Introduction à la bio-informatique

Transcription

1 Introduction à la bio-informatique Hélène Touzet Équipe Bioinfo LIFL USTL

2 A C G G T G C C T A ADN A U C C U A G Transcription ARN messager Traduction prote ine

3 fonction de la prote ines pre diction de ge nes A C G G T G C C T A A U C C U A G Transcription ARN messager ADN Traduction prote ine pre diction de structure comparaison de se quences

4 Quête du Graal de la bio-informatique... ctgcaggacgcctactaaggcggcggggaaaaacaaacgttattacaccgagacagaagg tgcactgcgttatgttgtcgcggacaacggcgaaaaggggctgaccttcgctgttgaacc aattaagttggcgctatctgantctcatactgtttcacagacctgctgccctgcggcggc caatcttcctttattcgcttataagcgtggagaattaaaatgcgacatcctttagtgatg ggtaactggaaactgaacggcagccgccacatggttcacgagctggtttctaacctgcgt aaagagctggcaggtgttgctggctgtgcggttgcaatcgcaccaccggaaatgtatatc gatatggcgaagcgcgaagctgaaggcagccacatcatgctgggtgcgcaaaacgtgaac ctgaacctgtccggcgcattcacgggtgaaacctctgctgctatgctgaaagacatcggc gcacagtacatcatcatcggtcactctgaacgtcgtacttaccacaaagaatctgacgaa ctgatcgcgaaaaaattcgcggtgctgaaagagcagggcctgactccggttctgtgcatc ggtgaaaccgaagctgaaaatgaagcgggcaaaactgaagaagtttgcgcacgtcagatc gacgcggtactgaaaactcagggtgctgcggcattcgaaggtgcggttatcgcttacgaa cctgtatgggcaatcggtactggcaaatctgcaactccggctcaggcacaggctgttcac aaattcatccgtgaccacatcgctaaagttgacgctaacatcgctgaacaagtgatcatt cagtacggcggctccgtaaacgcgtctaacgctgcagaactgtttgctcagccggatatc gacggcgcgctggttggtggtgcttctctgaaagctgacgccttcgcagtaatcgttaaa gctgcagaagcggctaaacaggcttaagtctgacaggtgccggatttcgatatccggcac ttactttccttaactcttcgccttaacgcaaaatctcacactgatgatcctgaatttcct cggctgaagcacggttaagcgtcagtagatttcgttgtgtcgccagcaatacaaatgagt tatcactctgccgtaccatcgccagcccgtagcgtcccatatgttcccgcgcctcaggta cttcttctgccagcatcataaatgggctgcgttgtaccagttcgctttccgttacccgac gcgcaggtattcatgcccgcgcaaaccacctggcagtggcaaccagcggctgctgatgtt cgccagattgttatcgag...

5 Quête du Graal de la bio-informatique... ctgcaggacgcctactaaggcggcggggaaaaacaaacgttattacaccgagacagaagg tgcactgcgttatgttgtcgcggacaacggcgaaaaggggctgaccttcgctgttgaacc aattaagttggcgctatctgantctcatactgtttcacagacctgctgccctgcggcggc caatcttcctttattcgcttataagcgtggagaattaaaatgcgacatcctttagtgatg ggtaactggaaactgaacggcagccgccacatggttcacgagctggtttctaacctgcgt aaagagctggcaggtgttgctggctgtgcggttgcaatcgcaccaccggaaatgtatatc gatatggcgaagcgcgaagctgaaggcagccacatcatgctgggtgcgcaaaacgtgaac ctgaacctgtccggcgcattcacgggtgaaacctctgctgctatgctgaaagacatcggc gcacagtacatcatcatcggtcactctgaacgtcgtacttaccacaaagaatctgacgaa ctgatcgcgaaaaaattcgcggtgctgaaagagcagggcctgactccggttctgtgcatc ggtgaaaccgaagctgaaaatgaagcgggcaaaactgaagaagtttgcgcacgtcagatc gacgcggtactgaaaactcagggtgctgcggcattcgaaggtgcggttatcgcttacgaa cctgtatgggcaatcggtactggcaaatctgcaactccggctcaggcacaggctgttcac aaattcatccgtgaccacatcgctaaagttgacgctaacatcgctgaacaagtgatcatt cagtacggcggctccgtaaacgcgtctaacgctgcagaactgtttgctcagccggatatc gacggcgcgctggttggtggtgcttctctgaaagctgacgccttcgcagtaatcgttaaa gctgcagaagcggctaaacaggcttaagtctgacaggtgccggatttcgatatccggcac ttactttccttaactcttcgccttaacgcaaaatctcacactgatgatcctgaatttcct cggctgaagcacggttaagcgtcagtagatttcgttgtgtcgccagcaatacaaatgagt tatcactctgccgtaccatcgccagcccgtagcgtcccatatgttcccgcgcctcaggta cttcttctgccagcatcataaatgggctgcgttgtaccagttcgctttccgttacccgac gcgcaggtattcatgcccgcgcaaaccacctggcagtggcaaccagcggctgctgatgtt cgccagattgttatcgag...

