Predicción de genes

1. Predicción de genes

2. Contenido de la presentación • ¿Es realmente necesario ? • Introducción biológica • Predicción “in silico” , principales problemas • ¿De qué información disponemos? • Medidas de fiabilidad • Fiabilidad actual: GASP1 Introducción a la Bioinformática

3. ¿Es realmente necesario ? Anotación del genoma humano.

4. Numero de genes en el chromosoma 22 • initial annotation 545 Dunham et al., 1999 • genscan+RT-PCR 590 Das et al., 2001 • genscan+microarrays 730 Shoemaker et al., 2001 • reviewed annotation 726 chr22 team, sanger, 2001 • mouse shotgun data +20 (our data) • geneid predictions 794 • genscan predictions 1128 Introducción a la Bioinformática

5. Numero de genes del genoma humano • Consortium 30.000-40.000 2001 • Celera 27.000-38.000 2001 • Consortium+Celera 50.000 Hogenesch et al. 2001 • DBsearches 65.000-75.000 Wrigth et al., 2001 • HumanGenomeSciences 90.000-120.000 Haseltine, 2001 Introducción a la Bioinformática

6. 2. Introducción biológica Del DNA a las proteínas

7. Transcripción. Las regiones promotoras contienen señales que son reconocidas por los factores de transcripción. Interacciones entre estos, activan la copia de una de las dos cadenas de DNA a RNA por una RNA polimerasa. Splicing. Los intrones, regiones no codificantes, son eliminados del tránscrito primario, produciendo una molécula mas corta de RNA, conocido como RNA mensajero (mRNA). Traducción. El ribosoma se une al codón inicial del mRNA, y recorre la secuencia sintetizando la cadena de aminoácidos especificada por codones consecutivos hasta que encuentra un codón de finalización. Dogma central de la biología Introducción a la Bioinformática

8. Introducción a la Bioinformática

9. Predicción de genes “in silico” Deducir la secuencia de aminoácidos codificada en una cadena de DNA genómico, generando modelos computacionales para reproducir el mecanismo biológico que ocurre en la célula. Introducción a la Bioinformática

10. Predicción en genomas procariotas La predicción de genes en los genomas procariotas es mas simple debido principalmente a : • Ausencia de intrones en los genes. • Alta densidad de genes. Estas propiedades implican que la mayoría de pautas de lectura abiertas(ORFs), mas largas de un razonable “cutoff”, corresponden a genes. Introducción a la Bioinformática

11. Predicción en genomas eucariotas • Los genes están separados por largas regiones intergénicas. • Las regiones codificantes están divididas en un número “usualmente grande” de “pequeños” fragmentos codificantes conocidos como exones, separados por “largas” regiones no codificantes conocidas como intrones. • Las señales que existen no están 100% conservadas y en muchos casos no tenemos suficiente conocimiento del proceso biológico. • En algunos genomas eucariotas existe una gran densidad de elementos repetitivos, que pueden contener regiones codificantes. Introducción a la Bioinformática

