Prédiction des gènes chez les procaryotes.

Transcription

1 Prédiction des gènes chez les procaryotes Hélène OUZE

2 Deux approches 1. prédiction par similarité ES BLSN BLSX traduction suivant les 6 cadres de lecture 2. prédiction de novo, ou ab initio

3 Structure d un gène procaryote Promoteur 5 3 DN 5 UR 3 UR RNm RBS codon SR codon SOP UR : Unranslated Region RBS : Ribosome Binding Site

4 Comment localiser les gènes? En regardant le génome Signaux DN Promoteur, RBS, codons SR et SOP Composition en codons de la région codante able d usage des codons

5 Les promoteurs Site d initiation de la transcription Reconnus par la sous-unité σ de l RN polymérase σ 70 : majorité des gènes (90%) RpoH, SigS, RpoN, SigE, Fli Séquences consensus pour σ 70 chez E.coli bp GC C

6 Difficulté algorithmique (Distance variable entre les deux boites) Le signal peut être très dégradé position C G Matrice de scores pour (pour 263 promoteurs connus)? plus le promoteur est éloigné du consensus, moins le gène est exprimé? Existence d opérons Pas de prise en compte de la structure de l DN : accessibilité du site Peu convaincant

7 RBS = Ribosome Binding Site Séquence de Shine-Dalgarno Site d initiation de la traduction Signal bref et dégradé (rop de faux positifs) Distance entre le RBS et le codon SR variable ( 10)

8 À la recherche des codons SR et SOP ORF (Open Reading Frame) : fragment d DN commençant par un codon SR G, CG ou G terminant par un codon SOP dans la même phase, G ou G ne contenant pas de codon SOP, toujours dans la même phase longueur moyenne d un ORF? longueur moyenne d une protéine?

9 pproche statistique : biais de composition Redondance du code génétique Plusieurs choix de codons sont possibles pour coder un acide aminé able d usage des codons Ce choix n est pas équiprobable, et varie suivant les espèces

10 G C G GG GC G C CG CC C G C C CG CC C CG CGG CGC CG CC CCG CCC CC C CG CC C G GG GC G GG GGG GGC GG GC GCG GCC GC G GG GC G * * G * * C G * * GG GC G C CG CC C G C Exemple: able d usage des codons (E. coli) 1ère colonne: fréquence observée (gènes connus) 2ème colonne: fréquence théorique (modèle de base)

11 Régions codantes : Modèle de Markov basé sur la table d usage des codons Régions intergéniques :En première approche: avec indépendance des bases Modèle de Markov P () = 0, 237 P (C) = 0, 253 P (G) = 0, 279 P ( ) = 0, 231 Codon start P ( G) = P (G G) = P ( G) = G C G C G C Codon stop : idem Observations pour E.coli

12 Modèle de Markov.. C G table d usage des codons codon stop non codant (modèle intergénique) codon start Modèle minimal

13 Ecoparse (1994) Courtes régions intergéniques (< 10) Longues régions intergéniques (> 10) pparition de motifs connus après le codon SOP (Repetitive Extragenic Palindromic sequences) avant le codon SR (RBS) raitement des chevauchements de taille 1 et 4 NN[G]GNN N : n importe quel nucléotide

14 C.. G chevauchements courte codon stop Longue région intergénique codon start

15 GeneMark.hmm (1998) nalyse des deux brins simultanément Sens direct et inverse Gènes typiques et atypiques typique : 90% des gènes connus atypique : transfert horizontal Post-traitement pour limiter les problèmes des gènes chevauchants À partir du codon SR prédit par l algorithme de Viterbi, recherche du premier codon SR préservant l ORF et précédé par un un RBS.

16 Codon start Sens direct Brin codant Sens direct Gène typique Brin codant Sens direct Gène atypique Codon stop Sens direct Non codant Codon stop Sens inverse Brin codant Sens inverse Gène typique Brin codant Sens inverse Gène atypique Codon start Sens inverse GeneMark.hmm

17 Méthodologie pprentissage à partir des génes détectés pour la prédiction de nouveaux gènes Signaux (transcription, traduction) Composition en codons Comment constituer l ensemble d apprentissage? Homologie Expériences? Problème de biais? (On prédit ce qu on connait)