Banco de Dados Biol

1
Banco de Dados Biológicos

• Marcílio C. P. de Souto
• DIMAp/UFRN

2
Banco de Dados (BD) Biológicos

• Por que?
• Disponibilizar dados biológicos para os
  cientistas
• O máximo possível de um tipo particular de
  informação deveria estar disponível em um único
  lugar
• Dados publicados podem ser difíceis de encontrar
  ou acessar
• Coleta-los da literatura consume muito tempo
• Disponibilizar dados em formato que possa ser
  lido por um computador

3
BD de Seqüências

• Há uma quantidade gigantesca de informação sobre
  biomoléculas em BD públicos
• Mais de 348 BD
• BD de seqüências de nucleotídeos
• EMBL (http//www.ebi.ac.uk/embl)
• GenBank (http//www.ncbi.nlm.nih.gov/GenBank)
• DDBJ (http//www.ddbj.nig.ac.jp)
• UniGene (http//www.ncbi.nlm.nih.gov/UniGene)
• BD de seqüências de proteínas
• SWISS-PROT, TrEMBL (http//www.expansy.ch/sprot)
• PIR (http//pir.georgetown.edu)
• BD de motivos
• Pfam (http//www.sanger.ac.uk/Software/Pfam)
• PROSITE (http//www.expansy.ch/prosite)
• BD de estruturas macromoleculares 3D
• PDB (http//www.rcsb.org/pdb)

4
Usos de BD de Seqüências

• O que se pode descobrir sobre um gene por meio de
  uma busca a um BD?
• Informação evolutiva genes homólogos,
  freqüências dos alelos, ...
• Informação genômica localização no cromossomo,
  intros, UTRs, regiões reguladoras, ...
• Informação estrutural estruturas da proteína
  correspondente, tipos de folds, domínios
  estruturais, ...
• Informação de expressão expressão específica a
  um dado tecido, fenótipos, doenças, ...
• Informação funcional função molecular/enzimática,
  papel em diferentes rotas, papel em doenças, ...

5
Busca de Informação

• Busca de informação sobre genes e produtos
  gênicos
• Gene e produtos gênicos são geralmente
  organizados por seqüência
• Seqüências genômicas codificam todas
  características de um organismo
• Produtos gênicos são descritos unicamente por sua
  seqüência
• Seqüências similares entre biomoléculas indica
  tanto uma função similar quanto um relacionamento
  evolutivo
• Seqüências de macromoléculas proporciona chaves
  biologicamente significativas para busca em BD

6
Busca em BD de Seqüências

• Comece com uma seqüência, encontre informação
  sobre ela
• Muitos tipos de seqüências de entrada
• Pode ser uma seqüência de aminoácido ou de
  nucleotídeo
• Genômica, cDNA/mRNA, proteína
• Completa ou fragmentada
• Matches exatos são raros
• Em geral, o objetivo é recuperar um conjunto de
  seqüências similares

7
Busca em BD de Seqüências

• O que queremos saber sobre a seqüência?
• Ela é similar ao algum gene conhecido? Quão
  próximo é o melhor match? Significância?
• O que sabemos sobre este gene?
• Genômica (localização no cromossomo, regiões
  reguladoras, ...)
• Estrutural (estrutura conhecida? ...)
• Funcional (molecular, celular e doença)
• Informação evolutiva
• Este gene é encontrado em outros organismos?
• Qual é sua árvore taxonômica?

8
NCBI e Entrez

• A mais usada interface para a recuperação de
  informação de BD biológicos é o sistema Entrez do
  NCBI (http//www.ncbi.nlm.nih.gov/Entrez)
• NCBI (National Center for Biotechnology
  Information)
• O sistema Entrez tira vantagem do fato que há
  relacionamentos lógicos pré-existentes entre as
  entradas indíviduas encontradas em diversos BD
  públicos
• Por um exemplo, um artigo no PuBMed pode
  descrever o sequenciamento de um gene cuja
  seqüência aparece no GenBank
• A seqüência de nucleotídeos, por sua vez, pode
  codificar o produto de uma proteína cuja
  seqüência está armazenada em um BD de proteínas
• A estrutura 3D desta proteína pode ser conhecida
  - as coordenadas da estrutura podem aparecer em
  um BD de estruturas
• Finalmente, o gene pode ter sido mapeado para uma
  região específica do cromossomo - BD de
  mapeamento
• A existência dessas conexões naturais, levou ao
  desenvolvimento de um método por meio do qual
  toda a informação poderia ser encontrada sem ter
  que visitar sequencialmente BD distintos

