Universita` di Verona Laura Specialistica in Biotecnologie Agro-Industriali Corso di Bioinformatica A.A

Transcript

1 Universita` di Verona Laura Specialistica in Biotecnologie Agro-Industriali Corso di Bioinformatica A.A Docente: Dr. Nicola Vitulo Dipartimento di Biologia, CRIBI Viale G.Colombo3, Padova Tel

2 Programma del corso Struttura dei database, database di dati biologici, accesso ai database. Matrici di sostituzione, allineamenti di sequenze (programmazione dinamica, Blast, Fasta, allineamenti multipli) Profili, pattern, Hidden Markov Model, database di strutture proteiche. Sequenziamento di genomi e processo di annotazione.

3 Database Negli ultimi anni tecnologie sempre più sofisticate: enorme produzione di dati, inimmaginabile fino a poco tempo fa. La quantità di dati prodotti (sequenze di DNA nell'esempio) aumenta in modo molto più veloce che il numero di pubblicazioni scientifiche (crescita esponenziale)

4 Oltre ai dati di sequenze si stanno producendo molti altri dati in modo sistematico, ad esempio di espressione genica mediante la tecnica dei chip di DNA (microarray), oppure di espressione e interazione proteica con le tecniche della proteomica. E' quindi necessario disporre di nuovi sistemi di immagazzinamento e accesso all'informazione. Questa esigenza trova una risposta nelle banche dati che nel settore biologico si stanno diffondendo moltissimo e sono diventate uno strumento indispensabile per la ricerca e per la diffusione dei risultati. Database: memorizzazione accurata, organizzazione, indicizzazione e mantenimento di informazioni biologiche

5

6 Database Una banca dati comprende un archivio di informazioni, una organizzazione logica o strutturata di tali informazioni e degli strumenti per accedervi (API, Application Programming Interface). Separazione ed indipendenza del metodo di richiesta ed il meccanismo di recupero di specifici dati. La manipolazione dei dati avviene attraverso un linguaggio di interrogazione costituito fondamentalmente da quatro operazioni: recupero, memorizzazione, aggiornamento ed eliminazione dei dati. Le banche dati di biologia molecolare contengono le sequenze di acidi nucleici e proteiche, strutture molecolari e funzioni.

7 Esistono dei sistemi integrati che permettono di interrogare, attraverso il web, in modo semplice ed intuitivo le banche dati biologiche. I tre sistemi principali sono: ENTREZ SRS DBGET Sistemi Integrati (Ricerca Testuale) associato a GENBANK associato a EMBL associato a DDBJ FORM DI QUERY 1 2 SISTEMA INTEGRATO 3 DB 1 PAGINA DI RISPOSTA 5 4 DBn PC UTENTE RETE COMPUTER SERVER REMOTO

8 CLASSIFICAZIONE In generale, considerando la loro natura, possiamo classificare i database in almeno 2 differenti classi principali FLAT-FILE RELAZIONALI

9 FLAT-FILE Come dice il nome, anche un semplice file di testo può costituire un DATABASE. All interno del file esistono delle sequenze di caratteri che permettono di individuare i singoli record I record rappresentano l unità di memorizzazione del database All interno di un record esistono delle parole chiave che permettono di individuare i campi di quel record In genere esiste un campo (ID, identificatore, chiave ) che identifica univocamente i record del DB (non possono esistere 2 record con lo stesso valore nel campo chiave!) FLAT-FILE RECORD separatore RECORD separatore RECORD campo1 valore1 campo2 valore2 campo3 valore3 RECORD

10 UN ESEMPIO Quanti record sono? (quale è il separatore di record?) Quali campi ha ciascun record? Quale è il campo chiave? Che valori assume? ID : PARENT ID : RANK : no rank GC ID : 1 SCIENTIFIC NAME : IDIR agent SYNONYM : Infectious Disease of Infant Rats SYNONYM : Rotavirus (GROUP B / STRAIN IDIR) SYNONYM : infectious diarrhea of infant rats agent IDIR // ID : PARENT ID : 6607 RANK : family GC ID : 1 MGC ID : 5 SCIENTIFIC NAME : Idiosepiidae // ID : PARENT ID : RANK : family GC ID : 1 MGC ID : 5 SCIENTIFIC NAME : Idoteidae //

11 INDICIZZAZIONE Un flat-file biologico può contenere migliaia o milioni di record. Sarebbe assurdo, ogni volta che si ha bisogno di un record, scandire tutto il file dall inizio alla fine per ricercarlo (ad esempio cercando nel campo ID il valore 82764) Viene fatta allora una indicizzazione, cioè si preparano degli indici, con tutti i possibili valori dei vari campi (o almeno dei principali) e la posizione corrispondente nel file Gli indici sono dei file molto più piccoli. Le ricerche sono effettuate solo sugli indici e risultano quindi più veloci. Gli indici in generale vengono costruiti ordinati

