a plicaciones de d ata m ining en c iencia y t e cnología bioinformática

Aplicaciones de Data Miningen ciencia y tecnología

Bioinformática

Marcelo A. Soria ([email protected])Maestria en Data Mining. DC-FCEN

¿Qúe es la bioinformática?

¿Cuáles son los campos de aplicación?

¿Bioinformática o Biología Computacional?


Algunas preguntas …

Bioinformática➢ La recolección organización y análisis de grandes

cantidades de datos biológicos➢ El uso de computadoras para resolver problemas

infomacionales en biología

Data mining➢ El proceso de analizar datos para identificar patrones

o relaciones➢ El análisis de grandes cantidades de datos para

extraer información


Las dos disciplinas comparten técnicas y procedimientos

Una introducción a la biología (¡En una hora y algo!). Parte 1


➢ Interacción con el medio ambiente y con otros sistemas biológicos

➢ Autoreproducción➢ Para sobrevivir, desarrollarse y dejar descendencia un

ser vivo debe llevar a cabo un número enorme de reacciones químicas coordinadas

Los sistemas biológicos se distinguen de otros sistemas por ciertas características claves:


El dogma central de la biología molecular

ADN ADN

Replicación

ARN

Transcripción Transcripciónreversa

proteinas

Traducción

El ADN es el principal material genético en la mayoría de los seres vivos.

Mantiene la información genética que se requiere para crear un ser vivo idéntico a aquel del que proviene.

Contiene la información para todas las proteínas que un organismo necesita.

El ARN es una molécula mediadora, transmite la información del ADN hasta la maquinaria que sintetiza nuevas proteínas


El ADN (ácido desoxirribonucleíco) y el ARN (ácido ribonucleíco) son polímeros de nucleótidos monofosfato.

En el ADN la cadena es doble y en el ARN simple

La estructura de los ácidos nucleicos

Un ejemplo de nucleótido

grupo fosfato

La información contenida en los ácidos nucleicos está contenida en la secuencia de bases de una cadena

pentosa

base

Esquema del ADN

ADN: A,T,C,G ARN: A,U,C,G


La estructura de los ácidos nucleicos

Las bases de cadenas opuestas en el ADN están apareadas de una forma específica: A con T y C con G:

Adenina Guanina Citocina Timina Uracilo

A C T G C C G T A A T C G C C T T G A

T G A C G G C A T T A G C G G A A C T

Esta estructura facilita la copia del ADN

Cadena directa

Reverso complemento

Imagen de Wikipedia

Codificación de la información

El ADN y algunos ARN contienen información para sintetizar proteínas.

Cualquier ser vivo necesita miles de proteínas distintas para:

realizar reacciones químicas funciones estructurales interacción con el ambiente externo e

interno manejo de la información Modelo de la estructura 3D de la

enzima glucosa oxidasa (ModBase)

Una proteína es un polímero lineal de aminoácidos, desde unos pocos aminoácidos hasta 400 o más.

Existen muchos aminoácidos pero los seres vivos usamos solo 20 tipos diferentes.

La secuencia de bases del ADN codifica la secuencia de aminoácidos que debe tener una proteína.



Aminoácido Código 3 letras Código 1 letra Propiedades

Alanina Ala A Hidrofóbico

Arginina Arg R Con carga positiva

Asparragina Asn N Neutro; hidrofílico

Aspartato Asp D Con carga negativa

Cisteina Cys C Neutro

Fenilalanina Phe F Hidrofóbico; aromatico

Glicina Gly G Neutro

Glutamato Glu E Con carga negativa

Glutamina Gln Q Neutro; hidrofílico

Histidina His H Con carga positiva; aromatico

Isoleucina Ile I Hidrofóbico

Leucina Leu L Hidrofóbico

Lisina Lys K Con carga positiva

Metionina Met M Hidrofóbico

Prolina Pro P Hidrofóbico

Serina Ser S Neutro; hidrofílico

Tirosina Tyr Y Hidrofóbico; aromatico

Treonina Thr T Neutro; hidrofílico

Triptofano Trp W Hidrofóbico; aromatico

Valina Val V Hidrofóbico

El código genético

En un gen que codifica para proteinas, cada grupo de tres nucleótidos codifica para un aminoácido diferente o es una señal de STOP.


