1 / 72

Corso integrato di Matematica, Informatica e Statistica Informatica di base Linea 1

Corsi di Laurea in Biotecnologie (primo anno interfacoltà). Corso integrato di Matematica, Informatica e Statistica Informatica di base Linea 1. Daniela Besozzi Dipartimento di Informatica e Comunicazione Università degli Studi di Milano. Ottava lezione: Introduzione alla Bioinformatica.

kendis
Download Presentation

Corso integrato di Matematica, Informatica e Statistica Informatica di base Linea 1

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Corsi di Laurea in Biotecnologie (primo anno interfacoltà) Corso integrato di Matematica, Informatica e StatisticaInformatica di baseLinea 1 Daniela Besozzi Dipartimento di Informatica e Comunicazione Università degli Studi di Milano

  2. Ottava lezione:Introduzione alla Bioinformatica Informatica di base – Linea 1 e 2

  3. Prima parteCos’è la Bioinformatica? Informatica di base – Linea 1 e 2

  4. Una definizione di Bioinformatica • La Bioinformatica è la scienza che si occupa della soluzione di problemi biologici, sfruttando gli strumenti e le teorie dell’Informatica • Nata con lo scopo di fornire metodi automatici per l’analisi di sequenze di DNA e di proteine: • sviluppo di database di dati biologici • enorme impulso dal Progetto Genoma Umano (sequenziamento di genomi su larga scala) Informatica di base – Linea 1 e 2

  5. Una definizione di Bioinformatica • Oggi si usa spesso anche il termine “Biologia Computazionale”: • sviluppo di modelli matematici e statistici per l’integrazione e l’interpretazione dei dati sperimentali • definizione di algoritmi per l’analisi di sequenze, l’espressione dei geni, la previsione di strutture molecolari, lo studio di processi evolutivi, … • sviluppo di strumenti per la simulazione di processi cellulari e sistemi biologici complessi Informatica di base – Linea 1 e 2

  6. Bioinformatica Relazione fra Informatica e Biologia Informatica Biologia • Problema di biologia: • In cosa consiste? • Perché è importante? • E’ “facile o difficile”? • Possiamo risolverlo? • Che ricadute ha? Metodologie informatiche soluzione? Informatica di base – Linea 1 e 2

  7. (Alcuni) problemi della Biologia (1) • Analisi di sequenze genomiche: • sequenziamento e mappatura di genomi • ricerca di geni con la stessa funzione in organismi diversi • Analisi di sequenze e strutture proteiche: • prevedere la funzione di una proteina poco nota • ricerca di proteine omologhe in organismi diversi • Evoluzione di organismi: • ricostruire l’albero filogenetico di un insieme di organismi • capire le relazioni evolutive fra proteine (e geni) Informatica di base – Linea 1 e 2

  8. (Alcuni) problemi della Biologia (2) • Funzionamento di processi cellulari: • comprensione dei meccanismi di interazione fra le varie specie molecolari presenti nella cellula • localizzazione e concentrazione delle specie molecolari • studio delle dinamiche del processo • Comportamento di sistemi multicellulari: • comprensione dei meccanismi di interazione fra cellula e cellula (in un tessuto, in una colonia di microrganismi) • studio di metodi per intervenire positivamente o negativamente sul sistema multicellulare: • es. colonia di batteri patogeni Informatica di base – Linea 1 e 2

  9. (Alcuni) problemi della Biologia (3) • Sviluppo di farmaci e terapie mediche: • progettazione di farmaci specifici per una certa patologia, e analisi di tossicità/assorbimento del farmaco • previsione e prevenzione di malattie, ottimizzazione delle terapie mediche • medicina personalizzata • Risanamento ambientale (bioremediation): • uso di biotecnologie per la “costruzione” di batteri in grado di degradare contaminanti ambientali Informatica di base – Linea 1 e 2

  10. Gli strumenti dell’Informatica • Molti concetti che avete già visto in questo corso: • Algoritmi • Modelli • Software e hardware dedicati • Database • Calcolo parallelo • Calcolo distribuito • … Informatica di base – Linea 1 e 2

