Introduction à l annotation des protéines

Transcription

1 Introduction à l annotation des protéines - Université de Lille 1-2 eme Semestre

2 Pistes sur les fonctions des protéines Comparaison aux banques de séquences Recherche dans les banques de motifs ou domaines protéiques Etude de l hydrophobicité, de la charge,... Prédiction de la localisation cellulaire domaines transmembranaires signaux d adressage Etude des structures 2D et 3D

3 Motif protéique Le motif, au sens strict, est un segment court, continu et non ambigu d une séquence nucléique ou protéique. Element structural présent chez tous les membres d une même famille Résidus essentiels à une fonction conservée Résidus pas nécessairement consécutifs sur la séquence primaire Décrit une famille de protéines (une fonction)

4 Domaine protéique Partie de séquence (primaire) qui se replie en structure compacte, indépendamment du reste de la séquence. Conservé entre une ou plusieurs familles de séquences. Possibilité de duplication et réutilisation par des protéines de fonctions différentes ( Gène mosaïques).

5 Identification d un motif Motif décrit dans la littérature ou extrait d un groupe de séquences Recherche d autres séquences du groupe Construction d un alignement multiple Recherche d une séquence courte conservée, biologiquement pertinente. Test du motif Correction éventuelle, ou abandon du motif

6 Critère de sélection des motifs Pour un motif donné correspondant à une fonction Test sur un ensemble de n séquences ayant cette fonction Test sur un ensemble de m séquences n ayant pas cette fonction Etudes des Vrais Positifs (motif et fonction), Faux Positifs (motif mais pas de fonction), Vrai Négatifs (pas de motif, pas de fonction), Faux Négatifs (pas de motif mais fonction).

7 Représentation des motifs F K L L S H C L L V F K A F G Q T M F Q F K L L G N V L V C Expression régulière F-K-[AL]-[LF]-[SG]-[HQN]-[CTV]-[ML]-[LFV]-[CQV] [FY]-C-[RH]-[NS]-x(7,8)-[WY]-C Séquence consensus F K L L G?? L??

8 Représentation des motifs Matrice de poids Construction : Alignement des zones (de taille w) ou le motif est présent Calcul du poids des différents acides aminés présents à chaque position de l alignement Utilisation des fréquences des acides aminés Détection : pour toutes les fenêtres de taille w sur la séquence Calcul du poids de la fenêtre (utilisation des fréquences préalablement calculées) Si ce poids est supérieur à un seuil, alors le domaine est présent.

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

10 Les méthodes A C D E F G H I K L M N P Q R S T V W Y K A F K A F G Q M M F Q F T = = 185

11 Les banques Prodom (PDXXXXX) : Blast (PSI-Blast) ProSite (PSXXXXX) : Expression régulière et matrice SuperFamily (SSFXXXXX) : HMM PFam (PFXXXXX) : HMM (PFAM-A et PFAM-B) SMART, SPRINT, PIR,...

12 Banque de motifs : ProSite Créée en 1998 Contient des domaines ou motifs protéiques ayant une signification biologique particulière. Très bien documentée Définition d un bon motif : Le plus court possible Détecte toutes ou presque toutes les séquences qui ont servi à le décrire. Ne détecte presque pas de faux positifs

13 Recherche de signaux : SignalP prédiction de signaux de localisation petidique / point de coupure dans des protéines signal : associé à la localisation future de la proteine (membrane/secrété), coupé ensuite du reste de la chaîne peptidique. Basé sur l éavluation de trois scores évalués le long de la séquence protéique : score S (signal) score C (cut) score Y (combinaison des deux)

14 SignalP : exemple pour un peptide

15 Annotation des interactions Vision simplifiée ADN ARN Protéine fonction un gène une protéine une fonction

16 La réalité Un gène plusieurs protéines Une protéine plusieurs fonctions fonctions différentes suivant l organisme ou le développement Plusieurs protéines une fonction Complexes protéiques Redondance Différence d expression spatiale ou temporelle

17 Gene Ontology Description du produit des gènes à travers différentes banques Trouver des termes contrôlés pour décrire le produit des gènes (termes GO) processus biologique composant cellulaire fonction moléculaire Indépendant de l espèce! Au début (1998) : collaboration de trois banques FlyBase (Drosophile), Saccharomyces Genome Database (SGD), the Mouse Genome Database (MGD) Depuis, bien d autres...

18 KEGG Une suite de banques de données et de logiciels associés Représente les réseaux d interactions (pathway) Représente les réactions chimiques (COMPOUND/GLYCAN/REACTION) Contient des informations sur les gènes, les protéines (orthologie,...) 20,944 pathways (il y a un an) 38,187 pathways (2006) 271 génomes (il y a un an) 35 eukaryotes bacteria + 27 archaea (2006)

19 KEGG décomposé en trois parties Première partie EcoCyc : annotation (basée sur la littérature) du génome, données sur la transcription, sur les transporteurs et sur les réseaux d interactions d Escherichia coli K-12. MetaCyc : Décrit les enzymes et les réseaux pour plus de 300 organismes. BOCD : collection de groupes chimiques (activateur, inhibiteur,...) Deuxième partie Banques de données issues d outils automatisés et partiellement vérifiées (HpyCyc, HumanCyc...) Troisième partie Banques de données issues d outils automatisés et pas vérifiées

20 KEGG : exemple de pathway