9
O Sistema Entrez (1/2)

• Para ser claro, Entrez não é um BD
• É a interface por meio da qual todos os seus BDs
  componentes podem ser acessados
• O espaço de informação do Entrez inclui
• Registros do PubMed
• Dados sobre seqüências de nucleotídeos e
  proteínas
• Informação sobre estruturas 3D
• Informação de mapeamento
• A vantagem do Entrez está no fato que toda esta
  informação pode ser acessada por meio de apenas
  uma query (consulta)

10
O Sistema Entrez (2/2)
11
BLAST Busca com uma Seqüência

• O objetivo é encontrar outras seqüências que são
  mais similares a query (consulta) do que seria
  esperado por ter acontecido ao acaso
• Homologia
• Pode começar com seqüências de nucleotídeos ou
  aminoácidos
• Pode fazer a busca por nucleotídeos/aminoácidos

12
BLAST
13
Mais que NCBI

• Links para anotações funcionais fora do NCBI
• Gene Ontology - nomes padrões para
• Funções moleculares
• Localização celular
• Processos
• Links para BD de enzimas
• Funções da enzimas
• Links para o BD KEGG (vias)

14
KEGG
15
Referências

• A. D. Baxevanis e B. F. Francis Ouellete (eds.).
  Bioinformatics a practical guide to the analysis
  of genes e proteins. John Wiley Sons. 2001.
• The Molecular Biology Database Collection 2003
  update -- Nucleic Acids Research 31(1)1-12

16
Busca em Banco de Dados

• Marcílio C. P. de Souto
• DIMAp/UFRN

17
Primeiro Atrás da Tela

• Banco de dados são muito usados para buscas
• Integridade, segurança, ...
• Busca significa receber uma query (consulta) e
  recuperar algum entrada do banco de dados que
  match (case) com ela
• Comparação inexata de seqüências (alinhamento)
• Programação dinâmica e BLAST search
• Eficiência é fundamental
• Queremos encontrar coisas rápidas,
  independentemente de quão grande o banco de dados
  se torne

18
Alinhamento de Seqüências

• Possibilitar ao pesquisador determinar se duas
  seqüências apresentam suficiente similaridade tal
  que um inferência sobre homologia pode ser
  justificada
• Homologia significa dizer que duas (ou mais)
  seqüências tem um ancestral comum
• História evolutiva
• Similaridade é uma medida da qualidade do
  alinhamento entre duas seqüências, baseada em
  algum critério
• Não se refere a nenhum processo histórico
• Apenas uma comparação das seqüências com algum
  método
• É uma afirmação logicamente mais fraca
• Em bioinformática, esses dois termos são muitas
  vezes confundidos
• A razão é provavelmente porque uma similaridade
  significativa é um forte argumento para homologia
  e, a partir disso, para a dedução de que as
  seqüências codificam um gene com uma função
  biológica similar

19
Bases Evolucionárias

• Mutações
• Os eventos mais simples que ocorrem durante o
  curso da evolução molecular são substituições de
  um nucleotídeo por outro e a deleção ou inserção
  de uma par de base
• Quando uma alinhamento de seqüências refletem
  genuinamente a história evolutiva de dois genes
  ou proteínas
• Resíduos que foram alinhados mas não são
  idênticos representaria uma substituição
• Regiões onde os resíduos de uma seqüência não
  correspondem a nada na outra seria interpretado
  como ou uma inserção uma seqüência ou uma deleção
  na outra

A L I G N M E N T - L I G A M E
N T
20
Relação entre Sequências
21
Similaridade

• Similaridade pode ser definida contando posições
  que são idênticas entre duas seqüências
• Gaps (inserções/deleções) podem ser importantes

G A A T T C A G T T A G G
A T T C G - A
22
Substituições

• Nem todo mismatch (substituições) são iguais
• Alguns aminoácidos são mais substituível entre si
• Serina e treonina são mais parecidos do que
  triptofan e alanina
• Podemos adicionar um custo diferente para cada
  tipo de mismatch (substituição)
• Em geral, não usamos custos diferentes para os
  mismatches no alinhamento de nucleotídeos
• Nenhuma substituição, por si, é melhor do que
  outra

23
Gaps

• Sem gaps, há NM possíveis alinhamentos entre
  seqüências de comprimentos N e M
• Uma vez gaps são permitidos, isto se torna um
  número muito grande
• O número de possíveis alinhamentos torna-se
  exponencial no tamanho das seqüências
• Logo, não podemos experimentar todos

24
Alinhamento Aleatórios

• A introdução de gaps também pode levar a
  alinhamentos sem sentido

S O M E T I M E S Q U I P S E N T I C E
S - - E - - - Q U - -
- E N - - C E

• É necessário distinguir entre alinhamentos que
  ocorreram devidoa homologia daqueles que são
  esperados a acontecer ao acaso
• Defina um esquema (função) de score (pontuação)
  que leve em consideração ambos mismatches e
  penalidades para gaps

25
Match Scores

• Match scores são em geral calculadoscom base na
  freqüência de mutações particulares em
  seqüências muito similares

