Metodologie informa/che per l analisi dei genomi

Transcript

1 Metodologie informa/che per l analisi dei genomi

2 Metodologie informa/che per l analisi dei genomi Perchè sono qui? Walter Sanseverino, CEO at

3 !?

4 Informa/cs = Genomics?

5 We have a problem!!!

6 Focus curve

7

8 Prima di iniziare Che cos è la gene/ca? La gene/ca (dal greco an/co γενετικός ghene/kós, «rela/vo alla nascita», da γένεσις ghénesis, «genesi, origine») è la scienza, branca della biologia, che studia i geni, l'ereditarietà e la variabilità gene/ca degli organismi. I 'cara]eri' mendeliani dell'individuo corrispondono a sequenze di DNA, chiamate geni presen/ nel genoma in duplice copia (nel cromosoma ereditato dal padre e in quello ereditato dalla madre). Che cos è la genomica? La genomica è una branca della biologia molecolare che si occupa dello studio del genoma degli organismi viven/. In par/colare si occupa della stru]ura, contenuto, funzione ed evoluzione del genoma. È una scienza che si basa sulla bioinforma/ca per l'elaborazione e la visualizzazione dell'enorme quan/tà di da/ che produce. Che cos è la bioinforma/ca? La bioinforma/ca è una disciplina scien/fica dedicata alla risoluzione di problemi biologici a livello molecolare con metodi informa/ci.

9 La bioinforma/ca La bioinforma/ca principalmente si occupa di: 1. Fornire modelli sta/s/ci validi per l'interpretazione dei da/ provenien/ da esperimen/ di biologia molecolare e biochimica al fine di iden/ficare tendenze e leggi numeriche 2. Generare nuovi modelli e strumen/ matema/ci per l'analisi di sequenze di DNA, RNA e proteine al fine di creare un corpus di conoscenze rela/ve alla frequenza di sequenze rilevan/, la loro evoluzione ed eventuale funzione. 3. Organizzare le conoscenze acquisite a livello globale su genoma e proteoma in basi di da/ al fine di rendere tali da/ accessibili a tuh, e ohmizzare gli algoritmi di ricerca dei da/ stessi per migliorarne l'accessibilità.

10 Storia della gene/ca I

11 Storia della gene/ca II

12 Moore s law «Le prestazioni dei processori, e il numero di transistor ad esso rela/vo, raddoppiano ogni 18 mesi.»

13 Unica slide di questa prima parte che dovete ricordare Il sequenziamento di un genoma ci perme]e di avere una panoramica completa di tu]e le cara]eris/che di un organismo: La sua stru]ura Il numero di geni La loro funzione Il numero di elemen/ non- codifican/ La sequenza del genoma è il punto di partenza per tuh gli studi di genomica Non esite genomica senza sequenziamento Non esiste genomica senza genoma Non esiste genomica senza informa/ca Come possiamo trasformare i da/ di sequenziamento in informazioni u/li?

14 Metodologie informa7che per l analisi dei genomi! Reads and common files De novo assembly Genome annota/on and predic/on Gbrowse Resequencing SNP and InDEL calling Structural varia/on analysis Genome reconstruc/on Genome comparison

15 Reads and common files Sapete quali sono I file che escono da un sequenziatore? Sapete quali sono I sequenziatori a]ualemente disponibili sul mercato? Sapete quali sono le differenze tra i sequenziotori

16 Qual è la differenza tra ques/ due file? File1: atgctagctagctaatgctagctagctaatgctagctagctaatgctagctagctaatgctagctagctaatgctagcta gctaatgctagctagctaatgctagctagctaatgctagctagctaatgctagctagctaatgctagctagctaatgcta gctagctaatgctagctagctaatgctagctagctaatgctagctagctaatgctagctagctaatgctagctagctaat gctagctagctaatgctagctagctaatgctagctagcta File2: >seq_without_any_sense atgctagctagctaatgctagctagctaatgctagctagctaatgctagctagctaatgctagctagctaatgctagcta gctaatgctagctagctaatgctagctagctaatgctagctagctaatgctagctagctaatgctagctagctaatgcta gctagctaatgctagctagctaatgctagctagctaatgctagctagctaatgctagctagctaatgctagctagctaat gctagctagctaatgctagctagctaatgctagctagcta A sequence in FASTA format begins with a single- line descrip7on, followed by lines of sequence data. The descrip7on line is dis7nguished from the sequence data by a greater- than (">") symbol in the first column. The word following the ">" symbol is the iden7fier of the sequence, and the rest of the line is the descrip7on (both are op7onal). There should be no space between the ">" and the first leier of the iden7fier. It is recommended that all lines of text be shorter than 80 characters.