  11. Seconda parteAllineamenti di sequenze Informatica di base – Linea 1 e 2

  12. Qual è il problema biologico? • Es.1 - In un laboratorio viene sequenziato un gene di un organismo. Si vuole sapere: • se questo gene è presente anche in altri organismi, per i quali è già stata identificata la sua funzione • se un altro laboratorio, che ha sequenziato lo stesso gene, ha ottenuto lo stesso identico risultato • Es.2 - Viene scoperta una nuova proteina, di cui non si conosce la funzione. Si vuole sapere: • se esiste qualche altra proteina simile a quella appena scoperta, di cui sono già note la funzione e/o la struttura tridimensionale Informatica di base – Linea 1 e 2

  13. DNA e proteine: sono sequenze! • Ogni molecola può essere descritta come una sequenza di simboli: • ci dimentichiamo della sua struttura tridimensionale e delle sue proprietà chimiche, fisiche o biologiche • ci interessa soltanto sapere quali sono gli “elementi” (simboli) che la costituiscono • DNA: è una sequenza con 4 simboli (A, C, G, T) • consideriamo un solo filamento (l’altro è complementare) • RNA: è una sequenza con 4 simboli (A, C, G, U) • Proteina: è una sequenza con 20 simboli (gli aminoacidi) Informatica di base – Linea 1 e 2

  14. Somiglianza fra due sequenze • Come si fa a sapere se due sequenze sono simili, e quanto sono simili? • si confrontano i simboli di una sequenza con i simboli dell’altra sequenza • si dà un buon punteggio a tutte le coppie di simboli uguali (es. A con A, T con T, C con C, G con G) • si dà un punteggio più basso alle coppie di simboli diversi (es. A con T, A con C, A con G, …) • biologicamente, coppie di questo tipo corrispondono ad eventi di mutazione (base sostituita da un’altra base) Informatica di base – Linea 1 e 2

  15. Allineamento di due sequenze • In questo modo, possiamo “misurare” quanto sono simili le due sequenze: • più alta è la somma dei punteggi di tutte le coppie di simboli che confrontiamo, più simili saranno le due sequenze • In pratica, stiamo allineando ogni simbolo della prima sequenza con un simbolo dell’altra: • cioè, li scriviamo uno sopra l’altro. Esempio: ACTCG AGTCC • ci sono 3 coppie di simboli uguali (A-A, T-T, C-C) e 2 coppie di simboli diversi (C-G, G-C) Informatica di base – Linea 1 e 2

  16. I gap • “Aspetta, aspetta… ma se le sequenze non sono lunghe uguali, non posso allineare tutti i simboli di una con simboli dell’altra!” • Come si fa allora? • si usa un simbolo speciale, che si chiama “gap” e si denota con “” • es. allineamento delle sequenze AACTCTG e AATCT: AACTCTG AATCT  il punteggio di una coppia “simbolo-gap” è molto basso! Informatica di base – Linea 1 e 2

  17. Il significato biologico dei gap • “Stai barando! Così modifichi la sequenza! Che senso ha?” • Un gap può corrispondere ad un evento biologico di: • delezione (base eliminata dalla molecola) • inserimento (base aggiunta nella molecola) • Usare i gap può essere molto utile per trovare allineamenti migliori fra sequenze Informatica di base – Linea 1 e 2

  18. Quanti allineamenti ci sono? • Date due sequenze A e B, il primo simbolo di A può essere allineato con ognuno dei simboli di B • idem per ogni altro simbolo di A • Inoltre, posso inserire gap in qualsiasi punto della sequenza • (ma non si può allineare un gap con un altro gap) • Quindi: il numero di possibili allineamenti fra due sequenze è altissimo! • come si fa a scegliere l’allineamento migliore? Informatica di base – Linea 1 e 2

  19. L’allineamento migliore • Soluzione poco furba: • costruisco tutti gli allineamenti, valuto il punteggio di ognuno, e poi scelgo l’allineamento con il valore più alto • ma ci vorrebbe un tempo di calcolo esponenziale (rispetto alla lunghezza delle due sequenze)… • Una soluzione più furba: • se provassimo a dividere il problema in sottoproblemi, risolvere ogni sottoproblema, e quindi trovare la soluzione finale rimettendo insieme le soluzioni parziali? Informatica di base – Linea 1 e 2

