660 likes | 807 Views
RNA sampler : un nouvel algorithme basé sur l’échantillonnage pour la prédiction de la structure secondaire commune & l’alignement structural. Par : Karima BELKAHLA Zahra FONDOU Amel LOUHIBI Professeur : Abdoulay Banéro DIALLO. BIF 7001. 1.Introduction.
E N D
RNA sampler: un nouvel algorithme basé sur l’échantillonnage pour la prédiction de la structure secondaire commune & l’alignement structural Par : Karima BELKAHLA Zahra FONDOU Amel LOUHIBI Professeur : Abdoulay Banéro DIALLO BIF 7001
1.Introduction • L’ARN,est composé de ribose, de phosphate, d'adénine, de cytosine, de guanine et d'uracile. • les ARN servent d’intermédiaire dans la synthèse protéique avec les ARN messagers. • Il existe néanmoins d’autres types d’ARN, issus de la transcription, mais qui ne subissent pas de traduction. • Ces ARN sont fonctionnels par eux-mêmes, sans coderpour une protéine. • Pour les distinguer des ARN messagers, on les appelle des ARN non-codants (ARNnc).
Elles sont souvent caractérisées par l’évolution des structures secondaires conservées qui sont critiques à leurs fonctions. • La prédiction des structures secondaires d’ARN, est l’un des grands problèmes challenges de la bioinformatique. • Mfold et RNAfold utilisent la programmation dynamique, pour calculer la structure secondaire d’ARN, avec un minimum d’énergie libre pour une seule séquence. • PKNOTS est une extension de Mfold, pour la prédiction des stucture d’ARN avec noeuds.
Une approche plus fiable consiste à utiliser l'analyse comparative pour prédire les structures secondaires d’ARN consensus connexes à partir de plusieurs séquences. • Une stratégie est d’aligner les séquences fiablesen premier, puis établir l’alignement. • RNAalifold utilise la stabilité thermodinamique et la covariation de séquences ensemble pour prédire la structure communes des alignements. • La matrice de poids max (MWM) une approche graphique etait introduite pour prédire les structures secondaires communes autorisant les noeuds.
Une autre stratégie (Sankoff 1985) est de simultanément aligner et répertorier les séquences d’ARN (sa compléxité, non pratique pour plus 2 séquences). • Foldalign et Dynalign rendent l’algo de Sankoff plus pratique pour les séquences courtes mais reste toujours lent. • Une troisième stratégie est de prédire les structures des séquences individuelles séparemment et ensuite aligner les structures (implémentée dans RNAshapes & MARNA).
comRNA utilse un différent shéma appliqué dans les approches des théories de graphes pour comparer et trouver les brins conservés des séquences multiples, ensuite assemble les blocks de brins conservés pour former les structures consensus ou les noeuds sont autorisés. • Nous présentons un nouveau algorithme, de prédiction de structures communes dans les séquences multiples non alignées, qui adopte l’idéé d’assemblage de brins de comRNA et combine les probabilités de pairage de bases intraséquence & prob d’alignement de base interséquence pour mesurer la conservation de brins.
Emploi procédure itérative, pour l’alignement probabiliste de paire de brins compatibles & met à jour les prob basées sur les structures en brin, jusqu’a convergence. • Extension algo pour séquences multiples, par méthode basée sur cohérence. • L’algo n’a pas de limite pour prédiction des noeuds. Dans tests approfondis sur données de séquences réelles, il est meilleurs que d’autres progs, du point de vue sensibilité & spécificité avec une vitesse raisonable.
La structure secondaire d’ARN : 1) Tiges (stems) : Empilage (stacking) des paires de bases A-U, G-C et G-U 2) Boucles (Loops) : régions simples brins.
Principe: • La prédiction de la structure secondaire commune d’ARN pour plusieurs séquences peut être simplement de trouver les tiges conservées compatibles entre les séquences. • Les paires de tiges conservées = un bon pairage des bases dans leurs séquences individuelles, mais aussi s’alignent bien entre elles (entre les séquences). • Mesure de la conservation des tiges = En combinant les probabilités de pairages des bases intra séquences et les probabilités d’alignements des bases inter séquences .
