Analyse comparative pour l étude des gènes d ARN

Transcription

1 nalyse comparative pour l étude des gènes d RN Hélène Touzet Équipe Bioinfo LIFL STL

2 modèle thermodynamique MFOLD RNfold prédiction de structures prédiction de gènes analyse comparative pure mutations compensatoires RNalifold carnc QRN RNz

3 pproche thermodynamique Postulat fondateur: à l équilibre, la molécule se replie dans une configuration qui minimise son énergie libre pplication: prédiction de structure (secondaire) oeur algorithmique: dénombrement des appariements Déclinaisons: Mfold, RNfold How do RN folding algorithms work? Eddy SR Nat Biotechnol Nov ; 22(11):

4 Modèle école Modèle énergétique additif On néglige les contributions énergétiques entre appariements voisins Plusieurs déclinaisons Optimisation par programmation dynamique (Nussinov ) Modélisation par des grammaires stochastiques hors-contextes Modélisation en terme de filtrage maximal sans croisement dans un cercle

5

6

7 as 1 : est libre

8 as 1 : est libre as 2 : est apparié avec

9 as 1 : est libre as 2 : est apparié avec as 3 : est apparié avec une autre base en 5

10 as 1 : est libre as 2 : est apparié avec as 3 : est apparié avec une autre base en 5

11 as 1 : est libre as 2 : est apparié avec as 3 : est apparié avec une autre base en 5

12 i j 1 j i i +1 j 1 j i k 1 k k +1j 1 j E(i, j 1) E(i, j) = min E(i + 1, j 1) + α(i, j) min{e(i, k 1) + α(k, j) + E(k + 1, j 1), i + 1 k j 1} E(i, j): énergie optimale pour la sous-séquence entre les positions E(i, j): i et j α(k, j): paramètre d énergie pour la formation de l appariement α(k, j): entre la base k et la base j Mise en œuvre par programmation dynamique

13 =: 2 :1 :3

14 =: 2 :1 :3

15 =: 2 :1 :3

16 =: 2 :1 :3

17 =: 2 :1 :3

18 ( ) =: 2 :1 :3

19 ( ( ) ) =: 2 :1 :3

20 ( ( ) ) =: 2 :1 :3

21 ( ( ( ) ) ) =: 2 :1 :3

22 ( ( ( ) ) ) =: 2 :1 :3

23 ( ( (... ) ( ) ) ) =: 2 :1 :3

24 ( ( (... ) (. (... ) ) ) ) =: 2 :1 :3

25 ( ( (... ) (. (... ) ) ) ) =: 2 :1 :3

26 Modèle complet Motifs structuraux Energie d empilement (Turner) MFOLD - Zuker RNfold - Vienna Package - Hofacker

27 Nombreuses structures potentielles dont l énergie libre est proche de l optimum Ecueil des pseudo-nœuds

28 pproche comparative Famille de séquences homologues alignées Phénomène de changement de base compensatoire Résolution de structure pour l RN de transfert, les RN ribosomiques,...

29 - - I(i, j) = f i,j x,y log 2 f i,j x,y fx i f x j fx i : fréquence de la base x dans la colonne i fx,y i,j : fréquence du couple (x, y) dans les colonnes i et j Information mutuelle moyenne entre deux colonnes i et j: Quantité d information révélée par la colonne j, la colonne i étant connue (valeur comprise entre 0 et 2) I(i, j) est maximale quand les colonnes i et j individuellement paraissent aléatoires et que les positions sont parfaitement corrélées Plus l information mutuelle est élevée, plus la présomption d appariement est forte

30

31 pproche thermodynamique pproche comparative Méthodes hybrides ne séquence + ne famille de séquences alignées = Quelques séquences Information intrinsèque Informations transverses Informations transverses et intrinsèques

32 À partir d un alignment multiple - - ppariement: couple de colonnes RNalifold (Hofacker et al ) algorithme de Nussinov modèle d énergie modifié: moyenne des énergies d appariement avec un bonus pour les mutations compensatoires Pfold (Knudsen et al ) grammaires stochastiques hors contexte poids obtenus par apprentissage