12 ESEMPIO Indicizzare il seguente flat-file contenente i dati anagrafici di alcune persone. Quanti record? Quali campi? Qual è il campo chiave? > ID=1 NOME=MARIO SESSO=M > ID=2 NOME=LUIGI SESSO=M > ID=3 NOME=MARIO SESSO=M > ID=4 NOME=MARIA SESSO=F ID NOMI SESSO 1:1 2:33 3:66 4:100 LUIGI:33 MARIA:100 MARIO:1,66 F:100 M:1,33,66

13 SVANTAGGI Ogni volta che si modifica, o si aggiunge, o si cancella un record è necessario ripetere l indicizzazione. Il sistema è usato solo per le ricerche. Non esiste un sistema diretto per modificare il database.

14 DATABASE RELAZIONALI Esiste un DBMS (DataBase Management System) che si preoccupa di gestire fisicamente l aggiunta, la modifica e la cancellazione dei record e la gestione degli indici. Non ci interessa il modo in cui ciò avviene realmente Il DBMS funge da interfaccia verso il database, in una tipica configurazione CLIENT-SERVER. Il server è residente su un computer remoto, mentre i client sono in generale altri computer. richieste risultati DBMS DB CLIENT RETE SERVER

15 ORGANIZZAZIONE CLIENT-SERVER E un organizzazione piuttosto comune e naturale nell informatica. Esiste una risorsa, gestita da un server ed un certo numero di utenti (client), che necessitano della risorsa. In genere i client si mettono in coda per accedere alla risorsa. Quando il server è libero ascolta la richiesta del primo cliente in coda, se possibile la esegue restituendo al client quanto richiesto Alcuni esempi di client-server della vita comune? SQL: Structured Query Language E sicuramente il DBMS più diffuso. SQL è uno standard di cui esistono alcune implementazioni ORACLE (commerciale) MySQL (free)

16 DATABASE RELAZIONALE Un DATABASE RELAZIONALE è un insieme di TABELLE (table), in origine chiamate relazioni, con un qualche collegamento logico tra di esse. Una tabella di un DB relazionale è l equivalente di un flat-file database relazionale tabelle La progettazione di un DB è guidata dal mondo reale. In genere si vuole creare un modello di qualcosa (banca, traffico aereo, sistema biologico, ). Si tratta di capire quali entità devono essere rappresentate ed in genere si costruisce una tabella per ciascuna di esse.

17 RECORD Una tabella è un contenitore di RECORD Se la tabella rappresenta un entità del mondo reale, ogni record rappresenta un istanza di quell entità Esempio delle automobili. Se definiamo una tabella di automobili, avremo un record per ogni modello di automobile Se definiamo una tabella di sequenze di proteine, avremo un record per ogni sequenza di proteine. Possiamo pensare ad una tabella come formata da tante righe. Ogni riga rappresenta un record della tabella. record telethonin actin titin calmodulin Tabella proteine

18 CAMPI A sua volta ogni record è composto da un certo numero di campi (fields). Ogni campo rappresenta un attributo dell entità da modellare. Un campo può contenere valori solo di un certo tipo (numeri interi, numeri reali, date, stringhe di caratteri, ) In una tabella di un db relazionale tutti i record sono formati dagli stessi campi. Eventualmente un campo di un record potrà anche non essere definito. In questo caso si usa il valore speciale NULL (nei flat-file invece determinati campi potevano tranquillamente essere non definiti per un record). Se i record rappresentano le righe di una tabella, i campi ne rappresentano le colonne

19 Field Type Null Key Default name varchar(10) PRI chrom varchar(10) PRI description varchar(255) note varchar(255) code varchar(10) cog varchar(50) chromstart int(11) 0 chromend int(11) 0 trembl varchar(10) YES NULL Field Type Null Key Default Extra bin smallint(5) unsigned 0 chrom varchar(255) MUL chromstart int(10) unsigned 0 chromend int(10) unsigned 0 name varchar(255) MUL score int(10) unsigned 0 strand char(1) thickstart int(10) unsigned 0 thickend int(10) unsigned 0

20 Ricerca in bache dati Le interrogazioni (queries) delle banche dati mirano ad identificare un insieme di voci (entries) sulla base di specifiche caratteristiche o di criteri di similarita` con una sequenza o una struttura campione. I software di ricerca delle informazioni identificano quindi le entry con contenuto pertinente alla query richiesta. Ricerca testuale mediante l`utilizzo di parole chiave e ricerche di similarita` (restituiscono la sequenza di un dabase piu` simili ad una sequenza fornita come query ) Es. Possiamo fare una ricerca in banca dati inserendo il termine horse... informazioni su svariati aspetti che riguardano i cavalli. Query poco specifiche restituiscono risultati che possono non riguardare quello a cui siamo interessati.