6 Quête du Graal de la bio-informatique MRHPLVMGNWKLNGSRHMVHELVSNLRKELAG VAGCAVAIAPPEMYIDMAKREAEGSHIMLGAQ NVDLNLSGAFTGETSAAMLKDIGAQYIIIGHS ERRTYHKESDELIAKKFAVLKEQGLTPVLCIG ETEAENEAGKTEEVCARQIDAVLKTQGAAAFE GAVIAYEPVWAIGTGKSATPAQAQAVHKFIRD HIAKVDANIAEQVIIQYGGSVNASNAAELFAQ PDIDGALVGGASLKADAFAVIVKAAEAAKQA

7 Quête du Graal de la bio-informatique MRHPLVMGNWKLNGSRHMVHELVSNLRKELAGVAGCAVAIAPPEMYIDMAKREAEGSHIM LGAQNVDLNLSGAFTGETSAAMLKDIGAQYIIIGHSERRTYHKESDELIAKKFAVLKEQG LTPVLCIGETEAENEAGKTEEVCARQIDAVLKTQGAAAFEGAVIAYEPVWAIGTGKSATP AQAQAVHKEIRDHIAKVDANIAEQVIIQYGGSVNASNAAELFAQPDIDGALVGGASLKAD AFAVIVKAAEAAKQA

8 Quête du Graal de la bio-informatique MRHPLVMGNWKLNGSRHMVHELVSNLRKELAGVAGCAVAIAPPEMYIDMAKREAEGSHIM LGAQNVDLNLSGAFTGETSAAMLKDIGAQYIIIGHSERRTYHKESDELIAKKFAVLKEQG LTPVLCIGETEAENEAGKTEEVCARQIDAVLKTQGAAAFEGAVIAYEPVWAIGTGKSATP [AV] Y E P [LIVM] W [SA] I G T[GK] AQAQAVHKEIRDHIAKVDANIAEQVIIQYGGSVNASNAAELFAQPDIDGALVGGASLKAD AFAVIVKAAEAAKQA signature d un site actif triosphosphate isomérase

9 Quête du Graal de la bio-informatique MRHPLVMGNWKLNGSRHMVHELVSNLRKELAGVAGCAVAIAPPEMYIDMAKREAEGSHIM LGAQNVDLNLSGAFTGETSAAMLKDIGAQYIIIGHSERRTYHKESDELIAKKFAVLKEQG LTPVLCIGETEAENEAGKTEEVCARQIDAVLKTQGAAAFEGAVIAYEPVWAIGTGKSATP AQAQAVHKEIRDHIAKVDANIAEQVIIQYGGSVNASNAAELFAQPDIDGALVGGASLKAD AFAVIVKAAEAAKQA Eléments de la structure secondaire hélice alpha feuillet beta Domaine conservé

