Biologie moléculaire. Les gènes et leurs fonctions

Transcription

1 Liste d exercices 3i019 Biologie moléculaire 1. Définissez ce qu est un génome. 2. Expliquer les différences entre les molécules d ADN et d'arn. 3. Expliquer le processus de réplication de l ADN. 4. Expliquer le processus de transcription de l ADN. 5. Expliquer le mécanisme de production des protéines. 6. Quels sont les différents types d ARN, expliquer leurs rôles. 7. Sur un brin d une molécule d ADN, la séquence des nucléotides est CCGTAC. Quelle est la séquence des nucléotides qui s associent à ce brin lors de la réplication? Lors de la transcription? Les gènes et leurs fonctions 1. Qu est-ce que l annotation de gènes? 2. Quelles sont les différences entre les gènes procaryotes et eucaryotes? 3. Quels sont les problèmes rencontrés par les outils d annotation de gènes dans les génomes procaryotes? Dans les génomes eucaryotes? 4. Voici un fragment d'adn contenant le début de la séquence codante d un gène AATGAAACGCATTAGCACC TTACTTTGCGTAAGCGTGG a. Identifiez le début de la phase codante du gène. b. Ecrivez la séquence nucléotidique du fragment d'arnm codant pour le début de la protéine.

2 c. Déduisez-en la séquence de la protéine correspondante. Utilisez le code génétique en annexe. d. On a isolé une protéine mutante dans laquelle la première sérine est remplacée par une arginine. Quelles mutations nucléotidiques pourraient expliquer ce changement d'acide aminé? e. Dans une pathologie, on trouve une forme écourtée de la protéine : seuls les trois premiers acides aminés sont présents. Quelle mutation nucléotidique a eu lieu? 5. Calculer le modèle de "background" (composition en nucléotides) pour la séquence d ADN acctgcactg. 6. Etant donné un dictionnaire contenant la probabilité d'apparition de chaque codon, par exemple : codons = { TTT : 0.001, TTC :0.002, } et une séquence de codons sous forme de liste S=( TTT, TCA, TGA, ), donnez le code python qui calcule la probabilité p de S étant donné le modèle de codons (p= P(S = c0 c1...cn codons) ) 7. Les promoteurs sont des séquences d ADN, généralement en amont du début du gène et responsable de sa régulation. Il y a habituellement des variations dans la composition de la séquence du site promoteur (en général des substitutions). Des expériences biologiques ont permis de déterminer les séquences de promoteurs suivantes: acgact acgtga agcccc acgtca tcgtct acgtca acgtca accgca tggtca acctct a. Calculez la matrice des fréquences de nucléotides par position Fij (i: indice de nucléotide, j: indice de position). Rajoutez des pseudo-comptages. b. Calculez la matrice de score par position, wij = log2(fij/pi), où pi est la probabilité du nucléotide i avec le modèle de background

3 8. Supposons qu'une bactérie est atteinte par un virus qui affecte la machinerie de la réplication aléatoirement en changeant la manière dont chaque nucléotide est recopié: chaque A peut être répliqué comme 3 A, chaque C peut être répliqué comme 4 C, chaque G peut être répliqué comme 4 G, et chaque T peut être répliqué comme 3 T. a. Donnez un algorithme (python ou pseudo-code) qui, pour deux séquences u et v détermine si u peut être une version infectée de v. b. Donnez un algorithme (python ou pseudo-code) qui étant donné une séquence S de la bactérie et un dictionnaire donnant la probabilité de réplication de chaque nucléotides, produira aléatoirement une séquence infectée. Par exemple, si S=ACCTG et P={ A :0.2, C : 0.5, G : 0.3, T : 0.1}, la première lettre (un A) a 20% de chance d'être répliqué comme 3 A, la seconde (un C), 50% de chances de devenir 4 C, etc. c. Le virus a muté, et en plus de rajouter des copies multiples d'une position pendant la réplication, il est également possible que le nucléotide ne soit pas recopié, provoquant une délétion. Modifiez l'algorithme de question a pour prendre en compte ce nouveau phénomène. On dira par exemple que chaque nucléotide a 2% de chances de ne pas être recopié. Alignement par paire 1) Aligner globalement les deux séquences suivantes : U=ACGCCAT et V=GCCCTA, en appliquant le système de scores suivant : Match=2, Mismatch=-1, GAP=-3. A partir de la matrice construite, en déduire le score de l'alignement global optimal, extraire un alignement optimal, et calculer le nombre d'alignements qui ont ce score optimal. 2) On a partiellement rempli la matrice de programmation dynamique correspondant à un algorithme d'alignement de séquences d'adn; la voici :