L’algorithme RNA sampler: Entrée : Deux séquences et plus d’ARN Sortie : Structure secondaire d’ARN commune entre les séquences. Principalement en deux étapes: Initialisation Itération
A) Étape d’initialisation: 1.Calcule des probabilités d’alignements de bases PAB(ai,bk) ou PAB(aj,bl) : Les probabilités initiales de l’alignement des bases possibles entre deux séquences en utilisant une méthode basée sur la fonction de partition. 2. Calcule des probabilités de pairage des bases DA(ai,aj) ou DB(bk,bl): Les probabilités initiales de pairage des bases pour toutes les paires de bases possibles dans chaque séquence. RNAfold (une méthode basée sur la fonction de partition) CONTRAfold (posterior probabilities) 3. Générer la liste de toutes les tiges possibles pour chaque séquence : sl : Une longueur minimum d’une tige (3 par défaut) ou 4 pour les longues séquences ou des séquences avec pseudo-nœud. Aucune boucle ni bulge n’est permis dans une tige. La combinaison variable de ses tiges peut former une structure d’ARN différente.
B) Étape d’itération : 1.Un block est une paire de tiges alignées : On peut générer une série d’alignement entre deux tiges en glissant une tige (séquence A) le long de l’autre (séquence B). Les paires de bases constitutives de l’une des tiges sont alignées avec celles des autres tiges. Un alignement consiste à deux moitiés correspondantes avec des largeurs égales. The 5’arm et 3’arm
: Alignement entre deux tiges u et v des séquences A et B. Déduire le score de Conservation (W). : paires de bases complémentaires de la tige u de la séquence A et la tige v de la séquence B : Bases alignées dans les 2 arms 3’ et 5’ : Probabilités d’alignements des bases intersequences : Probabilités de pairages des bases intrasequences
Un block : L’alignement de deux tiges u et v qui donne un grand score de conservation (W)
2. Générer une liste de blocks: Une liste complète de blocks est produite en alignant chaque tige de la séquence A, aux différentes tiges de la séquence B. Les blocks se composant des paires de tiges avec de meilleurs scores de conservations réciproques sont considérés . Un paramètre d : la distance maximum de décalage entre les positions alignées des deux tiges . But : Réduire la complexité informatique
3.Échantillon de blocks compatibles pour générer la structure commune: Approche d’échantillonnage probabiliste : sélectionner les blocks compatibles basés sur leurs scores de conservation et les assemblés dans une structure commune. La chance pour que le block B soit échantillonner est défini avec la probabilité: Les blocks avec un haut score de conservation ont plus de chance à être sélectionnés. L’échantillonnage est répété S fois (S est la taille de l’échantillon et S structures communes sont générées dans chaque itération)
4. Mise à jour itératives des probabilités d’alignements et de pairages des bases: Calculer la fréquence d’apparition des paires de bases dans S (structures communes) pour chaque séquence, qui nous donne une nouvelle probabilité de pairage.
Calculer la fréquence d’alignement des bases dans S(structure commune) entre deux séquences, qui nous donne une nouvelle probabilité d’alignement :
Les étapes 2, 3 et 4 sont répétées pour des itérations multiples. Les probabilités de pairage et d’alignements des bases sont misent à jour, elles sont employées pour recalculer les scores de conservation des blocks et de leurs probabilités à être prélever dans l'itération suivante. les blocks qui sont constitués des tiges conservées obtiennent des scores de conservation intensifiés. Ils ont des chances de plus en plus élevées d'être prélevés, alors que d'autres blocks tendent à avoir leurs scores de conservation atténués. Les structures prélevées tendent à converger dans des ensembles de blocks conservés compatibles.
Exemple: Les probabilités de pairages et d’alignement initiales et convergés entre deux séquences de tRNA, RL6371 et RE2140.