10 Quête du Graal de la bio-informatique

11 Quête du Graal de la bio-informatique

12 biologie moléculaire bio-informatique 1865 théorie de l hérédité (Mendel) 1944 ADN support de l information génétique (Avery) 1951 première protéine séquencée insuline (Sanger) 1953 strcture en double hélice de l ADN (Watson-Crick) 1961 code génétique 1967 arbre phylogénétique (Nirenberg et Matthaei) 1970 comparaison de séquences 1974 prédiction de structures de protéines 1977 séquençage d ADN 1978 premières banques de données 1984 invention de la PCR 1980 alignement local 1990 programme international de séquençage du génome humain 1990 logiciel Blast 1996 génome de la levure 1991 prédiction de gènes 2000 brouillon du génome humain génomes

13 1978 : séquence du phage phix174 (premier génome à ADN, 5386 bp) Bactéries 1995 : Haemophilus Influenzae 1996 : Bacillus Subtilis 1996 : Escherichia Coli Eucaryotes 1990 : programme international de séquençage Génome Humain 1996 : levure (premier eucaryote) 1998 : Caenorhabditis Elegans ( pluri-cellulaire) 2000 : Arabidopsis Thaliana (premier génome de plante) 2000 : brouillon du génome humain Aujourd hui : 340 génomes publiés, 1500 en cours souris, drosophile, rat, zebra fish,maïs, poulet, chimpanzée, etc.

14 Les bases de données nucléiques International Nucleotide Sequence Database Collaboration Trois partenaires EMBL (Europe) Genbank (Etats-Unis) DDBJ (Japon) Contributeurs: organismes de recherche, programmes de séquençage Tous types de séquences chromosome, contigs, ARN messagers, EST,... Août 2005 : nucléotides organismes

15 Janvier 2006: nucléotides

16 Répartition par organismes (en nucléotides)

17 Les bases de données protéiques Structure Structure Structure Structure primaire secondaire tertiaire quaternaire Swissprot : séquences TrEMBL : séquences PDB : 243 structures

18 Les bases de données protéiques Swissprot : banques de protéines séquencées TrEMBL : banques de protéines prédites à partir d ARN messagers PDB : Protein Data Bank - banque de structures de protéines résolues expérimentalement cristallographie, résonance magnétique nucléaire Lien entre la séquence et la structure dans PDB, toutes les protéines avec plus de 25 % d identité partagent la même structure

19 La comparaison de séquences Assemblage de contigs (séquençage) Recherche de séquences homologues Prédiction de gènes Recherche d une fonction commune etc.

20 Exemple : l insuline éléphant hamster FVNQHLCGSHLVEALYLVCGERGFFYTPKTGIVEQCCTGVCSLYQLENYCN FVNQHLCGSHLVEALYLVCGERGFFYTPKSGIVDQCCTSICSLYQLENYCN éléphant baleine FVNQHLCGSHLVEALYLVCGERGFFYTPKTGIVEQCCTGVCSLYQLENYCN FVNQHLCGSHLVEALYLVCGERGFFYTPKAGIVEQCCASTCSLYQLENYCN éléphant alligator FVNQHLCGSHLVEALYLVCGERGFFYTPKTGIVEQCCTGVCSLYQLENYCN AANQRLCGSHLVDALYLVCGERGFFYSPKGGIVEQCCHNTCSLYQLENYCN

21 Alignement Mise en correspondance de deux séquences (ADN ou protéines) R D I S L V K N A G I R N I - L V S D A K N V G I 3 événements mutationnels élémentaires Score d une opération substitution } insertion indel délétion substitution : score de similarité indel : pénalité Le score de l alignement est la somme des scores élémentaires

22 2 séquences plusieurs alignements possibles R D I S L V K N A G I R D I - - S L V K N A G I R N I - L V S D A K N V G I R N I L V S D A K N V G I R D I - - S L V K N A G I R N I L V S D A K N V G I Scores : 19, -11 et 25 respectivement Bon/mauvais alignement? matrices de substitutions Mismatch : Match : Indel : G, N : 6 DN : 1 R, K : 5 5 AV, LD : 0 A, I, L, S, V : 4

