INTRODUCTION A LA BIOINFORMATIQUE

Transcription

1 INTRODUCTION A LA BIOINFORMATIQUE Yvan Le Yvan.le_bras@irisa.fr CNRS IRISA INRIA Plateforme GenOuest 20 avril 2016 Olivier Collin (

2 BANQUES

3 Bases et banques Quantité croissante des banques : 1380 env. NAR : Multiplicité des bases (et des formats) : défi pour l intégration des données Hétérogénéité des données Hétérogénéité de structure des bases Certains champs ou propriétés non interrogeables Métabanques

4 Aug 1986 Dec 1988 Sep 1991 Dec 1993 Oct 1995 Aug 1997 Aug 1999 Jun 2001 Apr 2003 Feb 2005 Dec 2006 Oct 2008 Aug 2010 Feb 1986 Mar 1988 Mar 1990 Jun 1992 Feb 1994 Aug 1995 Feb 1997 Aug 1998 Apr 2000 Oct 2001 Apr 2003 Oct 2004 Apr 2006 Oct 2007 Apr 2009 Oct 2010 Apr 2012 Evolution , , ,00 Entries , , , , , , , , ,00 0,00 Entries , , , ,00 Base Pairs Entries 0,00 GenBank : 560 Go

5

6 Typologie des banques Banque généraliste : GenBank EMBL DDBJ Swissprot Banque spécialisée :organisme MGD Mouse Genome Database FlyBase Banque spécialisée : thème InterPro EPD eukaryotic promoter database Banque spécialisée : métabolisme KEGG EcoCyc Banque spécialisée :interactions DIP BIND Banque spécialisée : famille PKR: protein kinase resource RNA 16S

7 Difficultés Le souci principal est l hétérogénéité des données: hétérogénéité des données hétérogénéité de structure des bases Certains champs ne sont pas interrogeables.

8 Percolation Une séquence : «Putative dinosaur genomic DNA, partial sequence» XXU41319 ctattcctta attaatgtct acatggctat ttttaatgtt attactgttt gtcactataa aaaaacgctc atttgagaca atactgacat taactgcttc aacttctacg cacggaactt ttaattaaat tagcacagga atgttaaatt taatanacaa aaggttattt cgctgtatga taaaaaaaac c Résultats : Score E Sequences producing significant alignments: (bits) Value gi gb U XXU41319 Putative dinosaur genomic D e-82 gi gb U Escherichia coli K-12 MG1655 compl e-66 gi dbj D E.coli genomic DNA, Kohara clone # e-66 gi dbj D E.coli genomic DNA, Kohara clone # e-66 gi gb AE Escherichia coli O157:H7, comple e-59 gi dbj BA Escherichia coli O157:H7 DNA, c e-59 gi emb AL Human DNA sequence from clone gi gb AE Zymomonas mobilis subsp. mobilis gi emb AL HSJ636L22 Human DNA sequence fr gi emb AL Zebrafish DNA sequence from cl gi emb AL HSJ365I19 Human DNA sequence fro gi emb CR Human DNA sequence from clone R gi emb BX Human DNA sequence from clone R

9 Banques généralistes Séquences nucléotidiques EMBL en Europe GENBANK aux USA DDBJ au Japon Echange d infos entre ces 3 banques Séquences protéiques Swissprot (annotation manuelle fiable) / TrEMBL (traduction automatique de séquence et annotation du gène) Uniprot (fusion avec Swissprot/ TrEMBL depuis 2006) PIR Protein Information Resource

10 Exemple du NCBI

11

12 Exemple du NCBI Nucleotide par l exemple Cherchez le gène de la creatine kinase, mitochondrial 2 du poisson zèbre, le danio rerio

13 Exemple du NCBI Nucleotide par l exemple Cherchez le gène de la creatine kinase, mitochondrial 2 du poisson zèbre, le danio rerio Un type de requête : danio rerio[organism] AND "creatine kinase" AND "mitochondrial 2" Cherchez le gène mentionné dans la vidéo suivante vers 0:34 :

14 Exemple du NCBI Nucleotide par l exemple Cherchez le gène de la creatine kinase, mitochondrial 2 du poisson zèbre, le danio rerio Un type de requête : danio rerio[organism] AND "creatine kinase" AND "mitochondrial 2" Cherchez le gène mentionné dans la vidéo suivante : Une solution : utiliser l identifiant de référence : NM_200697

15 Exemple du NCBI Nucleotide par l exemple Cherchez le gène de la creatine kinase, mitochondrial 2 du poisson zèbre, le danio rerio Une solution : utiliser l identifiant de référence : NM_200697

16 Exemple du NCBI Nucleotide par l exemple Cherchez le gène de la creatine kinase, mitochondrial 2 du poisson zèbre, le danio rerio Une solution : utiliser l identifiant de référence : NM_200697

17 Beaucoup d identifiants différents et de codes

18 De plus près

19 De plus près HUGO Gene Nomenclature Committee

20 Ensembl De plus près

21 De plus près Human Protein Reference Database

22 De plus près Online Mendelian Inheritance in Man

23 De plus près Vega

24 De plus près

25 De plus près

26

27

28

29

30

31 NM_ ,1 NP_ AL CCDS6766,1 ENSP

32 Les identifiants Très nombreux et parfois redondant Accession Number et GI number : AL / Accession number et numéro de version GI: / GI number = premier type d identifiant de séquence NCBI Ils désignent la même séquence! GI maintenu pour des raisons de compatibilité RefSeq ID Liens vers données RefSeq jeu de séquences non redondante et bien annotées Génomique, transcrits, protéines Structure : XX_ XX pour le type de données 6 ou 9 chiffres d identification.0 pour le numéro de version (n est pas mentionné pour les dernières versions)

33 Les identifiants Données RefSeq «curated» Données RefSeq «automated» Données RefSeq «mixed» Curated Automated

34

35

36 Autres bases du NCBI Beaucoup beaucoup Nucleotide Protein Genome Une base pour tous les génomes (Genome) Une base par génome (Genome Projects) UniGene Ensemble non redondant de gènes représentés chacun par un groupe de séquences HomoloGene Liste des homologues entre gènes eucaryotes Structure Structure 3D domains Conserved domains UniSTS Liste de marqueurs non redondants dbsnp dbgap Taxonomy Gene Expression Omnibus (GEO).

37 Autres bases du NCBI HomoloGene par l exemple Cherchez les homologues du gène de la creatine kinase, mitochondrial 2 du poisson zèbre, le danio rerio

38 Des sites pour retrouver l info Deux principaux sites très complet : Ensembl Génomique fonctionnelle Interrogation facilité via API Perl ou Biomart UCSC Génomique structurale Comparaison de génomes Interrogation facilitée via UCSC Genome Browser ou Galaxy Notion de réconciliation de données Synthèse d informations issus de différentes banques et bases Outils disponibles de comparaison de séquences : BLAST et BLAT

39 Des sites pour retrouver l info UCSC via Galaxy en pratique Instance Galaxy de l IFB : Manipulation de séquences Supports pour aller plus loin : Manipulation de séquences Utilisation de Galaxy