26
Alinhamento Global e Local (1/2)

• Global
• Seqüências são comparadas como um todo
• Útil quando temos seqüências que diferem pouco
  entre si
• Inclui gaps
• Local
• O alinhamento localiza fragmentos de seqüências
  que são mais similares
• Algumas vezes não inclui gaps
• Muitas proteínas não apresentam um padrão global
  de similaridade
• Mosaico de domínios modulares
• Alinhamento de seqüências de nucleotídeos de um
  mRNA processado (spliced) com sua seqüencia
  genômica (Exon/Intron)

27
Alinhamento Global e Local (2/2)
28
Score do Alinhamento

• Um score (pontuação) do alinhamento é a soma de
  todos os match scores, com a penalidade subtraída
  para cada gap

A B C D E F G A C C - F G
match gap score
score 8 2 8 8 8 gt 34 - (102) 22
29
Métodos de Alinhamento de Seqüências

• Dado um par de seqüências e função de score
  (pontuação), identifique o alinhamento que obteve
  o melhor score
• Alinhamento ótimo
• Lembre, há um número exponencial de alinhamentos
  possíveis
• A maioria deles com scores muito ruins
• Alinhamento de pares de seqüências
• Matriz de pontos (dot matrix)
• Programação dinâmica
• Dicionário de palavras ou k-tuplas (BLAST)

30
Matriz de Pontos

• Permite a inspeção visual de um possível
  alinhamento entre duas seqüências
• Permite que repeats e inversões sejam detectadas
• Permite a identificação de regiões
  auto-complementares (e.g., RNA com estrutura
  secundária)
• O alinhamento não é produzido

31
Exemplo

• Seqüências
• ATGCGTCGTT
• ATCCGCGAT

• Passos
• Organize as seqüências em uma matriz
• Coloque um ponto em cada lugar que houver um
  match entre duas bases
• Trechos diagonais (indicados por linhas) são
  áreas de alinhamento
• Mais de um alinhamento pode surgir

32
Programação Dinâmica (PD)

• Método computacional que calcula o melhor
  alinhamento possível entre sequências
• Abordagem indutiva, em que são definidos os
  scores para as seqüências menores, e a partir
  dessas, novos scores são computados os scores de
  cadeias maiores
• Sejam s e t duas seqüências, com sm e
  tn, construir uma matriz (m1) x (n1), em
  que M(i, j) contém a similaridade entre
  s1..i e t1..j
• Algoritmo de Needleman-Wunch

33
Exemplo (1/12)

• Sequence 1 GAATTCAGTTA (m 11)
• Sequence 2 GGATCGA (n 7)
• Esquema de Pontuação (scoring)
• S(aibj) 2 if ai bj (match score)
• S(aibj) -1 if ai ? bj (mismatch score)
• w -2 (gap penalty)
• Pontuação Máxima na posição i,j da matriz
• Mi,j MAX
• Mi-1, j-1 s(ai,bj) (match/mismatch),
• Mi,j-1 w (gap na seqüência 1),
• Mi-1,j w (gap na seqüência 2) 

34
Exemplo (2/12)

• Inicialização
• Crie uma matriz com m1 colunas e n1 linhas, em
  que m e n correspondem ao tamanho das seqüências
  a serem alinhadas
• A primeira linha e a primeira coluna podem ser
  inicialmente preenchidas com 0

35
Exemplo (3/12)

• Preenchimento da Matriz
• M1,1 MAXM0,0 2, M1,0 - 2, M0,1 - 2 MAX2,
  -2, -2

36
Exemplo (4/12)

• Preenchimento da Matriz
• M1,2 MAXM0,1 2, M1,1 - 2, M0,2 - 2
  MAX02, 2-2, 0-2 MAX2, 0, -2

37
Exemplo (5/12)

• Preenchimento da Matriz
• M1,3 MAXM0,2 - 1, M1,2 - 2, M0,3 - 2
  MAX0-1, 2-2, 0-2 MAX-1, 0, -2

38
Exemplo (6/12)

• Preenchimento da Matriz
• M32 MAXM21 - 1, M31 - 2, M22 - 2 MAX0-1,
  -1 - 2, 1-2 MAX-1, -3, -1

39
Exemplo (7/12)

• Preenchimento da Matriz
• Dois caminhos diferentes para se obter o score
  máximo para célula M32

40
Exemplo (8/12)

• Preenchimento da Matriz
• Matriz Final

41
Exemplo (9/12)

• Traceback

A A
42
Exemplo (10/12)

• Traceback

T C A G T T A T C G -
A
43
Exemplo (11/12)

• Traceback

G A A T T C A G T T A
G G A T C G - A
44
Exemplo (12/12)

• Traceback

G A A T T C A G T T A
G G A T - C G - A
45
Score do Alinhamento

• G A A T T C A G T T A
• G G A T C G - A
•  
• - - - - -
• 2 1 2 2 2 2 2 2 2 2 2
•  
• 2 1 2 2 2 2 2 2 2 2 2 3?