  20. L’algoritmo di allineamento • Sfrutta la tecnica di “programmazione dinamica”: • molto simile al metodo divide et impera • la soluzione di un sottoproblema può servire per trovare la soluzione di un altro sottoproblema (cioè, i sottoproblemi non sono indipendenti fra loro) • Come funziona in pratica? • costruisce l’allineamento migliore in modo progressivo, partendo dai simboli iniziali delle due sequenze • a mano a mano che allunga l’allineamento, sceglie sempre la soluzione migliore fra quelle possibili • per costruzione, l’allineamento completo sarà quindi il migliore allineamento! Informatica di base – Linea 1 e 2

  21. L’algoritmo di allineamento • Un esempio con le sequenze ATTCT e GACT: • inizio ad allineare i primi simboli delle due sequenze: A A  G  G • restano da allineare TTCT e ACT. Osservazione: quanti modi ci sono per allungare un allineamento? • solo 3: simbolo-simbolo, simbolo-gap, gap-simbolo • quindi si sceglie il migliore fra: A T A T A  G A G  G A • eccetera eccetera… il migliore fra questi tre allineamenti e poi restano da allineare TCT e CT

  22. L’algoritmo di allineamento • Funziona! • E’ un buon algoritmo? • la sua complessità computazionale è quadratica • se n è la lunghezza delle sequenze, l’algoritmo esegue circa n2 istruzioni • quindi: possiamo trovare il migliore allineamento fra due sequenze in un tempo ragionevole, senza dover provare a costruire tutti gli altri possibili allineamenti

  23. I database biologici • Esistono moltissimi database di dati biologici: • sequenze nucleotidiche (GenBank, EMBL, GENES) • sequenze proteiche (SWISSPROT) • strutture proteiche (PDB) • profili di espressione ricavati da microarray (GEO) • percorsi metabolici (KEGG, Enzyme) • dati mitocondriali (MITOMAP) • …

  24. Ricerca in database biologici • Torniamo al gene sequenziato in laboratorio: si usa l’algoritmo di allineamento per cercare nel database tutte le sequenze simili? • in un database ci sono milioni di sequenze • se ad es. impiego 0,01 sec per un allineamento fra due sequenze, mi servono 10000 sec=3 ore circa per confrontare la mia sequenza con tutte quelle presenti nel database • se devo confrontare 6000 geni (es. lievito), ci metto 2 anni per completare l’analisi

  25. Ricerca in database biologici • Come si fa allora? • Si usano altri metodi, basati su “tecniche euristiche”: • sono procedure empiriche ed intuitive, in generale non supportate da precisi fondamenti teorici • non garantiscono di trovare la soluzione migliore, ma di solito funzionano bene • sono molto veloci • es. BLAST, FASTA (basati su indicizzazione di sequenze) Informatica di base – Linea 1 e 2

  26. Allineamenti multipli • E se volessimo confrontare più sequenze contemporaneamente? • ad es. per vedere se una proteina è simile a un insieme di altre proteine note • i siti funzionalmente più rilevanti di una proteina sono di solito ben conservati e invariati rispetto a proteine omologhe • E’ un problema di Biologia molto importante: • in ambito evolutivo, per capire la relazione di discendenza fra organismi (alberi filogenetici) • in ambito molecolare, per la previsione della struttura di una proteina Informatica di base – Linea 1 e 2

  27. Alberi filogenetici • Sono diagrammi che esprimono le relazioni di discendenza fra gruppi di organismi: • esiste un progenitore comune • eventi di speciazione danno origine a diverse linee di discendenza Informatica di base – Linea 1 e 2

  28. Allineamenti multipli: un esempio Informatica di base – Linea 1 e 2

  29. Allineamenti multipli: un altro esempio Informatica di base – Linea 1 e 2

  30. Algoritmi di allineamento multiplo • Possiamo estendere l’algoritmo di allineamento fra due sequenze, per definire un algoritmo di allineamento fra molte sequenze? • Si! Ma c’è un problema: • la complessità computazionale dell’algoritmo diventa esponenziale • “Cerchiamo un altro algoritmo allora!” • sfortunatamente, tutti gli algoritmi che possiamo definire per questo problema avranno complessità esponenziale • “Perché??! E come fai a saperlo? Hai già provato a costruire mille algoritmi diversi per risolvere il problema?” Informatica di base – Linea 1 e 2

