INTRODUCTION À LA BIO-INFORMATIQUE

Transcription

1 Biologie moléculaire INTRODUCTION À LA BIO-INFORMATIQUE Dans cette section, on désire vous donner une introduction sur l utilisation du site web du National Center for Biotechnology Information (NCBI) pour obtenir de l information au sujet de différentes séquences. Lien au site web de NCBI : RECHERCHE GÉNÉRALE 1. Le premier outil que nous allons explorer est l engin de recherche général. Semblable à Google, vous pouvez entrer une combinaison de termes de recherche, ou le numéro d accession spécifique de la séquence d'intérêt, dans la zone de recherche. Vous pouvez également spécifier sur quelle base de données effectuer la recherche dans le menu déroulant as à gauche de la boîte de recherche. 2. Disons que nous sommes intéressés à trouver des informations relatives à la myosine, une protéine musculaire. Entrez le mot «myosin» dans la zone de recherche, puis cliquez sur «Search». Une nouvelle page sera affichée, telle que sur la page suivante, indiquant le nombre de fichier trouvés dans les différentes bases de données.

2 Biologie moléculaire Les bases de données qui seront le plus fréquemment utilisées dans ce cours sont celles des nucléotides et la base de données protéique. Cliquez sur la base de données de nucléotides pour obtenir la page suivante 4. Pour préciser votre recherche, vous pouvez alors choisir parmi les menus sur la gauche

3 Biologie moléculaire l'espèce, le type de molécule ou le taxon spécifique parmi les organismes les plus communs dans le menu de droite. Pour cet exemple, nous allons d'abord choisir l'arnm du menu de type de molécule. Ensuite, à partir de la nouvelle fenêtre qui apparaît, nous allons choisir des dossiers spécifiques pour le poisson zèbre (Danio rerio) à partir du menu des taxons. 5. Une liste des fichiers correspondant à vos critères de recherche sera alors affichée. De là, vous pouvez rechercher et accéder au fichier spécifique d'intérêt. L'information qui peut être obtenu à partir de ces fichiers sera expliquée plus loin dans cet exercice. 6. Pour votre devoir, utiliser cette approche pour trouver le numéro d accession du premier fichier pour l'actine, cytoplasmique 2 isoforme 1 de la souris (Mus musculus). 7. Ensuite, utilisez l engin de recherche général pour obtenir le fichier qui correspond au numéro d'accession NG_ Une fois que vous avez obtenu ce fichier, répondez aux questions suivantes pour votre devoir. Est-ce que ce fichier correspond à une séquence nucléotidique ou protéique? Quelle a été la source de la séquence; une protéine, l'arnm ou l'adn génomique?

4 Biologie moléculaire RECHERCHE AVEC UNE SÉQUENCE NUCLÉOTIDIQUE 1. L engin de recherche le plus couramment utilisé soit avec des séquences nucléotidiques ou protéiques est le «Basic Local Alignment Search Tool» (BLAST). Vous pouvez accéder à cet engin de recherche à partir du menu des ressources populaires sur la droite, ou par le biais du lien «Resource list (A-Z)» dans le menu à gauche. 2. «Resource List (A-Z)» : Sur cette page se retrouve la majorité des liens que vous utiliserez durant l'année.

5 Biologie moléculaire Explorons BLAST. Cliquer sur le lien BLAST. Vous devriez obtenir la page suivante : «BLAST» est une collection d engins de recherches de similarités conçus pour examiner toutes les bases de données de séquences indépendamment qu elle soit protéine ou ADN. «Nucleotide blast» compare une séquence nucléique d intérêt aux séquences d une base de données d acides nucléiques. «Protein blast» compare une séquence d acides aminés d intérêt aux séquences d une base de données de protéines. «Blastx» compare une séquence nucléique d intérêt traduite dans tous les cadres de lecture aux séquences d une banque de données de protéines. Vous pourriez utiliser cette option pour trouver les produits de traduction d une séquence nucléique inconnue. «Tblastn» compare une séquence d acides aminés d intérêt aux séquences d une base de données d acides nucléiques dont la traduction a été faite dans tous les cadres de lecture. «Tblastx» compare les traductions dans les six cadres de lectures d une séquence nucléique d intérêt aux séquences d une base de données d acides nucléiques traduites.

6 Biologie moléculaire En premier lieu, nous utiliserons ce programme pour obtenir de l information sur différentes séquences avec lesquelles vous allez travailler. Notez, une de ces séquences représente celle de l insertion que vous devez vérifier dans l exercice de laboratoire N o Cliquer sur l option «Nucleotide blast" (blastn)». Vous devriez obtenir la page suivante: 5. Avant de pouvoir faire l entrée de la séquence d intérêt, vous devez vous assurer que le format de celle-ci est compatible avec le logiciel. La majorité des logiciels qui traitent des séquences peuvent comprendre un format appelé FASTA. Le format FASTA est un fichier texte dépourvu de chiffres ou toute autre annotation qui est précédée par une ligne descriptive de texte. Voici un exemple : >John s sequence123 (Pesez «enter» après cette ligne) AACGTCGGATTCAGGTACCCAGGAAAACTACATCTC La première ligne de votre fichier doit débuter avec le symbole suivant : «>». Ce symbole informe le logiciel que cette ligne est descriptive seulement et que l information au sujet de la séquence débute sur la prochaine ligne. Vous pouvez écrire quoi que ce soit sur cette ligne pour identifier la séquence. La prochaine ligne représente la séquence. 6. Obtenir le document texte des séquences inconnues disponible sur la page web de BIO3551, en suivant le lien: Séquences>Gènes inconnus. Ce document contient cinq séquences numérotées de 1-5. Convertir chacune des séquences au format FASTA. Vous pouvez faire cela dans «NOTEPAD»