46
Significância de um Alinhamento

• Teste de significância é um ramo da estatística
  que se preocupa com a avaliação da probabilidade
  que um resultado particular poderia ter
  acontecido ao acaso
• Como podemos calcular a probabilidade de que um
  alinhamento aconteceu por acaso?
• Com um modelo de evolução
• Empiricamente, por meio do embaralhamento de
  nossas seqüências e o cálculo dos scores nessas
  seqüências aleatórias

47
Busca em BD por Similaridade (1/2)

• Até agora o foco era sobre o alinhamento de pares
  específicos de seqüências
• Porém, para uma seqüência nova determinada,
  geralmente não como saber qual seqüência (ou
  seqüências) é apropriada para a comparação
• Busca em BD por similaridade nos permite
  determinar quais das várias seqüências são
  potencialmente relacionadas a uma seqüência
  particular de interesse
• Este processo pode levar a descobertas
  inesperadas
• Um dos primeiros resultados com esse processo
  venho com a descoberta de que o oncogene viral
  v-sis é uma forma modificada de um gene celular
  normal
• Naquela época, as bases de dados de seqüências
  eram pequenos o suficiente tal que esse achado
  pode ser considerado um fato surpreendente
• Hoje, porém, seria mais surpreendente fazer uma
  busca em um BD e não encontrar nenhum hit

48
Busca em BD por Similaridade (2/2)

• A operação básica é sequencialmente alinhar uma
  seqüência query com cada seqüência subject no BD
• Os resultados são apresentados como uma lista de
  ranks seguida por uma série de alinhamento
  individuais de seqüências, mais vários scores e
  estatísticas
• ADICIONAR FIGURA

49
Métodos Heurísticos

• Soluções de programação dinâmica para problemas
  de alinhamento são relativamente lentas
• Não levam a buscas eficientes nos imensos BD de
  seqüências
• Necessidade de uma técnica para fazer busca em
  grandes BD para encontrar seqüências que tenha um
  match inexato com a seqüência query
• Soluções competidoras FASTA BLAST
• Métodos heurísticos (aproximação) de programação
  dinâmica
• Baseado na estratégia de quebrar uma seqüência em
  cadeias pequenas de letras consecutivas, chamadas
  de palavras
• Idéia alinhamento representando um
  relacionamento verdadeiro entre as seqüências
  conterá pelo menos uma palavra que é comum a
  ambas seqüências
• Estas palavras hits podem ser identificadas
  rapidamente pre-indexando todas as palavras da
  query e então consultando o índece na medida que
  o BD é pecorrido
• Programação dinâmica encontra relacionamentos em
  seqüências distantemente relacionada que
  aproximações não conseguem

50
BLAST

• O BLAST é uma heurística para comparação local
  mais utilizada
• Basic Local Aligment Search Tool (Altschull et
  al., 1990)
• Há várias variantes do BLAST, dependendo do tipo
  da seqüência query (DNA ou proteínas) e do BD
  sendo consultado

51
Referências

• A. D. Baxevanis e B. F. Francis Ouellete (eds.).
  Bioinformatics a practical guide to the analysis
  of genes e proteins. John Wiley Sons. 2001.
• M. S. Waterman. Introduction to Computational
  Biology maps, sequences and genomes. Chapman
  Hall. 2000.
• http//www.sbc.su.se/per/molbioinfo2001/seqali-dy
  n.html (ótimo tutorial sobre programação
  dinâmica)

52
Análise de Genomas

• Então, o que fazer com um genoma completo?
  Afinal, um genoma sequenciado consiste apenas de
  um infinidade de bases em uma ordem definida
• Análise é obviamente necessária a fim de se obter
  informações biologicamente interessantes. A
  análise de um genoma cobre muitos aspectos
  diferentes
• Definição da localização dos genes (regiões
  codificadoras, regiões reguladoras)
  identificação de gene
• Predição de genes ab initio usando software
  baseado em regras e padrões.
• Identificação de genes por meio de alinhamento
  com proteínas conhecidas e seqüências EST
• Predição de genes por meio de similaridade com
  proteínas e seqüências ESTem outros organismos
• Predição de genes por meio de comparação com
  outros genomas
• Regiões conservadas são provavelmente regiões
  codificadoras ou reguladoras

53
Análise de Genomas

• Anotação de genes comparar com genes/proteínas
  com funções conhecidas em outros organismos.
  Essencialmente o mesmo que rotular um gene.
• Classificação funcional. Grupos amplos de
  caracterização funcional, tais como proteínas
  ribossomais, ....
• Vias metabólica
• Há