UUU UUA AUU AUUPhe Leu Ile Ile

Ejemplo

Información y función en sistemas biológicos

ADNalfabeto de 4 letras

estable

transmisible

distintos tipos de mensajes

palabras de tres letras(codones)

43 -1 palabras codifican los nombres de 20 aminoácidos

rRNA, tRNA

signos de puntuación

basura

mRNA

proteinas

reguladoras estructurales

enzimas



Una de las tareas más importantes y frecuentes de los bioinformáticos es analizar secuencias y realizar comparaciones entre secuencias de ADN y proteínas


Comparación de secuencias

¿Por qué nos interesa comparar secuencias de ADN o proteínas de distintos orígenes?

¿Cómo se pueden alinear secuencias?


Alineamiento de secuencias

Ejemplo: alinear las palabras “pantalón” y “andado”

Dos tipos de alineamientos

Alineamiento global (algoritmo de Needleman-Wunsch)

Alineamiento local (algoritmo Smith-Waterman)

Alineamiento global

Ejemplo: alinear las palabras “pantalon” (sin acento) y “andado”

Palabra 1 pantaloncoincidencias -an.a.o-Palabra 2 -andado-

En este alineamiento vemos los eventos que pueden ocurrir al alinear palabras, consideradas como secuencias de letras:

Coincidencia o “match”: las dos letras son iguales

No coincidencia o “mismatch”: las letras no coinciden

Hueco o “gap”: para aumentar la cantidad de matches se agregan espacios, al final, al principio o en el medio


Y ahora el ejemplo en detalle…

Alineamiento global

Armamos una tabla con las palabras y la distancia desde el origen

p a n t a l o n

0 -1 -2 -3 -4 -5 -6 -7 -8

a -1

n -2

d -3

a -4

d -5

o -6


Alineamiento global

p a n t a l o n

0 -1 -2 -3 -4 -5 -6 -7 -8

a -1 -1

n -2

d -3

a -4

d -5

o -6

Después calculamos los valores para cada celda

match = +1mismatch = -1gap = -1

gap + celda superior,gap + celda izquierda,match/mismatch + celda diagonal

Cálculo del valor de la celda:

max

La flecha indica donde queda el máximo seleccionado. Es importante marcarlo porque a veces dos celdas pueden ser máximos, y hay que ser consistentes en la selección, gap o diagonal

Valores predefinidos:


Alineamiento global

p a n t a l o n

0 -1 -2 -3 -4 -5 -6 -7 -8

a -1 -1 0 -1 -2 -3 -4 -5 -6

n -2 -2 -1 1 0 -1 -2 -3 -4

d -3 -3 -2 0 0 -1 -2 -3 -4

a -4 -4 -2 -1 -1 1 0 -1 -2

d -5 -5 -3 -2 -2 0 0 -1 -2

o -6 -6 -4 -3 -3 -1 -1 1 0

.. completamos la tabla …


Alineamiento global

p a n t a l o n

0 -1 -2 -3 -4 -5 -6 -7 -8

a -1 -1 0 -1 -2 -3 -4 -5 -6

n -2 -2 -1 1 0 -1 -2 -3 -4

d -3 -3 -2 0 0 -1 -2 -3 -4

a -4 -4 -2 -1 -1 1 0 -1 -2

d -5 -5 -3 -2 -2 0 0 -1 -2

o -6 -6 -4 -3 -3 -1 -1 1 0

… Y reconstruimos el camino que maximiza la suma de celdas de atrás para adelante empezando por la última

Palabra 1 pantalonPalabra 2 -andado-

Las flechas horizontales y verticales representan gaps y las diagonales matches o mismatches

!!

Alineamiento local

Los bordes de la matriz se inicializan en cero. El valor de la celda nunca puede ser menor que cero, y no

se agregan punteros a menos que el valor sea mayor que cero.

El alineamiento comienza desde el valor más alto y termina en cero


p a n t a l o n

0 0 0 0 0 0 0 0 0

a 0 0 1 0 0 1 0 0 0

n 0 0 0 2 0 0 0 0 1

d 0 0 0 0 1 0 0 0 0

a 0 0 1 0 0 2 0 0 0

d 0 0 0 0 0 0 1 0 0

o 0 0 0 0 0 0 0 2 0

Alineamiento global versus local


El alineamiento global busca exhaustivamente todo el espacio de búsqueda, introduciendo gaps donde no puede encontrar un apareamiento adecuado.

El alineamiento local busca sólo en regiones donde hay un apareamiento significativo. Es más efectivo cuando se analizan regiones que incluyen sectores con muy poca similitud.