12. Diferencias entre genes de organismos procariotas y eucariotas. Introducción a la Bioinformática

13. ATATATATATGGCGGCATTATATTGTTGGTAACTAAAATCACTCAGCTCTTACATGGTAAACCAGGATCCAAACTAGGGTCTGTGAAGTTCTAAATCTCATGTTTTCAACACTGTTCAAACAAAGATTTTCAGCTTCTGAGAAGAACAGAGGTGGACGAATGCAGGTACTTGATAGAATTTGAATCTGAATTACAGTGCTACTGATAGGTCTGTTAATCACGCACGTGCACATGCCACGCAAAAGTCAAACGCAGGGACCTAAACACGCCTGTGGTGTGTTCTCAGCTGAGCTCCAAGGCCCTGATGAGTTGTAAATGTTTACAGACTCCTCAGCTGGGTGGTCCTGGAGGCAGCTTATCACATGCCCTGAGGCCCGAGTGGGTTAGGGGAGAGAGCACAAAACGTGACAGCTTTGCCCTCACAGTCTCAGCTACCCTGGGAAAGAGTTTGGCAGGGGAATCATCATGCAGGCTCCATTTTTATACCACTGCACTGAAGTATAAGTACATTTTTTGTCACACTCTGCTAACTGCCTGCTCATAGATATTCAAATTTAGTAGATGTAGACAGACTCCTAACTTCTCATGGTTTAAAATGTTTAAACAACTATATTTATTTTGTACTTGCCTAATCTTTTCTAGTCCCCCTGGATTGGTATATGTTTCACCTGCTTAAATGAGACTGTTCTCTGGCTTAAGATTTATTTAGGTAGTGAGGGCTACTTTTGGTTGAAAGCTAGAACAGGTTTTGCACTTTAATGAACCTAAAGCAGATCTATGCTGTTTACATTCAGGTAAGGGGACTTCTCCTTTATTATTTATTTTAGATAGAATATTTGCCAACTGAAGATGTGTGGCCCCTTCCCACCCCAAAGAAGACAGTACCCATGGTTGAATTCCCAGATGGAAATGATTTATGACTAGGGATCCCATAGCCTTGGTTCCCCTTGTCTGCTGCTTATGAAGCAAGATAAACATGCTGCCTCCTCCTGGTGCAGCTCTTGAAATGTTTTGACTTCCTGTCACTGGAGAGGTGTTGACATGCTCAGGGGAATGTTGGTGGAACTCACTCTGCATTCCAATGTGTCATGAATTTAAGGATTATGGTTAGACCACGTCGAAGTCATCACACAGTAGTTACAGCTAATGTCTAGTACTGGTTGGCCCTGGAAACAAAGAAGAGCTTGGAAAAAAAGCAGTTTACAATGCAGAAGGTAGACGGAGCTGTGCTTATTGGATTGGTGGGAAATCAAATGCAGGAAACATGGTGTATTACTTGTTTATTTGGTGTAATGAAGACTACAGTGTCAGCCTCTACAACTACAGTGTGATCTGCTTCAGGGCAGGGTGTGTCTTCATCACTTTCACCTGGCCCTGGGGAGGCACTCAATAAATATTTGGAGGTGAATGAATTAATTAGAGTGGGAGATCTACCACGCTTGTGTCTGGTTCCTTACAGGGTAAAGACCCTGAGTTAAAGGCCAATGAAGTGACTAAATAAAGAAGATGGTAATCCAGCAAGCAGATTCTAATGCAGCCTTTTACAATAAATAACACCCCCATGCAGCTTTTATATAGAGATATAGACAGCTATAGATGAATATATATATATGGCGGCATTATATTGTTGGTAACTAAAATCACTCAGCTCTTACATGGTAAACCAGGATCCAAACTAGGGTCTGTGAAGTTCTAAATCTCATGTTTTCAACACTGTTCAAACAAAGATTTTCAGCTTCTGAGAAGAACAGAGGTGGACGAATGCAGGTACTTGATAGAATTTGAATCTGAATTACAGTGCTACTGATAGGTCTGTTAATCACGCACGTGCACATGCCACGCAAAAGTCAAACGCAGGGACCTAAACACGCCTGTGGTGTGTTCTCAGCTGAGCTCCAAGGCCCTGATGAGTTGTAAATGTTTACAGACTCCTCAGCTGGGTGGTCCTGGAGGCAGCTTATCACATGCCCTGAGGCCCGAGTGGGTTAGGGGAGAGAGCACAAAACGTGACAGCTTTGCCCTCACAGTCTCAGCTACCCTGGGAAAGAGTTTGGCAGGGGAATCATCATGCAGGCTCCATTTTTATACCACTGCACTGAAGTATAAGTACATTTTTTGTCACACTCTGCTAACTGCCTGCTCATAGATATTCAAATTTAGTAGATGTAGACAGACTCCTAACTTCTCATGGTTTAAAATGTTTAAACAACTATATTTATTTTGTACTTGCCTAATCTTTTCTAGTCCCCCTGGATTGGTATATGTTTCACCTGCTTAAATGAGACTGTTCTCTGGCTTAAGATTTATTTAGGTAGTGAGGGCTACTTTTGGTTGAAAGCTAGAACAGGTTTTGCACTTTAATGAACCTAAAGCAGATCTATGCTGTTTACATTCAGGTAAGGGGACTTCTCCTTTATTATTTATTTTAGATAGAATATTTGCCAACTGAAGATGTGTGGCCCCTTCCCACCCCAAAGAAGACAGTACCCATGGTTGAATTCCCAGATGGAAATGATTTATGACTAGGGATCCCATAGCCTTGGTTCCCCTTGTCTGCTGCTTATGAAGCAAGATAAACATGCTGCCTCCTCCTGGTGCAGCTCTTGAAATGTTTTGACTTCCTGTCACTGGAGAGGTGTTGACATGCTCAGGGGAATGTTGGTGGAACTCACTCTGCATTCCAATGTGTCATGAATTTAAGGATTATGGTTAGACCACGTCGAAGTCATCACACAGTAGTTACAGCTAATGTCTAGTACTGGTTGGCCCTGGAAACAAAGAAGAGCTTGGAAAAAAAGCAGTTTACAATGCAGAAGGTAGACGGAGCTGTGCTTATTGGATTGGTGGGAAATCAAATGCAGGAAACATGGTGTATTACTTGTTTATTTGGTGTAATGAAGACTACAGTGTCAGCCTCTACAACTACAGTGTGATCTGCTTCAGGGCAGGGTGTGTCTTCATCACTTTCACCTGGCCCTGGGGAGGCACTCAATAAATATTTGGAGGTGAATGAATTAATTAGAGTGGGAGATCTACCACGCTTGTGTCTGGTTCCTTACAGGGTAAAGACCCTGAGTTAAAGGCCAATGAAGTGACTAAATAAAGAAGATGGTAATCCAGCAAGCAGATTCTAATGCAGCCTTTTACAATAAATAACACCCCCATGCAGCTTTTATATAGAGATATAGACAGCTATAGATGAAT Introducción a la Bioinformática