  31. Un problema difficile • Si può dimostrare che l’allineamento multiplo è un problema “molto difficile”: • è oggettivamente (non soggettivamente) difficile, la sua complessità è intrinseca al problema stesso • questo problema è “NP-completo”: • in pratica, non ci sono speranze di trovare un algoritmo efficiente che possa risolverlo (a meno che P=NP) • come si risolve allora? • con le tecniche euristiche, “accontentandosi” della soluzione trovata, che non sarà necessariamente la migliore Informatica di base – Linea 1 e 2

  32. Problemi facili e problemi difficili “Perciò mi stai dicendo che: • l’allineamento fra due sequenze è un “problema facile” perché ho trovato un algoritmo efficiente, • l’allineamento multiplo è un “problema difficile” e (quasi sicuramente) non troverò mai un algoritmo efficiente. Uhm, tutto questo non mi piace… non è che esistono anche altri problemi di Biologia che sono altrettanto difficili?” Informatica di base – Linea 1 e 2

  33. Terza partePrevisione di strutture molecolari Informatica di base – Linea 1 e 2

  34. Studiare la struttura delle molecole • Esistono metodi sperimentali per determinare la struttura tridimensionale di una proteina: • cristallografia a raggi X • risonanza magnetica nucleare (NMR) • Sono metodi complessi, costosi, e richiedono molto tempo • Non si possono utilizzare per tutti i tipi di proteine: • ad es. proteine transmembrana Informatica di base – Linea 1 e 2

  35. Perché studiare la struttura? • La funzione di una proteina è determinata dalla “struttura nativa” che la proteina assume nella cellula in condizioni fisiologiche • struttura primaria = sequenza di aminoacidi • struttura secondaria = formazione di -eliche e foglietti- • struttura terziaria = struttura tridimensionale (nativa) • struttura quaternaria = associazione di più unità polipeptidiche • Ogni proteina ha specifici domini di legame con altre molecole • es. siti attivi su un enzima (zone di legame con i reagenti e attività catalitica) Informatica di base – Linea 1 e 2

  36. Strutture proteiche non “corrette” • Numerose patologie sono dovute a ripiegamenti errati di una proteina, oppure ad anomale aggregazioni/dissociazioni di proteine: • il morbo di Alzheimer, il morbo di Huntington, il morbo di Parkinson, l'encefalopatia spongiforme bovina, la malattia di Creutzfeldt-Jakob, la fibrosi cistica, l’anemia falciforme, molti tipi di tumore, ecc. • Riuscire a determinare la struttura nativa di una proteina consente quindi sia di identificare la sua funzione, sia di “intervenire” sulla proteina in modo da inattivarla/attivarla per curare la specifica patologia Informatica di base – Linea 1 e 2

  37. Il protein folding • Consiste nel prevedere la struttura nativa di una proteina, usando come dato in input la sequenza primaria dei suoi aminoacidi • Data la sequenza iniziale, esiste un numero esponenziale di possibili strutture tridimensionali • come cercare un ago in un pagliaio… Informatica di base – Linea 1 e 2

  38. Protein folding e funzione di energia • La struttura nativa migliore è quella che minimizza il valore di “energia libera” associato alla struttura • Il valore di energia si determina considerando le forze di Van der Waals, le forse elettrostatiche, i legami idrogeno, le lunghezze/angoli di legame, gli angoli di torsione, le interazioni col solvente, i contributi entropici, … Informatica di base – Linea 1 e 2

  39. Il protein folding in Bioinformatica • Questo problema è facile o difficile? • è molto difficile, è un altro problema NP-completo • tutti gli algoritmi che possiamo definire per risolvere questo problema avranno complessità esponenziale • ma possiamo sfruttare anche in questo caso delle tecniche euristiche (ma senza dare garanzie sulla bontà della soluzione trovata): • ad es. la tecnica per gli allineamenti multipli (si parla di folding comparativo o per omologia) • ne vediamo un’altra fra un po’… Informatica di base – Linea 1 e 2