C) Structure commune entre deux séquences: Un algorithme vorace est utilisé pour assembler les blocks convergés dans la structure consensus finale. Les blocks avec haut score de conservation sont sélectionnés aucun block ne reste ClustalW pour aligner les régions simples brins, qui sont assemblées avec les blocks conservés pour générer l’alignement structural final.
D) De deux séquences d’ARN à plusieurs: • Étape d’initialisation (idem) • Étape d’itération : • Échantillon de la structure commune entre toutes les paires de séquences. • Une méthode basée sur la cohérence est appliquée pour les mise à jour des probabilités et le recalcule des scores de conservations. • Dans chaque itération , S structures sont échantillonnés entre chaque paire de séquence. • Chaque séquence est impliquée dans (N-1)S structures échantillons.
Les probabilités de pairage de la séquence A est calculée comme suit: Les probabilités d’alignement (idem 2 séquences) À la fin de chaque itération, le score de conservation de tous les blocks et leurs probabilités à être échantillonner dans les itérations suivantes sont misent à jour, en utilisant les nouvelles probabilités de pairage et d’alignement. Les itérations continuent jusqu’à ce que le nombre des structures échantillonnées entre chaque paire de séquences converges.
E. La structure commune des séquences multiples la structure commune finale partagée par des séquences multiples est rapportée en assemblant des ensembles de tiges conservées compatibles en utilisant un algorithme vorace. Tous les blocks entre les paires de séquences sont rangés, en se basant sur leurs scores finals de conservation. Le block avec un haut score de conservation devient une graine(seed), et tous les blocks qui contiennent une des tiges dans le block graine sont collectés. Une nouvelle tige à partir du block avec un haut score de conservation dans le sous-enssemble est ajoutée à la graine. Le processus se répète aucun block ne reste. ClustalW pour aligner les tiges conservées et les régions simples brins, qui sont assemblées pour donner un alignement structural final.
3. RESULTATS • L’algorithme est implémenté en langage C • L’algorithme est testé dans différents ensembles de données, contenant deux ou plusieurs séquences réelles • Sa performance a été comparée à d’autres méthodes de prédiction de structures secondaires comme: - CARNAC - Stemloc - ARNalifold - FoldalignM
RESULTATS • Le coefficient de corrélation (CC) définit par Mathews et Turner, est utilisé pour évalué la précision de la prédiction qui est estimée comme la moyenne géométrique de la sensibilité et la spécificité : CC = √(SEN . SPE) 0 ≤ cc ≤ 1 SEN : est la fraction de la paire de bases rèelles qui sont prédits correctement SPE : est fraction de la paire de bases prédits réellement.
3.1 Prédiction des structures communes • L’algorithme a été testé sur des données réelles - sur 10 motifs d’ARN régulateur ou - sur des familles du gène ncRNA Extraits de la base de données Rfam. Rfam : base de données de protéines Y compris ces données: Cobolamin, gcvT, glmS, purine, REN, sbox THI, ARNt, U1 et yyb P-ykoY
Prédiction des structures communes • Ces ensembles de données ont été utilisées dans d’autres études
Prédiction des structures communes • Pour la famille d’ARN de la B.D. Rfam, l’alignement a été corrigé manuellement et aussi les structures communes correspondantes qui sont utilisées pour déterminer exactement les paires de base dans des séquences individuelles
Prédiction des structures communes • L’algorithme d’échantillonnage d’ARN est testé sur un ensemble de deux séquences, générées à partir de toutes les séquences uniques dans l’alignement de chaque famille d’ARN. • Le test effectué consistait à calculer (cc) • La moyenne calculée cc = 0.60 dans un interval[0.42..0.82]
Prédiction des structures communes • Cette valeur est très proche de la moyenne de la méthode Dynalign cc=0.61, qui était la plus performante par rapport à d’autres méthodes • La performance des programmes Stemloc et RNAalifold est comparable a celle de l’algorithme par échantillonnage d’ARN dans certains familles et mauvaise dans d’autres.