14. 3. ¿De qué información disponemos ? Modelizando la información biológica

15. Información utilizada para encontrar genes: • Búsqueda de señales. La maquinaria celular reconoce secuencias mas o menos conservadas en el DNA genómico. • Estadísticos codificantes. Las regiones codificantes tienen propiedades estadísticamente diferentes a las regiones no codificantes. • Uso de homología. La similaridad con secuencias conocidas es un indicativo de que esa región pueda contener un gen homólogo. Introducción a la Bioinformática

16. (I) Búsqueda de señales Tipos de señales: Les señales conocidas son alineadas y se generan patrones con las regiones conservadas. Introducción a la Bioinformática

17. Generando un modelo para donors sites Introducción a la Bioinformática

18. (II) Estadísticos codificantes El DNA codificante tiene una composición de nucleótidos diferente al resto de DNA genómico, debido a que ha de codificar para proteínas (es menos aleatorio). Estadístico codificante: es una función que dada una secuencia de DNA, nos devuelve un número relacionado con la probabilidad de que esa secuencia corresponda a una región codificante. Introducción a la Bioinformática

19. Ejemplo de estadístico codificante: “codon usage” Introducción a la Bioinformática

20. (III) Uso de homología Algunos programas de predicción de genes permiten el uso de homologías con secuencias conocidas para mejorar las predicciones. Estas homologías las podemos encontrar en: • Proteínas de otras especies. • Fragmentos genómicos que sabemos que se transcriben (ESTs o cDNAs) • Comparación de genomas completos. Introducción a la Bioinformática

21. Integrando la información geneid como ejemplo de programa de predicción de genes. Estructura jerárquica : señales - exones - genes Introducción a la Bioinformática

22. 4. Medidas de fiabilidad

23. Fiabilidad de los programas de predicción de genes. • Necesitamos un conjunto de genes conocidos para validar las predicciones. • Conceptos básicos para medir la fiabilidad: • Sensibilidad: proporción de genes reales que han sido predichos. • Especificidad: proporción de predicciones que corresponden con la realidad. Introducción a la Bioinformática

24. Ejemplo de fiabilidad Introducción a la Bioinformática

25. 5. Fiabilidad actual: GASP1 Introducción a la Bioinformática

26. GASP1: genome annotation assessment project • El objetivo de este proyecto era estudiar la eficiencia de los programas de predicción de genes en una región de 2.9 Mb del genoma de Droshophila Melanogaster. • Las predicciones fueron comparadas en base a los resultados de un profundo estudio experimental (2 años recopilando cDNAs) que no fueron revelados hasta el final de la evaluación. Introducción a la Bioinformática

27. Resultados del GASP1 Introducción a la Bioinformática

28. Resultados del GASP1 Introducción a la Bioinformática

29. Conclusiones del GASP1 • Las predicciones cubren un 95% del proteoma. • La predicción a nivel de nucleótido mejor que a nivel de exón. • Muy baja proporción de genes correctamente predichos. • Métodos optimizados para una especie funcionan mejor. • Ningún programa es perfecto. Introducción a la Bioinformática