El método de alineamiento más usado, Blast, es un método de alineamiento local

Modificaciones

Variaciones en la penalización de los gaps: iniciar un gap es más “caro” que extenderlo

Alineamiento por bandas: variante para reducir la memoria, puede dar alineamientos sub óptimos

En el caso de alineamientos locales, restringir las búsquedas a zonas con scores mayores que cero: Blast


En nuestros ejemplos anteriores habíamos alineado palabras.

Nosotros tenemos que alinear nucleótidos en una secuencia de ADN o aminoácidos en una proteína.

Los aminoácidos tienen una particularidad, algunos de ellos tienen estructuras químicas similares.

Si por mutación un aminoácido es reemplazado por uno estructuralmente similar, es probable que nohaya un efecto muy drástico sobre la proteína.


I L

V

MF

Y

S

CA

G

W

H R

K

D

E

Q

N

T

Similitudes entre aminoácidosalifáticos

hidrofóbicos

aromáticos

con grupos -OH

hidrofílicos

cargados

postivos

negativos

con grupos –NH2

pequeños

Se realizaron alineamientos entre grupos de proteínas y se determinan las frecuencias de ocurrencia simultánea de todos los pares de aminoácidos

S*ij = log(qij/pipj)


C S T P A G N D E Q H R K M I L V F Y W

C 9 -1 -1 -3 0 -3 -3 -3 -4 -3 -3 -3 -3 -1 -1 -1 -1 -2 -2 -2

S -1 4 1 -1 1 0 1 0 0 0 -1 -1 0 -1 -2 -2 -2 -2 -2 -3

T -1 1 4 1 -1 1 0 1 0 0 0 -1 0 -1 -2 -2 -2 -2 -2 -3

P -3 -1 1 7 -1 -2 -1 -1 -1 -1 -2 -2 -1 -2 -3 -3 -2 -4 -3 -4

A 0 1 -1 -1 4 0 -1 -2 -1 -1 -2 -1 -1 -1 -1 -1 -2 -2 -2 -3

G -3 0 1 -2 0 6 -2 -1 -2 -2 -2 -2 -2 -3 -4 -4 0 -3 -3 -2

N -3 1 0 -2 -2 0 6 1 0 0 -1 0 0 -2 -3 -3 -3 -3 -2 -4

D -3 0 1 -1 -2 -1 1 6 2 0 -1 -2 -1 -3 -3 -4 -3 -3 -3 -4

E -4 0 0 -1 -1 -2 0 2 5 2 0 0 1 -2 -3 -3 -3 -3 -2 -3

Q -3 0 0 -1 -1 -2 0 0 2 5 0 1 1 0 -3 -2 -2 -3 -1 -2

H -3 -1 0 -2 -2 -2 1 1 0 0 8 0 -1 -2 -3 -3 -2 -1 2 -2

R -3 -1 -1 -2 -1 -2 0 -2 0 1 0 5 2 -1 -3 -2 -3 -3 -2 -3

K -3 0 0 -1 -1 -2 0 -1 1 1 -1 2 5 -1 -3 -2 -3 -3 -2 -3

M -1 -1 -1 -2 -1 -3 -2 -3 -2 0 -2 -1 -1 5 1 2 -2 0 -1 -1

I -1 -2 -2 -3 -1 -4 -3 -3 -3 -3 -3 -3 -3 1 4 2 1 0 -1 -3

L -1 -2 -2 -3 -1 -4 -3 -4 -3 -2 -3 -2 -2 2 2 4 3 0 -1 -2

V -1 -2 -2 -2 0 -3 -3 -3 -2 -2 -3 -3 -2 1 3 1 4 -1 -1 -3

F -2 -2 -2 -4 -2 -3 -3 -3 -3 -3 -1 -3 -3 0 0 0 -1 6 3 1

Y -2 -2 -2 -3 -2 -3 -2 -3 -2 -1 2 -2 -2 -1 -1 -1 -1 3 7 2

W -2 -3 -3 -4 -3 -2 -4 -4 -3 -2 -2 -3 -3 -1 -3 -2 -3 1 2 11

Matriz Blosum62, una matriz de scoring

A partir de los S*ij se calculan los valores de la matriz

multiplicando por una constante y redondeando para que queden números enteros (scores crudos).

S*ij .λ= Sij


ijj

Siij eppq *

n

i

i

j

ijq1 1

1

)/(log*jiije ppqijS

Calculando el valor exacto de λ

n

i

i

j

ijSji epp

1 1

* 1

Resolvemos esta ecuación para determinar λ

Necesitamos calcular λ para estimar el valor E de cada alineamiento.