Moyenne de cc, sen et spe de la prédiction de la structure secondaire commune CC :coefficient de correlation SEN: sensibilité SPE: spécificité
Graphe • Comparaison entre les différentes méthodes en calculant la moyenne de CC, SEN et SPE sur des ensembles de 10 familles d’ARN de séquences-multiples
Prédiction des structures communes • L’algorithme d’échantillonnage • Dynalign • Stemloc • RNAalifold Toutes ces méthodes donnent un (cc) meilleur que celui de la méthode CARNAC
Prédiction des structures communes • Entre tous les programmes testés la méthode d’échantillonnage donne une meilleure performance et une vitesse plus rapide
Prédiction des structures communes 2. l’algorithme d’échantillonnage et les autres méthodes ont été testés sur un ensemble de 10 familles d’ARN à multiple séquences • Pour chaque famille d’ARN des ensembles de 100 séquences sont générées • Cinq séquences uniques sont sélectionnées aléatoirement à partir de la BD Rfam de la graine d’alignement
Prédiction des structures communes • La précision de la prédiction par échantionnage d’ARN est nettement améliorée sur plusieurs rapport par rapport à deux séquences • En général, la méthode de prédiction par échantillonnage d’ARN, donne une meilleure prédiction dans les dix familles d’ARN avec une moyenne de : CC = 0.72, SEN = 0.73, SPE = 0.72
Prédiction des structures communes • Cette méthode est la plus performante parmi toutes les autres méthodes testées. • CARNAC :prédit seulement les structures partiellement correctes, ce qui conduit à une faible sensibilité et relativement à une bonne spécificité
Prédiction des structures communes • Stemloc: sa faible performance est donc due partiellement à la faible valeur de (-nf) utilisé comme option dans le test (-nf=100) • Les valeurs supérieures de (-nf) exigent plus d’espace mémoire, ce qui rendu l’exécution plus lente et souvent la mémoire ‘crasch ’
Prédiction des structures communes • RNAalifold : exige un alignement fiable pour une bonne prédiction (clustalw est utilisé pour l’alignement) • Ce programme a une bonne performance dans l’ensemble de famille RFN qui a une identification de séquence très élevée, et une faible performance dans une faible identification de séquences.
Prédiction des structures communes • La méthode de prédiction par échantillonnage, a une bonne performance dans la famille RFN et donne de bons résultats
Prédiction des structures communes • Dynalign donne la même ou légèrement une meilleure sensibilité que la méthode de prédiction par échantillonnage dans les familles de : qcvT, sbox, yybp-ykoY et U1 • Mais la méthode de prédiction montre une meilleure sensibilité et en générale une performance dans d’autres familles • Elle est plus rapide que Dynalign
Prédiction des structures communes • FoldalignM: a la 2ème meilleure performance après la méthode de prédiction, et montre une aussi bonne prédiction sur les familles: Sbox, THI, RNAt et yybp-ykoY • Une faible sensibilité dans les autres familles
Prédiction des structures communes • La prédiction a été évaluée au niveau de la tige quand la sensibilité (SEN) est la fraction des véritables tiges qui se chevauchent avec les tiges prédits, et la spécificité (SPE) est la fraction des tiges prédits qui se chevauchent avec les tiges réelles .
Prédiction des structures communes • Avec ces mesures la moyenne CC, SEN et SPE la prédiction échantillonnage d’ARN des dix familles augmentent de 0.72, 0.73, 0.72 au niveau de la paire de base jusqu’à 0.77, 0.80, 0.76 respectivement.
Prédiction des structures communes • Les autres méthodes sont presque similaires au niveau de la paire de base.
3.2 Prédiction d’alignements structuraux • Emploi et extension de méthode proposée dans étude ultérieure de l’alignement structural de deux séquences pour évaluer la perfomance de RNA Sampler sur un alignement structural de séquence multiple à travers un large rang de séquences identités.
Utiliser score des sommes des paires(SPS) la fraction des paires de bases alignées dans l’alignement référence, correctement aligné dans la prédiction d’alignement pour mesurer l’exactitude des alignements structuraux à un niveau de paires de bases. • L’index de conservation structural(SCI) calculé par RNAz, utilisé pour mesurer l’info de la structure conservée, contenue dans l’alignement prédit.(0 & 1)