster, ECCB02

• 2 codages basés sur les propriétés
  physico-chimiques des AAs- Dickerson Geis
  (1969)- Sallantin, Marlière Saurin (1984)
• 2 codages obtenus par des méthodes dintelligence
  artificielle (IA)- Gracy Mephu- De la Maza
  (1994)

7
Codage des Acides Aminés
Huaiguo FU Poster, ECCB02

• Méthode de comparaison
• Clusterisation de chaque représentation
  (algorithme Ward )
• Analyse manuelle de chaque cluster.
• Validation grâce à lalgorithme C4.5

8
Codage des Acides Aminés
Huaiguo FU Poster, ECCB02

• Résultats
• Les codages obtenus par apprentissage
  automatique peuvent refléter une certaine réalité
  biologique.
• Ce nest pas forcément les codages basés sur les
  propriétés des AA qui les représentent le mieux.
• Utilisation possible dans différentes applications

9
Alignement de séquences

• Hugues DELALIN
• Encadrement E. MEPHU NGUIFO

10
Alignement de séquences.

• Lobjectif de tels algorithmes est de révéler des
  régions proches.
• Nécessité de mettre en œuvre des procédures de
  calcul et des modèles biologiques afin de
  quantifier la notion de ressemblance entre
  séquences.
• On se base sur le principe de parcimonie.

11
Calcul dun score.

• Score peut mesurer rapprochement ou éloignement.
• Attribution dun score élémentaire pour chaque
  position.

A T G C
A 1 0 0 0
T 0 1 0 0
G 0 0 1 0
C 0 0 0 1
Exemple A T T G C C Score
3 T T G C C C A T T G C C
Score 1 T T G C C C A T T G C C
Score 5 T T G C C C
12
Gestion des gaps.

• Fixe chaque insertion dune base a le même
  coût.
• Affine définition dun coût de création de gap
  et dun coût dextension.
• Variable en fonction de lendroit où on se trouve
  dans la séquence. (Argos et Vingron, 1990)

13
Remarques

• Le score dun alignement dépend de la longueur de
  la zone de similitude que lon considère.
• On peut nuancer le calcul du score en donnant
  plus ou moins dimportance aux pénalités et aux
  associations possibles entre résidus.

14
Matrices de substitution.

• Séquences dADN- coût dun  match  gt 0.-
  coût dun  mismatch  lt 0.
• Séquences protéiques- matrices liées à
  lévolution. (Dayhoff et al., 1978) (PAM)
• (Jones et al., 1992)- matrices liées aux
  caractéristiques physico-chimiques. (Henikoff
  et Henikoff, 1992) (BLOSUM)

15
Needleman Wunsh (1970).
V T E E R D A F
L 2 -2 -3 -3 -3 -4 -2 2
T 0 3 0 0 -1 0 1 -3
S -1 1 0 0 0 0 1 -3
H -2 -1 1 1 2 1 -1 -2
E -2 0 4 4 -1 3 0 -5
A 0 1 0 0 -2 0 2 -4
L 2 -2 -3 -3 -3 -4 -2 2
16
Needleman Wunsh (1970).
V T E E R D A F
L 2 -2 -3 -3 -3 -4 -2 2
T 0 3 0 0 -1 0 1 -3
S -1 1 0 0 0 0 1 -3
H -2 -1 1 1 2 5 1 -2
E -2 0 4 4 -1 7 2 -5
A 0 1 0 0 -2 2 4 -4
L 2 -2 -3 -3 -3 -4 -2 2
17
Needleman Wunsh (1970).
V T E E R D A F
L 2 -2 -3 -3 -3 -4 -2 2
T 0 3 0 0 -1 0 1 -3
S -1 1 0 0 7 0 1 -3
H -2 -1 1 1 2 5 1 -2
E -2 0 4 4 -1 7 2 -5
A 0 1 0 0 -2 2 4 -4
L 2 -2 -3 -3 -3 -4 -2 2
18
Needleman Wunsh (1970).
V T E E R D A F
L 14 7 6 6 4 4 0 2
T 10 12 9 9 6 4 3 -3
S 8 10 9 9 7 4 3 -3
H 6 7 9 8 9 5 1 -2
E 2 4 8 8 3 7 2 -5
A 2 3 2 2 0 2 4 -4
L 2 -2 -3 -3 -3 -4 -2 2
19
Needleman Wunsh (1970).
Résultat VT-EERDAF LTSHE--AL
V T E E R D A F
L 14 7 6 6 4 4 0 2
T 10 12 9 9 6 4 3 -3
S 8 10 9 9 7 4 3 -3
H 6 7 9 8 9 5 1 -2
E 2 4 8 8 3 7 2 -5
A 2 3 2 2 0 2 4 -4
L 2 -2 -3 -3 -3 -4 -2 2
20
Utilisation des représentations binaires.

• On utilise les algorithmes classiques.
• Les scores élémentaires ne sont plus obtenus
  grâce à une matrice de substitution.
• Une opération booléenne entre les représentations
  des 2 acides aminés que lon compare sert de base
  au calcul des scores élémentaires.

21
Choix de lopérateur booléen.

• ET logique si on ne sintéresse quà la présence
  des attributs.
• XOR le OU exclusif si on sintéresse autant à
  labsence quà la présence des attributs.

Exemple A ? 0001 L ? 0011 A ET L? 0001 A XOR
L ? 1101
22
Exemple de résultat

• Algorithme de Smith et Waterman (1981)

• EMBOSS (BLOSUM62)
• Identité 34/173 (19.7)
• Gaps 55/173 (31,8)
• d1qqp1_ 1 TTSAGESADPVT---TTVENY-------GGETQIQRR
  QHTDVSFIMDRFV 40
• .... .. ..
  ..
• d1qqp2_ 22 TTSTTQSSVGVTYGYATAEDFVSGPNTSGLETRVVQ-
  --------AERFF 62

• BINALIGN (Gracy Mephu, 12 attributs)
• Identité 54/221 (24.4)
• Gaps 42/221 (19.0)
• d1qqp1_ 1 TTSAGESADPVT_T__TVENY__GGETQ_IQRRQHTD
  VSFIM_DRFVKVT 43
• ...... . ... ...
  ........... ....
• d1qqp2_ 22 TTSTTQSSVGVTYGYATAEDFVSGPNTSGLETRVVQA
  ERFFKTHLFDWVT 71

23
Perspectives

• Coût en temps dexécution et espace mémoire.
• Mesure de la qualité des alignements obtenus à
  partir de - bases connues (CASA, SCOP)-
  alignements corrigés manuellement.
• Alignement de structures (DSSP).

24
Références

• Hubbard TJ, Ailey B, Brenner SE, Murzin AG,
  Chothia C. SCOP a structural classification of
  proteins database. Nucleic Acids Res. 1999
  27254-256.http//scop.mrc-lmb.cam.ac.uk/scop/
• Kabsch W. Sander C. Dictionary of protein
  secondary structure Pattern recognition of
  hydrogen-bonded and geometrical features,
  Biopolymers. 1983 222577-2637.http//www.sander.
  ebi.ac.uk/dssp/
• Kahsay R, Dongre N, Guang G, Wang G, Dunbrack RL
  Jr. CASA A Server for The Critical Assessment of
  Sequence Alignment Accuracy, Bioinformatics.
  Submitted.http//capb.dbi.udel.edu/casa/