17 Common genomics file FASTA FASTQ GFF/GTF SAM BAM BED Common genomic nomenclature READS CONTIG SCAFFOLD SUPERSCAFFOLD PSEUDOMOLECULES

18 Instrument Output Illumina MiSeq Illumina HiSeq IonTorrent PGM Roche 454 Pacific Biosciences RS Images (./ff) Cluster intensity file (.cif) Base call file (.bcl) Standard flowgram file (.sff) Movie Trace (.trc.h5) Pulse (.pls.h5) Base (.bas.h5) Sequence Data (FASTQ Format)

19 FASTQ FASTQ format is a text- based format for storing both a biological sequence (usually nucleo/de sequence) and its corresponding quality scores. A FASTQ file normally uses four lines per sequence. Line 1 begins with a '@' character and is followed by a sequence iden/fier and an op/onal descrip/on (like a FASTA /tle line). Line 2 is the raw sequence le]ers. Line 3 begins with a '+' character and is op/onally followed by the same sequence iden/fier (and any descrip/on) again. Line 4 encodes the quality values for the sequence in Line 2, and must contain the same number of symbols as le]ers in the sequence.

20 A FASTQ file containing a single sequence might look like this "read" means a short sequence of dna, typically base pairs long. Basically, reads are raw sequences that come off a sequencing GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAACTCACAGTTT +!''*((((***+))%%%++)(%%%%).1***- +*''))**55CCF>>>>>>CCCCCCC65 The character '!' represents the lowest quality while '~' is the highest. Here are the quality value characters in le - to- right increasing order of quality (ASCII):!"#$%&'()*+,-./ :;<=>?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\]^_`abcdefghijklmnopqrstuvwxyz{ }~ Andiamo adesso su questo sito e vediamo gli altri file h]p://genome.ucsc.edu/faq/faqformat.html#format3

21 FASTQ Format (Illumina Example) FASTQ file Read Record Header Flow Cell ID Lane Tile Tile Coordinates Barcode Separator (with op7onal repeated 1:N:0:AGTCAA CAGGAGTCTTCGTACTGCTTCTCGGCCTCAGCCTGATCAGTCACACCGTT + BCCFFFDFHHHHHIJJIJJJJJJJIJJJJJJJJJJIJJJJJJJJJIJJJJ Read 1:N:0:AG AAAACTCTTACTACATCAGTATGGCTTTTAAAACCTCTGTTTGGAGCCAG + Read 1:N:0:AG CCTCCTGCTTAAAACCCAAAAGGTCAGAAGGATCGTGAGGCCCCGCTTTC + 1:N:0:AG GAAGATTTATAGGTAGAGGCGACAAACCTACCGAGCCTGGTGATAGCTGG + CCCFFFFFHHHHHGGIJJJIJJJJJJIJJIJJJJJGIJJJHIIJJJIJJJ

22 Base Call Quality: Phred Quality Scores Phred* quality score Q with base- calling error probability P Q = - 10 log 10 P * Name of first program to assign accurate base quality scores. From the Human Genome Project. Q score Probability of base error Base confidence Sanger- encoded (Q Score + 33) ASCII character % % %? % I SSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSSS......IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII... LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL...!"#$%&'()*+,-./ :;<=>?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\]^_`abcdefghijklmnopqrstuvwxyz{ }~ S - Sanger Phred+33 range: 0 to 40 I - Illumina 1.3+ Phred+64 range: 0 to 40 L - Illumina 1.8+ Phred+33 range: 0 to 41

23 Abbiamo capito: Qual è output di un sequenziatore Che cos è una read Che cos è un FASTQ file Come si legge la qualità di un FASTQ