4 a. Quel type d'alignement 2 à 2 est-on en train de réaliser? b. Pour remplir cette matrice, quel coût a été utilisé pour les «Gaps»? pour les «Match»? pour les «Mismatch» (le coût des «Mismatch» est indépendant du couple de nucléotides considérés)? c. Terminez le remplissage de la grille. d. Proposez un alignement optimal possible. 3) L'algorithme d'alignement global des deux séquences CACGT et AGT donne la table de programmation dynamique suivante : a) Pour remplir cette matrice, quel coût a été utilisé pour les «Gaps»? pour les «Match»? pour les «Mismatch» (le coût des «Mismatch» est indépendant du couple de nucléotides considérés)? b) Proposez un alignement optimal possible. 4) Voici l'alignement obtenu pour deux séquences: CGTTAACG---ACTGTCT CG-TATCGGCCACTATCT Calculez le score de cet alignement dans les cas suivants: a) Match= 2, Mismatch=-1, GAP=-2 b) Comme pour a), mais avec un score de gap affine (ouverture=-3, extension=-1) c) Comme pour b) mais avec la matrice de similarité suivante:

5 BLAST 1) La figure 1 représente les résultats d'une recherche de similarité effectuée au moyen de l'outil BLAST, pour identifier dans le génome humain les régions codant pour l'enzyme acylphosphatase. a) Quelle est la longueur de la séquence requête (précisez l'unité)? b) Quelle modalité de BLAST a été utilisée et pourquoi? c) Comment interpréter les E-valeurs respectives des deux hits de la figure 1b? Quel est le meilleur hit? d) Dans quelle phase les hits sont-t-ils trouvés? e) Expliquer pourquoi dans le deuxième hit la valeur de positivité est supérieure à la valeur d'identité. 2) On considère les deux séquences d ADN : ATTCATTCATTCATTCATTCATTCATTCATTC et ATTGATTGATTGATTGATTGATTGATTGATTG. Quel est, à première vue, leur pourcentage d identité? Quand on fait un alignement avec l algorithme de BLAST (avec une taille de mot de 4), aucune similarité n est trouvée. Pourquoi? 3) Donner le code en python ou pseudo code pour générer la base de données de BLAST. Votre fonction aura la signature db(sequences, w), où sequences est un dictionnaire de séquences et w est la taille de mot. Exemple: sequence = { s1 : acgta, s2 : aacgta, s3 : acggta } et w=3, votre fonction doit renvoyer. {acg : [(s1,1), (s2,2), (s3,1)], cgt : [(s1,2), (s2,3)], gta : [(s1,3), (s2,4), (s3,4)], aac:[(s2,1)], cgg:[(s3,2)], ggt:[(s3,3)]} 4) Montrez comment la séquence cgtca sera alignée par BLAST en utilisant les séquences et la base de donnée indexée de la question précédente.

6 Figure 1a: en-tête du résultat de BLAST Figure 1b: sélection d'alignements retournés par BLAST Alignements Multiples 1) Score d un alignement multiple. a) Donnez le score de l alignement multiple global ci dessous selon la méthode de la somme des paires en considérant le système de scores suivant : score(x,x) = +1, score(x,y) = -1, score(x,-) = score(-,x) = -2, score(-,-) = 0 ACTATGTG A-T--GTG A-TT-GTG b) Est-ce le meilleur alignement global que l on pouvait obtenir? Justifiez votre réponse.