Los programas calculan λ por nosotros (por suerte…)


C S T T A D W A A N T

C T T T A D W A E N T

9 1 4 4 4 6 11 4 -1 6 4

Suma de los scores individuales (score crudo) = 54

Alineamiento + cálculo de score

Ya habíamos visto como construir alineamientos, ahora necesitamos asignarle un score.

Ahora necesitamos asignarle un valor de E (algo parecido a un test estadístico)…


Cálculo del E de un alineamiento

Una alternativa es calcular E a partir del score normalizado(el que aparece en unidades de bits en la salida del BLAST):

2ln

ln'

* KSS

E: número de alineamientos esperados al azar, dados…

k: una constante

m: número de letras en la consulta

n: número de letras (nucleótidos / aminoácidos) en la base de datos

λS*: score del alineamiento

'2.. SnmE



La otra alternativa es a partir de la estadística de Karlin-Altschul para alineamientos locales

*... SenmkE E: número de alineamientos esperados al azar, dados…

m: número de letras en la consulta

n: número de letras (nucleótidos / aminoácidos) en la base de datos

λS: score del alineamiento

La ecuación de Karlin-Altschul


Presencia de gaps

● Permitir gaps en los alineamientos, equivale a bajar los valores de la matriz de scoring.

● Cuanto más “barato” sea introducir gaps, mayor será la pérdida de información.

● Para compensar existen valores ajustados empíricamente de k y λ

Abrir un gap Extender un gap λ k H *

prohíbido prohíbido 0.318 0.134 0.40

11 2 0.297 0.082 0.27

10 2 0.291 0.075 0.23

7 2 0.239 0.027 0.10

Los gaps tienen un sentido biológico, no es conveniente prohibirlos. La práctica más usada es usar una penalidad alta por crearlos y una menor por extenderlos.

(*) H: entropía, una medida del contenido de información de la matriz de scoring

Correcciones para la matriz BLOSUM62


Corrección por largo

● La ecuación de Karlin-Altschul considera un espacio de búsqueda igual a m x n.

● pero los extremos de las secuencias no pueden ser explorados efectivamente.

● Se puede calcular el largo mínimo de una secuencia que puede

producir un E significativo: l

Hnmkl /)..ln(

● Con l se pueden calcular los valores efectivos de m y n

ndbnn

lmm

'

'ndb: número de secuencias en la base de datos


Corrección por largo

● A medida que el número de secuencias en las bases de datos de secuencias aumentan, es cada vez más fácil encontrar valores de l mayores que m, o sea, m’ negativos.

● Para remediar esto, si m’ < 1/k, entonces m’ = 1/k



Nuestra secuencia consulta (A) puede alinearse a una secuencia de la base de datos (B) en regiones:

A

B

Decimos que B se alinea con dos HSP (High-scoring Segment Pair)

hsp hsp


Cálculo del score para un grupo de HSPs

Cuando queremos calcular el score y el E de una secuencia con varios con varios HSP no podemos simplemente sumar los HSP individuales…


Cálculo del score para un grupo de HSPs…existen varias posibilidades, dependiendo del tipo de Blast que estemos usando:

r

irsum

r

irsum

r

irsum

rgkrnmkrSS

rnmkrSS

nmkrSS

1

1

1

)!ln())ln(.2)).(ln(1()..ln('

)!ln()..ln('

)..ln('

r: número de HSPs

g: largo del gap

1

2

3

1. Score suma no-ordenado2. Score suma ordenado de a pares, “premia” HSPs colineales3. Score modificado de 2, lo usa BLASTX , premia si los gaps son

cortos, es menos sensible al tamaño de la base dedatos, aunque da scores mayores cuanto mayor es el espacio de búsqueda.


BLAST por fin !!


Ya sabemos como alinear secuencias localmente

Tambien sabemos cómo asignarles una expectativa a los HSP (E)

Ahora necesitamos un algoritmo que nos permita buscar secuencias similares a nuestra consulta en una base de datos que puede tener millones de registros en un tiempo razonable (1-2 minutos)


Secuencia 1

Sec

uenc

ia 2

Un alineamiento entre dos secuencias

alineamientos (HSPs)

alineamientos con un gap

El objetivo de Blast es encontrar cada uno de los HSP significativos, para todas las secuencias similares


Pasos de Blast: EvaluaciónSiembra Extensión

Uno de los supuestos de Blast es que si dos secuencias tienen homología, tiene que haber “palabras” en común.