21 Utilizzo di termini di ricerca o parole chiave multipli. Es. horse liver alcohol dehydrogenase restituisce risultati specifici per questo enzima. Verranno cercate tutte entry contenenti le 4 parole chiave ( horse AND liver AND alcohol AND dehydrogenase ). Utilizzo di operatori booleani per specificare diverse combinazioni logiche dei termini di indicizzazione. Alcuni esempi: horse OR human dehydrogenase NOT alcohol : (lattato o malato deidrogenasi) (horse OR human) AND (dehydrogenase NOT alcohol) Programmi diversi possono richiedere sintassi diverse : (horse human) & (dehydrogenase! alcohol)

22 Database primari: contengono i dati originali. Ad esempio : Sequenze di acidi nucleici, tra cui progetti di genomi completi. Sequenze aminoacidiche di proteine. Funzione delle proteine. Profili di espressione genica. Database secondari: contengono il risultato di analisi eseguite sulle sequenze contenute nei database primari. Esempio. Da SWISSPROT, database primario di sequenze di aminoacidi, sono costruiti i database secondari PROSITE (pattern e profili) e PFAM (domini)

23 Bache dati di sequenze acidi nucleici Collezioni di singoli record, ognuno dei quali contiene un tratto di DNA o RNA con delle annotazioni. Ogni record viene chiamato anche ENTRY, e ha un codice che lo identifica univocamente (ACCESSION NUMBER). EMBL nucleotide database EMBL=European Molecular Biology Laboratory EBI= European Bioinformatics Institute (UK) GeneBank NIH= National Institute of Health NCBI=National Center for Biotecnology Information (USA) DDBJ DDBJ=Dna Database of Japan Nel 1998 i gruppi responsabili dei 3 database si sono organizzati nell` International Collaboration of DNA Sequence Database per utilizzare un formato comune e scambiarsi giornalmente le sequenze.

24 European Bioinformatics Institute (Hinxton Cambridge, UK)

25 GeneBank

26 Esempio record GeneBank

27 GeneBank contiene diverse sezioni (diversi gruppi tassonomici e strategie di sequenziamento). DbEST= database pubblico di Expressed Sequence Tag (etichette di sequenze tradotte), contiene tutte le sequenze ottenute dal sequenziamento di cloni di cdna, molto utili per: Identificare nuovi geni Studiare la struttura di esoni/introni di geni Studiare l`espressione genica

28 HTG: High Throughput Genomic (HTG) Sequence, raccoglie sequenze genomiche di progetti di sequenziamento ancora in fase di finishing. GSS: Simile alla sezione EST, con la differenza che le sequenze sono di origine genomica piuttosto che da cdna. STSs: sequence tagged site,corte sequenze uniche nel genoma, usate per creare mappe. WGS: whole genome shotgun sequences.

29 SWISSPROT (UNIPROT) DATABASE PRIMARIO DI SEQUENZE PROTEICHE

30 Database primari Database di sequenze proteiche SWISS-PROT Database di sequenze proteiche annotate, scarsamente ridondanti e cross-referenced. Contiene TrEMBL, supplemento a SWISS-PROT costituito dalle sequenze annotate al computer, come traduzione di tutte le sequenze codificanti all`embl PIR (Pattern Identification Resouble), comprende gruppi di ricerca alla National Biomedical Research Foundation (Georgtown University, Washington,USA9), la Münich Information Center for Protein Sequence (MIPS) e la Japan International Protein Information Database.

31 PIR-PSD: principale banca dati di sequenze proteiche, banca dati di sequenze e annotazioni di proteine e struttura nota depositate iproclass: classificazione delle proteine in base alla struttura e alla funzione ASDB: banca dati di annotazione e similarita` P/R-NREF: collezione completa, non ridondante, di piu` di sequenze di proteine raccolte da tutte le fonti disponibili. NRL3D: banca dati di sequenze e annotazioni di proteine a struttura nota. ALN: banca dati di allineamenti di sequenze proteiche.

32 UniProt(Universal Protein Resource) Il piu` grande catagolo di informazioni di proteine. Contiene informazioni sulla sequenza e sulla funzione di proteine ed e` ottenuto dall`insieme delle informazioni contenute in Swiss-Prot, TrEMBL e PIR. UniProt ha tre componenti: UniProt Knowledgebase (UniProt), database centrale di informazioni curate, include funzione, classificazione e cross-reference. UniProt Non-redundant Reference (UniRef), database che contiene sequenze strettamente correlate unite in singoli record per aumentare la velocita` di ricerca. UniProt Archive (UniParc) e` un database completo, che riflette la storia di tutte le sequenze proteiche.