23 2 séquences plusieurs alignements possibles R D I S L V K N A G I R D I - - S L V K N A G I R N I - L V S D A K N V G I R N I L V S D A K N V G I R D I - - S L V K N A G I R N I L V S D A K N V G I Scores : 19, -11 et 25 respectivement Bon/mauvais alignement? matrices de substitutions Mismatch : Match : Indel : G, N : 6 DN : 1 R, K : 5 5 AV, LD : 0 A, I, L, S, V : 4

24 Alignement global Needleman & Wunsch Évaluation d une ressemblance globale entre deux séquences Données deux séquences (nucléotides ou acides aminés), des scores de similarité et des pénalités. Problème Quel est l alignement de score maximal?

25 Algorithme Séquences ACGGCTAT et ACTGTAT, scores match = 2, mismatch = -1 et indel= -2. Que peut-il se passer pour la dernière opération? Substitution de T en T ACGGCTA T??? ACTGTA T score de ACGGCTA ACTGTA +2 Délétion de T ACGGCTA T??? ACTGTAT - score de ACGGCTA ACTGTAT 2 Insertion de T ACGGCTAT -??? ACTGTA T score de ACGGCTAT ACTGTA 2

26 Sim(i, j) : score optimal entre U(1..i) et V (1..j) Formule de récurrence : Sim(0, 0) = 0 Sim(0, j) = Sim(0, j 1) + Ins(V (j)) Sim(i, 0) = Sim(i 1, 0) + Del(U(i)) Sim(i 1, j 1) + Sub(U(i), V (j)) Sim(i, j) = max Sim(i 1, j) + Del(U(i)) Sim(i, j 1) + Ins(V (j))

27 Que se passe-t-il si on implémente ces formules de manière récursive

28 Programmation dynamique Formulation d problème sous forme récursive le problème est réduit à plusieurs instances plus petites, elle-mêmes résolues par décomposition. Stockage des résultats intermédiaires dans une table Extraction de la solution optimale à partir de la table Ici calculs intermédiaires = scores d alignements entre préfixes

29 Étape 1: création d une table indexée par les deux séquences. A C G G C T A T A C T G T A T Case (i, j) : score entre les i premières bases de ACGGCTAT et les j premières bases de ACTGTAT.

30 Étape 1: création d une table indexée par les deux séquences. Cas de base - initialisation aa A C G G C T A T A C T G T A T

31 Étape 1: création d une table indexée par les deux séquences. Remplissage ligne par ligne aa A C G G C T A T A C T G T A T

32 Étape 1: création d une table indexée par les deux séquences. Remplissage ligne par ligne aa A C G G C T A T A C T G T A T

33 Étape 2 : recherche du chemin des scores maximaux dans la matrice. A C G G C T A T A C T G T A T

34 Étape 3 : construction de l alignement Sur le chemin des scores maximaux, on regarde quelle est l opération correspondante. insertion délétion substitution ou identité Résultat A C G G C T A T A C T G - T A T

35 Complexité de l algorithme Pour le calcul du score d alignement : (étape 1) O(n m) en temps O(min{n, m}) en espace Pour la construction de l alignement : (étapes 1, 2 et 3) O(n m) en temps et en espace

36 Enrichissement du modèle: les scores Traitement des gaps Gap: succession de délétions ou d insertions correspond à un seul événement mutationnel (insertion ou disparition d un bloc). T C A G A C G A G T C T C A G A C G A G T C -> T C G G A - G C - T G T C G G A - - G C T G nouvelles pénalités :pénalité d ouverture de gap (exemple : -10) + pénalité d extension de gap (exemple : -0.5) Score de substitutions ADN : identité, transition/transversion Protéines : matrice pour les 20 acides aminés

37 Matrices pour les acides aminés: PAM, BLOSUM aliphatiques M V I L F Y C W A G G T S D E K H R P Q petits très petits positifs non polarisés aromatiques chargés polarisés