  40. Interazioni fra macromolecole • In alcuni casi, non è solo importante sapere come la proteina si avvolge, ma anche come interagisce con altre molecole: • es. di interazione fra macromolecole: • proteina-proteina, proteina-DNA, proteina-molecola • enzima e substrato, antigene e anticorpo, recettore e ligando • processo che sta alla base del riconoscimento molecolare, fondamentale per la formazione dei complessi molecolari e il generale funzionamento di tutti i processi cellulari Informatica di base – Linea 1 e 2

  41. Il docking molecolare • Il problema di docking consiste nel determinare se e come due molecole interagiscono fra di loro, e qual è la geometria del complesso che esse formano: • per poter risolvere questo problema, bisogna conoscere le geometrie delle molecole  meccanismo “chiave-serratura” • Ad es. fra queste tre coppie di molecole, qual è la coppia con l’interazione “migliore”? Informatica di base – Linea 1 e 2

  42. Docking e funzione di energia • Anche in questo caso, l’interazione migliore viene definita tramite una opportuna funzione di energia che stima l’affinità di legame fra le due molecole • Il valore di energia si determina considerando le varie forze elettrochimiche, l’interazione col solvente, la complementarietà geometrica e chimica fra le superfici a contatto, l’entropia, la flessibilità delle molecole interagenti, ecc. il complesso migliore è quello che minimizza il valore di energia Informatica di base – Linea 1 e 2

  43. Il docking in Bioinformatica • Indovinate? Un altro problema difficile! • Non esistono algoritmi efficienti in grado di trovare la soluzione ottimale, ma è possibile applicare tecniche euristiche • Il risultato ottenuto dall’analisi computazionale dovrà essere sottoposto a successive (e numerose) analisi sperimentali e cliniche Informatica di base – Linea 1 e 2

  44. Drug design • La progettazione e lo sviluppo di farmaci (drug design) sono il principale campo di applicazione del docking: • determinare le modalità con cui farmaci già noti si legano alla molecola target che si sta studiando • effettuare una ricerca in un database di potenziali molecole che risultino attive su nuovi target (“virtual screening” di grandi librerie di strutture chimiche) • prevedere in modo computazionale (“in silico”) la potenziale attività farmacologica di nuove molecole Informatica di base – Linea 1 e 2

  45. Dalla sequenza all’interazione interazione sequenza affinità di legame struttura funzione

  46. Quarta parteI processi cellulari e la “Biologia dei Sistemi” Informatica di base – Linea 1 e 2

  47. I processi cellulari • Tutti i processi cellulari sono determinati da interazioni fra molecole: • espressione genica, processi metabolici, percorsi di trasduzione del segnale, modificazioni post-traduzionali di proteine, potenziale di membrana, ecc. • Esistono numerosi e complessi metodi di controllo e di regolazione cellulare per tutte queste interazioni • Non è sempre facile o possibile effettuare esperimenti e misurazioni in laboratorio per determinare: • la concentrazione delle molecole, la loro localizzazione dentro la cellula, la successione temporale delle interazioni in un dato percorso cellulare, ecc. Informatica di base – Linea 1 e 2

  48. I processi cellulari: componenti e interazioni • Es. percorso di trasduzione del segnale: • segnale esterno alla cellula (molecola ligando) • recettore di membrana (proteina transmembrana) • cascata di interazioni fra proteine citoplasmatiche • sintesi di secondi messaggeri • attivazione di proteina effettore • attivazione/disattivazione di geni OSS. Alcune di queste molecole potrebbero essere coinvolte in più processi cellulari! Informatica di base – Linea 1 e 2

  49. Informatica di base – Linea 1 e 2

  50. Ricorriamo all’Informatica? • Un approccio Bioinformatico permette di: • sviluppare modelli matematici per descrivere tutte le componenti del processo cellulare e le loro reciproche interazioni: • quando non c’è una precisa conoscenza biologica, si possono definire tanti modelli diversi basati su ipotesi • usare software appositi per simulare la “dinamica” del processo cellulare: • cioè, vedere come variano le concentrazioni delle molecole nel tempo, a seconda delle condizioni della cellula e dei meccanismi di controllo e regolazione che sono attivi in quelle condizioni Informatica di base – Linea 1 e 2

More Related