7 Biologie moléculaire Copier et coller la séquence dans la boite de requête de «Nucleotide blast». Choisir la banque de données sur laquelle la recherche sera exécutée dans le menu «Choose Search Set». Choisir «other» puisque les séquences ne sont pas d origine humaine ou de souris et «nucleotide collection (nr/nt)». (Voir l image ci-dessous) 8. Maintenant, choisir le logiciel qui fera la recherche à partir du menu «Program Selection». Choisir «Somewhat similar sequences (blastn)» 9. Cliquer sur BLAST. Une nouvelle page apparaîtra vous indiquant d attendre pour que la requête soit complétée. Cela pourrait être très rapide ou très long en fonction de la charge sur le serveur de NCBI.

8 Biologie moléculaire Une fois que votre requête aura été complétée, une nouvelle page sera ouverte indiquant les résultats de votre recherche. 11. Avant de procéder avec l analyse des résultats, nous allons changer les options du format. Cliquer sur «Formatting options» au haut de la page. Un nouveau menu apparaitra tel qu illustré ci-dessous: choisir l option «Old view» et ensuite cliquer sur «Reformat».

9 Biologie moléculaire Les correspondances à votre séquence sont présentées sous trois formats. Un format graphique tel que celui-ci : Plus bas sur la page, un format textuel comme celui-ci :

10 Biologie moléculaire Et encore plus bas, les alignements des séquences : Pour cet exercice, le format qui nous intéresse c'est la liste des différents fichiers obtenus qui représentent des correspondances. Parmi l'information qui peut être retrouvée sont les valeurs suivantes : «Query coverage» : Cette valeur indique quelle étendue de votre séquence (de requête initiale) correspond à la séquence trouvée. Par exemple, si la requête initiale est de 631 nucléotides de long et BLAST peut aligner tous les 631 nucléotides de cette requête contre une des séquences dans la base de donnée, alors cela représenterait une couverture de 100%. Rappelez-vous, «Query coverage» ne prends pas en considération la longueur de la séquence retrouvée, mais seulement le pourcentage de la séquence de requête qui s aligne avec celle retrouvée. La valeur attendue (E) est un paramètre qui décrit le nombre de séquences qu on peut «s attendre» de retrouver par hasard lors de la recherche d'une base de données d'une taille particulière. Essentiellement, la valeur E décrit le bruit de fond aléatoire. Par exemple, une valeur E de 1 attribué à un résultat peut être interprétée comme signifiant que, dans une base de données de la taille actuelle on pourrait attendre à avoir une correspondance avec un score similaire simplement par hasard. La plus faible est la valeur E, ou le plus proche qu elle est de zéro, la plus «significative» est la correspondance.

11 Biologie moléculaire «Ident.» : BLAST calcule le pourcentage d'identité entre la requête et le résultat pour un alignement de nucleotide à nucleotide. Comment expliquez-vous le fait que plus d'une séquence possède une identité de 100%? Notez que certaines des séquences représentent des séquences du génome entier! Par exemple, la première séquence de cette recherche. Pour cet exercice, vous souhaitez obtenir la séquence du gène et non celle du génome. Celles-ci sont parfois suivies de la lettre «G». Notez dans l'exemple ci-dessus que le fichier suivi d'un «G» indique 100% d'identité, mais seulement une couverture de 42%. Qu'est-ce que cela veut dire? 13. Cliquer sur le numéro d accession pour visualiser le fichier. Vous devriez obtenir un fichier semblable à celui-ci :

12 Biologie moléculaire L information qui peut être obtenue d un fichier nucléotidique: La définition (#1): Fournit une brève description de la séquence, qui inclut de l information telle que l organisme source, le nom du gène/nom de la protéine ou une description de la fonction de la séquence. Le numéro d accession (#2): Un identificateur unique du fichier de la séquence. L organisme (#3): Le nom formel scientifique pour l organisme source (genre et espèce). La source: (#4): L information inclut une forme abrégée du nom de l organisme parfois suivi du type de molécule.. CDS (#5): Séquence codante; région de nucléotides qui correspond à la séquence d acides aminés de la protéine (inclut sont les codons «Start» et «Stop»). En cliquant sur ce lien vous pourriez obtenir la séquence de l ARNm du codon «Start» au codon «Stop». o Gene = (#6): Le nom du gène. o Product = (#7): Le nom du produit du gène. o Protein_id. (#8): Ceci est le numéro d accession de la protéine. En cliquant sur ce lien vous pouvez obtenir le fichier de la protéine. 15. Dans plusieurs des exercices ultérieurs, vous devrez obtenir et sauvegarder ces séquences sous format FASTA. Afin de changer la présentation à FASTA, choisir FASTA au haut de la page. Vous devriez être redirigé à une page semblable à celle-ci :

13 Biologie moléculaire Vous pourriez maintenant sélectionner et copier la description qui est précédée par le symbole «>» ainsi que la séquence et la collée dans le programme de votre choix, ou dans «Notepad» si vous désiriez sauvegarder la séquence sous ce format. 17. Pour votre devoir, obtenir les informations suivantes pour chacune des séquences inconnues disponible sur la page web de ce cours (Séquences > Gènes inconnus): Numéro d accession «Coverage» Ident. E value La définition L organisme duquel cette séquence a été obtenue Le nom du gène Le nom du produit du gène Le numéro d accession de la protéine