Prédiction de gènes. Licence master

Transcription

1 Prédiction de gènes Hélène Touzet Licence master

2 Deux approches 1. Prédiction par similitude comparaison à des banques d EST EST : expressed sequence tags outil de localisation : BLST comparaison à des banques de données de protéines outil de localisation : BLSTX (traduction de l DN suivant les 6 cadres de lecture) comparaison à un autre organisme homme/souris, bactéries, levures, etc. outil de localisation: BLST 2. Prédiction de novo, sans connaissance préalable

3 L homme et la souris Les deux premiers mammifères séquencés Génome humain: 3 milliards de bases, environ gènes Génome de la souris : 2,5 milliards de bases, environ gènes Parenté génetique : 75 millions d années disparition des derniers dinosaures: environ 60 millions d années 99% de gènes similaires les plus grandes différences sont observées pour l odorat, le système immunitaire et la détoxification Souris : animal de laboratoire cycle de reproduction court (3 semaines de gestation), modèles de mutation

4 Prédiction de novo : structure d un gène procaryote 5 Promoteur 3 DN 5 UTR 3 UTR RN messager RBS codon STRT codon STOP UTR : UnTranslated Region région non traduite lors de la synthèyse protéique RBS : Ribosome Binding Site site de fixation du ribosome à l RN messager lors de la traduction

5 Comment localiser les gènes? En regardant le génome de près CCGT GGTCT CGG GCTT T GTGCTGCGT TGCGTGGG CCGTCGT TGCCCTT 5 Promoteur 3 DN 5 UTR 3 UTR RN messager RBS codon STRT codon STOP Signaux DN Promoteur, RBS, codons STRT et STOP Composition en codons de la région codante Table d usage des codons

6 Etude du promoteur Site d initiation de la transcription Reconnu 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 TTGC TTT---CT

7 Difficulté algorithmique (distance variable entre les deux boites) Le signal peut être très dégradé position C G T Matrice de scores pour TTT (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 Pas convaincant

8 Etude du RBS Ribosome Binding Site Séquence de Shine-Dalgarno: Site d initiation de la traduction Signal bref et dégradé Distance entre le RBS et le codon STRT variable ( 10)

9 À la recherche des codons STRT et STOP ORF (Open Reading Frame) : fragment d DN commençant par un codon STRT TG, CTG ou TTG terminant par un codon STOP dans la même phase T, TG ou TG ne contenant pas de codon STOP entre les deux, toujours dans la même phase Longueur moyenne d un ORF? Longueur moyenne d une protéine?

10 pproche statistique : biais de composition Code génétique: 20 acides aminés, = 64 codons Redondance du code génétique plusieurs choix de codons sont possibles pour coder un acide aminé Table d usage des codons ce choix n est pas équiprobable, et varie suivant les espèces

11 G C T G GG GC GT C CG CC CT T TG TC TT C CG CC CT CG CGG CGC CGT CC CCG CCC CCT CT CTG CTC CTT G GG GC GT GG GGG GGC GGT GC GCG GCC GCT GT GTG GTC GTT T * * TG * * TC TT TG * * TGG TGC TGT TC TCG TCC TCT TT TTG TTC TTT Table d usage des codons pour la bactérie E. coli 1ère colonne: codon 2ème colonne: fréquence observée (gènes connus) 3ème colonne: fréquence théorique (modèle de base)

12 Régions codantes : modèle de Markov basé sur la table d usage des codons (voir transparent suivant) Régions intergéniques : en première approche, modèle de Markov avec indépendance des bases Proba() = 0,237 Proba(C) = 0,253 Proba(G) = 0,279 Proba(T) = 0,231 Codon start Proba(TG) = Proba(GTG) = Proba(TTG) = G C T G C T G C T Codon stop : idem Données pour E.coli

13 C T.. T G T codon stop non codant (modèle intergénique) codon start Modèle de Markov basé sur la table d usage des codons

14 Ecoparse 1994 Modèle plus évolué Courtes régions intergéniques (< 10) Longues régions intergéniques (> 10) pparition de motifs connus après le codon STOP (Repetitive Extragenic Palindromic sequences) avant le codon STRT (RBS) Traitement des chevauchements de taille 1 et 4 NN[G]TGNN N : n importe quel nucléotide

15 C T.. T G T chevauchements courte codon stop Longue région intergénique codon start

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

17 GeneMark.hmm 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

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