33 Database secondari Contengono il risultato di analisi eseguite sulle sequenze contenute nei database primari. Esempio. Da SWISSPROT, database primario di sequenze di aminoacidi, sono costruiti i database secondari PROSITE e PFAM (Database of protein families and domains) (Protein families database of alignments and HMMs )

34 Altri importanti database di interesse biologico sono: Oltre ai database di sequenze ci sono altri database molto importanti come ad esempio il database di tassonomia che contiene le informazioni relative a molti organismi biologici e la loro classificazione sistematica; oppure il database di referenze bibliografiche di interesse biologico e medico (PubMed) che costituisce un'importante fonte di informazione in cui possono essere facilmente reperite informazioni bibliografiche e riassunti (abstract) delle corrispondenti pubblicazioni. PDB: Database di strutture proteiche Ensembl: Browser genomico dell EBI/Sanger Center UniGene: Database geni umani derivati dal clustering di EST, DNA genomico, mrna derivati da GeneBank e dbest GenCard: Banca di geni annotati OMIM: Banca dati di malattie genetiche umane

35 Database composti Problemi dei database primari formato dei dati accuratezza dei dati comprensibilità ridondanza I database composti prendono i dati da più sorgenti, generalmente con formati diversi e costruiscono un nuovo database specializzato, in genere pulito e non ridondante Esempio: NRDB (non redundant database) Database non ridondante di sequenze di acidi nucleici o di proteine utilizzato per limitare lo spazio di ricerca quando si cercano le sequenze più simili ad una sequenza data

36 Problema della ridondanza Molti database proteici e nucleotidici contengone sequenze appartenenti a famiglie geniche o versioni di geni omologhi di organismi differenti. Molti gruppi possono sottomettere la stessa sequenza. Differenti approcci sperimentali possono produrre sequenze simili (ad esempio da genomico e da cdna). Splicing alternativi.

37 L`utilizzo di database ridondanti comporta almeno tre potenziali fonti di errore: Se un dataset contiene larghe famiglie di sequenze strettamente correlate, le analisi statistiche soffriranno di un bias dovuto sovrastimeranno caratteristiche peculiari di quella famiglia Apparenti correlazioni in differenti posizioni specifiche delle sequenze possono essere un artefatto dovuto ad un bias nella composizione del campione. Se un dataset e` usato per predizioni di certe caratteristiche, e le sequenze per calibrare la predizioni sono troppo correlate tra loro, l`apparente capacita` predittiva puo` essere sovrastimata. (riconosce il particolare, non il generale).

38 Due importanti sistemi integrati Entrez e SRS accessibili ai seguenti indirizzi: -SRS- Sistema integrato (europeo) di banche dati biologiche -Entrez- Sistema integrato (USA) di banche dati biologiche Questi sistemi consentono di accedere facilmente alle informazioni contenute nelle banche dati biologiche, permettendo di selezionare il database di interesse, imporre dei limiti, individuare dati correlati.

39 ENTREZ E` stato sviluppato all`ncbi per permettere l`accesso a dati di biologia molecolare e citazioni bibliografiche. Sfrutta il concetto di neighbouring : possibilita` di collegare tra loro oggetti diversi di database differenti, indipendentemente dal fatto che essi siano direttamente cross-referenced. Tipicamente ENTREZ permette l`accesso a database di sequenze nucletidiche, di sequenze proteiche, di mappaggio di cromosomi e di genomi, di struttura 3D e bibliografici (PubMed)

40 Nucleotide: dati di sequenze da GenBank, EMBL e DDBJ Protein: Traduzione delle sequenze codificanti in GeneBank, EMBL e DDJB e sequenze di proteine sottomesse a PIR, SWISSPROT, Protein Data Bank (PDB)(sequenze da strutture risolte) Genome: Sequenze di genomi completi di molti organismi; cromosomi completi; mappe di contigui; mappe genetiche/fisiche integrate Structure: Struttura 3D di proteine ovvero dati sperimentali di cristallografia e NMR PopSet: Sequenze allineate, risultato di studi di genetica di popolazione, filogenesi e mutazioni, Sia proteine che nucleotidi. PubMed: Permette ricerche bibliografiche OMIM:Online Mendelian Inheritance in Man

41 SRS (Sequence Retrival System) Sistema integrato per la ricerca delle informazioni in svariate banche dati di sequenze e per l`inserimento delle sequenze trovate in strumenti analitici come confronti tra sequenze e programmi di alineamento. Categorie di banche dati in cui e` possibile cercare attraverso SRS Sequenze Genomi InterPro Mappature SeqRelated Mutazioni TransFac SNP (polimorfismi di singoli nucleotidi) Banche dati di propieta` di singoli utenti Mutazioni specifiche di certi loci Application Result Vie metaboliche Protein3DStructure Pattern di sequenze