En la terminología de Blast llamamos palabra a grupos contíguos de aminoácidos o nucleótidos

Por ejemplo, si definimos palabras de tres letras, la secuencia de aminoácidos ANCFG tiene 3 palabras:

ANFCG

ANF

NFC

FCG

Siembra


Cuando Blast compara dos secuencias, primero busca la ubicación de todas las palabras comunes (word hits).

Los word hits son las “semillas” a partir de donde se extienden los alineamientos.

Una palabra común no significa una palabra idéntica.

Recordemos que a veces un aminoácido puede reemplazar a otro sin afectar demasiado la proteína (matrices BLOSUM y PAM).

Lo que se utiliza para calcular si una secuencia se puede considerar word hit, es determinar el “vecindario” de la secuencia.


DVHGTANCFG

HVHGTANCFG

Ejemplo:secuencia 1

secuencia 2

Consideremos una palabra de tres letras (W = 3)

Usamos la matriz BLOSUM62

Si las dos secuencias comenzaran con DVH, el score sería: 6 + 4 + 8 = 18

Pero tenemos que comparar DVH con HVH: -1 + 4 + 8 = 11

¿Un score de 18 es significativo? ¿Y el de 11?

¿Cómo se decide?

2

3

4

1


Se fija un valor umbral conocido como T (threshold). La determinación es empírica y depende que queremos priorizar, velocidad o búsqueda.

W también se puede variar.

Dependiendo de la implementación de Blast se puede variar uno o los dos.

¿Qué efecto tendrá un W más grande o más chico?

¿Qúe ocurre con T?

PREGUNTAS

Algunas mejoras:Algoritmos de “dos golpes”Enmascaramiento de secuencias


Extensión

Sec

uenc

ia 2

Secuencia 1

El segundo paso, la extensión, intenta prolongar los alineamientos a partir de las semillas del paso anterior


DVHGTANCFGQQHRL

HVHGTANCFGQKQCG

Ejemplo:

Vamos a extender hacia la derecha

Parte alineada con semillas

5 1 0 -3 -4

6 6 3 -1

scores

scores acumulados

Cuando el score cae por debajo de un umbral (X) se detiene la extensión:

2

1

DVHGTANCFGQQH

HVHGTANCFGQKQ

La elección de X tiene poco efecto sobre el rendimiento del programa comparado con W y T


Evaluación

En este paso se determina cuáles de los alineamientos parciales obtenidos son significativos, es decir, pueden ser considerados un HSP.

También se determinan la secuencia de HSPs y se resuelven las posibles superposiciones

Finalmente se calcula el valor E del conjunto


Modificación de parámetros en NCBI-BLAST

La implementación web del NCBI permite cambiar solo algunos de los parámetros que vimos

W

Umbral para E

Selección de la matriz de scoring

Costo de los gaps

Filtrar regiones de baja complejidad

Filtrar solo en el paso el paso de siembra

Filtrar secuencias en minúsculas

Ajuste fino del scoring

La salida de BLAST documentada

Esta tabla que aparece al final de cualquier análisis BLAST registra nuestras opciones, las características principales de la base de datos y muestra secuencias y algunos estadísticos

La salida tabulada de BLAST. Nombres de campos

Query_id, identificador de la secuencia consulta Subject_id, identificador del hit que devuelva Blast identity, porcentaje de posiciones (nucleótidos o aminoácidos idénticos) identity, porcentaje de posiciones positivas (sólo para aminoácidos) alignment_length, largo del alineamiento mismatches, número de no-coincidencias gap_openings, cantidad de gaps que incluye el alineamiento q_start, comienzo del alineamiento en las coordenadas de la consulta q_end, fin del alineamiento en las coordenadas de la consulta s_start, comienzo del alineamiento en las coordenadas del hit s_end, comienzo del alineamiento en las coordenadas del hit e_value, valor E del alineamiento bit_score. valor del score en bits, esto es, en logaritmo base 2


La familia de programas Blast

Programa Base de datos Consulta

BLASTN nucleótido nucleótido

BLASTP proteína proteína

BLASTX proteínanucleótido traducido a proteína

TBLASTNnucleótido traducido a proteína

proteína

TBLASTXnucleótido traducido a proteína

nucleótido traducido a proteína

Estos son los básicos, después hay derivaciones para usos más específicos

a plicaciones de d ata m ining en c iencia y t e cnología bioinformática

Documents