33 Desulfovibrio desulfuricans RNase P RN 300 ampylobacter jejuni RNase P RN <<<<<<<<<<<[[[[[[[ << <<<<< >>>> >> <<<< <<<<<[[[[[ ]] ]]] [[ <<<<<<<<< <[[[[[[ <<<<< >>>>> <<<< << <<<[[[[[ ]]]]] [[[ ] ] ]]<< << [ [[[[[[[[ ]]]]]]] ]] [[[[[[ ]]]]]] [[[[[[ [ [[[[[ ]]]] ]<< << [[ [[[[ ] ]]] ]] [[ [[[ ]]] ]] [[[ [[ [ ]] ]]]] ]] >>>>>>>>>>>>> <<<< <<<<<< <<<<< >>>>> >>>>>> >>>> [ ]]] ]]] >>>>>>>>>>>>> << <<<< <<<< >>>>>>>>>> <<<<<<<< >>>>>>>> ]]]]]]] <<<<<< >>>>>> > >>>>>>>>>> <<<<<<<< >>>>>>>> ]] ]]]] > >>>>>>>>>

34 Inférence de structure sans alignement ligner pour connaitre la structure La connaissance de la structure est nécessaire pour un bon alignement

35 Inférence de structure sans alignement lgorithme de Sankoff: ligner et replier un couple de séquences simultanément Extension de l approche Nussinov à deux séquences, en ajoutant des possibilités d insertion, de délétion Les poids peuvent tenir compte de l énergie et des informations phylogénétiques Simultaneous solution of the RN folding, alignment and protosequence problems D. Sankoff, SIM J. ppl. Math., 45-5, p , 1985

36

37

38 Problème de coût de calcul Sensible à la longueur et au nombre de séquences Recours à des stratégies heuristiques

39 Mise en pratique 1 Dynalign Implémentation de l algorithme de Sankoff pour 2 séquences Foldalign Recherche uniquement de la structure sans ramification la plus stable Dynalign: n lgorithm for Finding the Secondary Structure ommon to Two RN Sequences D.H. Mathews & D.H. Turner, Journal of Molecular Biology,317,p , 2002 Finding the most significant common sequence and structure motifs in a set of RN sequences J. orodkin and L.J. Heyer and.d. Stormo, Nucleic cids Research, 25, , 1997

40 Mise en pratique 2 Modélisation macroscopique: tiges carnc algorithme de Sankoff + théorie des graphes longues séquences comrn théorie des graphes pseudo-noeuds courtes séquences arnac : folding families of related RNs Hélène Touzet, Olivier Perriquet, Nucleic cid Research 2004, 32, pages graph theoretical approach for predicting common RN secondary structure motifs including pseudoknots in unaligned sequences Y. Ji and X. Xu and.d. Stormo Bioinformatics 2004, 20(10),

41 omparaison des performances : BRliBase Sensibilité - sélectivité - coefficient de Matthews Jeux de données trn-phe (S. cerevisiae) 73 nt RNase P (E. coli) 377 nt SS rrn (E. coli) 1542 nt LS rrn (E. coli) 2904 nt Similitude : de 60% à 80% lignements multiples corrects comprehensive comparison of comparative RN structure prediction approaches P. ardner & R. iegerich, BM Bioinformatics, 2004, 5(140)

42 Matthews orrelation 1 RNalifold carnc Méthodes avec alignement RNalifold Pfold 0.5 Pfold Sans alignement préalable Dynalign Foldalign carnc carnc refolded Dynalign Foldalign log 10 (seq length)

43 Sensibilité versus spécificité arnac arnac refolded Dynalign Foldalign Pfold RNalifold X Mfold - RNfold carnc refolded RNalifold Pfold Sensibilité (%) X carnc Foldalign Spécificité (%)

44 Prédiction de gène d RN ènes à protéine RN messager +1 Séquence codante 5 Boîte -35 Boîte -10 TT TTT RBS T STRT T STOP T T T 3 ènes d RN Niveau de l énergie libre (lote 2005) Biais de composition en di-nucléotides (Schattner 2002) nicité du repliement (S.Y. Le & K. Zhang 2002) Variabilité suivant le type d RN, suivant l organisme Signal insuffisant pour une détection fiable? comparison of RN folding measures E. Freyhult, P. ardner & V. Moulton, BM Bioinformatics, octobre 2005

45 Prédiction de gènes pour une famille de séquences Est-ce que les séquences font partie d une même famille d RN non-codants? Schéma général recherche d une structure commune conservée informations thermo-dynamiques et évolutives critères pour évaluer la significativité de la structure Deux exemples: QRN (Rivas et al ) RNz (Hofacker et al )