7 2) Donnez le score de l alignement multiple global ci dessous calculé selon la méthode de la somme des paires en utilisant la matrice de substitution BLOSUM 62 (donnée en annexe). NNNIV NNNIV NNN V NNCIV NCCIV 3) Soit les alignements par paires VEDLIRY VEDLRRY PNELRRY VEDLIRY BNKAALIRF VED--LIRY AEDL-RF VEDLIRY Nous voudrions utiliser l algorithme star pour obtenir l alignement multiple : a) Quelle est la séquence guide à utiliser? b) Donner l alignement multiple obtenu par star 4) Soit un alignement multiple de séquences protéiques représenté en Python par une liste de chaines de caractères. Par exemple: almult = ["AHS--LKATL", "L-SW-AA--L", "AHI--LKATL", "LHS--FT--L"]. Dans un alignement multiple, une sous-partie de l'alignement ou "bloc", est considérée comme conservée si plus de 70% des séquences présentent le même acide aminé à chacune des positions du bloc (un bloc peut être une colonne unique). Dans l'exemple précédent, la leucine (L) en dernière position est conservée dans toutes les séquences, tandis que l'histidine (H) et la sérine (S), respectivement en 2de et 3ème positions sont conservées à 75%. Il y a donc 2 blocs conservés, dont les positions dans l'alignement sont : 2-3 et (les gaps sont donc considérés comme un caractère). a) Si on représente un alignement multiple par une liste nommée lseq de n chaînes de caractères, donner l'algorithme (en Python ou en pseudo-code) qui permet d'imprimer les positions de début et de fin des blocs conservés dans l'alignement.

8 b) Quelle(s) modification(s) faut-il apporter à l'algorithme si il ne faut imprimer que les positions des blocs ayant une taille minimale de k colonnes contiguës? c) Comment modifier l'algorithme pour imprimer les positions des blocs non pas conservés, mais dont les colonnes présentent au moins m acides aminés différents (y compris gaps, 1<m<=20) 5) A partir du schéma suivant expliquer les étapes des algorithmes dit d'alignement progressif.

9 Phylogénies. 1) Remplissez la Table ci-dessous en indiquant, pour chaque paire de séquences, le type d homologie (O=Orthologie ; P=Paralogie ; I=Identité) Homme ACYP1 Homme ACYP2 Chimpanzé ACYP1 Chimpanzé ACYP2 Cochon ACYP1 Cochon ACYP2 Ornithorynque ACYP2 Homme ACYP1 Homme ACYP2 Chimpanzé ACYP1 Chimpanzé ACYP2 Cochon ACYP1 Cochon ACYP2 Ornithorynque ACYP2 2) Déroulez l algorithme UPGMA sur la matrice de distances suivante : A B C D A B 2 4 C 6 3) Lequel de ces deux arbres provient d une méthode UPGMA? Expliquez. A B 4) Quel est le nombre possible d'arbres enracinés avec 3 espèces? avec 4 espèces? a. Montrer que, si Cn est le nombre d'arbres enracinés possible avec n espèces, on a C1 = 1 et Cn = (2n-3) Cn-1. b. Déduisez en la formule générale pour Cn = (2n-3)! / 2 n-2 (n-2)!

10 c. Supposons que l'on puisse calculer le score d'un millions d'arbres en une seconde. Combien de temps cela prendrait-il d'évaluer le score de tous les arbres avec 10 espèces? avec 15 espèces? 5) Reconstruction des caractères ancestraux. Soit l'arbre suivant: a. Reconstruisez les séquences ancestrales par parcimonie en utilisant l'algorithme de Sankoff, avec un coût de 1 pour toutes les substitutions. b. Refaites maintenant l'algorithme en prenant cette fois un coût de 1 pour les transitions et un coût de 2 pour les transversions (voir ci dessous).

11 Annexes.