46 QRN Noncoding RN genes detection using comparative sequence analysis E. Rivas and S. Eddy - BM Bioinformatics 2001, 2:8

47 QRN Noncoding RN genes detection using comparative sequence analysis E. Rivas and S. Eddy - BM Bioinformatics 2001, 2:8

48 QRN Q K V L Modèle codant favorise les mutations silencieuses pour le code génétique Noncoding RN genes detection using comparative sequence analysis E. Rivas and S. Eddy - BM Bioinformatics 2001, 2:8

49 QRN Q K V L Modèle codant favorise les mutations silencieuses pour le code génétique Modèle RN favorise les mutations compensatoires Noncoding RN genes detection using comparative sequence analysis E. Rivas and S. Eddy - BM Bioinformatics 2001, 2:8

50 QRN Q K V L Modèle codant favorise les mutations silencieuses pour le code génétique Modèle RN favorise les mutations compensatoires Modèle par défaut Noncoding RN genes detection using comparative sequence analysis E. Rivas and S. Eddy - BM Bioinformatics 2001, 2:8

51 QRN lignement de 2 séquences Modèle codant HMM sur les codons BLOSM Modèle RN grammaire stochastique Modèle par défaut HMM Sélection de la meilleure vraisemblance

52 RNz Séquences lignement multiple Prédiction des structures individuelles - RNfold Prédiction de la structure consensus - RNalifold omparaison des énergies de la structure consensus et des structures individuelles alcul du Z-score de l énergie de la structure consensus lassification ( SVM ) Fast and reliable prediction of noncoding RNs Washietl S., Hofacker I.L., Stadler P.F Proc. Natl. cad. Sci..S.. 102, , 2005

53 Évaluation des performances Stage de Master Recherche de. Fontaine Propriétés évaluées influence de la conservation entre les séquences influence de la méthode d alignement: Blast, Needle, lustalw, Dialign2, T-coffee influence du nombre de séquences: 2, 3, 5 et 10 Evaluation selon trois critères Sensibilité: proportion de gènes d RN bien classés Spécificité: proportion de données négatives bien classées œfficient de corrélation de Matthews Résultats disponibles à

54 Jeux de données Positifs: 21 familles d RN non-codants sources: RFM, MicroRN Registry 10 à 13 séquences par famille longueur moyenne entre 20 et 370nt identité moyenne entre 44 et 97% Négatifs: 15 familles d RN messagers (sans intron) sources: Homoloene, TIR, Ensembl 4 à 13 séquences par famille longueur moyenne entre 63 et 300nt identité moyenne entre 40 et 90% Négatifs: shuffles des alignements positifs permutations de positions qui détruisent la structure mais préservent l identité locale et globale

55 1 0.8 Spécificité Sensibilité RNz QRN QRN RNz Pourcentage d identité Pourcentage d identité vantage à lustalw parmi toutes les méthodes d alignement Bonne spécificité (> 90%): prédictions positives fiables Sensibilité variable: prédictions négatives moins fiables

56 œfficient de corrélation de Matthews 2 séquences RNz 0.6 QRN Pourcentage d identité œfficient de corrélation de Matthews 3 séquences RNz Pourcentage d identité 1 5 séquences 1 10 séquences œfficient de corrélation de Matthews RNz œfficient de corrélation de Matthews MSRi RNz Pourcentage d identité Pourcentage d identité Dégradation des résultats avec le nombre de séquences: conséquence de la difficulté à produire un alignement correct Msari sait traiter plus de 10 séquences, car l alignement est corrigé

57 Spécificité (RN messagers vs shuffles) Shuffles Spécificité QRN RNz Pourcentage d identité RN messagers Spécificité QRN RNz Pourcentage d identité Excellente spécificité de QRN sur les RN messagers: avantage du modèle codant

58 nnotation à grande échelle ible: génome humain Régions conservées entre vertébrés : 4,81 % S enome Browser + Phastons nalyse exhaustive avec RNz : RN non-codants potentiels Phastons RNz mirn 75% 97% 73% H/ box 75% 86 % 65% /D box 50% 40% 20% Mapping of conserved RN secondary structures predicts thousands of functional noncoding RNs in the human genome Washietl S, Hofacker IL, Lukasser M, Huttenhofer, Stadler PF. Nat Biotechnol. 2005: