Modello computazionale per la predizione di siti di legame per fattori di trascrizione

Transcript

1 Modello computazionale per la predizione di siti di legame per fattori di trascrizione Attività di tirocinio svolto presso il Telethon Institute of Genetics and Medicine Relatori Prof. Giuseppe Trautteur Ing. Diego Di Bernardo Candidata Rossella Rispoli

2 Sommario 1 Cenni di biologia molecolare Gene e sequenze di DNA Relazioni tra sequenze geniche 2 Oggetto e scopo del lavoro di tesi Siti di legame per fattori di trascrizione Obiettivi 3 Fasi del lavoro Estrazione dati Metodi per l identificazione di siti di legame Validazione ed analisi 4 Conclusioni Considerazioni sui risultati ottenuti

6 Gene e sequenze di DNA Dalla biologia alla biologia computazionale Era Post-Genomica Il cromosoma può essere visto come una stringa su un insieme si 4 caratteri {A,T,C,G}

7 Gene e sequenze di DNA Dalla biologia alla biologia computazionale Era Post-Genomica Il cromosoma può essere visto come una stringa su un insieme si 4 caratteri {A,T,C,G}

8 Gene e sequenze di DNA Dalla biologia alla biologia computazionale struttura di una sequenza genica Figura: elements of gene sequence

9 Relazioni tra sequenze geniche Sommario 1 Cenni di biologia molecolare Gene e sequenze di DNA Relazioni tra sequenze geniche 2 Oggetto e scopo del lavoro di tesi Siti di legame per fattori di trascrizione Obiettivi 3 Fasi del lavoro Estrazione dati Metodi per l identificazione di siti di legame Validazione ed analisi 4 Conclusioni Considerazioni sui risultati ottenuti

10 Relazioni tra sequenze geniche Conservazione di sequenze di DNA e siti di legame Figura: Sequence Alignment conservazione omologia-similarità ortologia

13 Siti di legame per fattori di trascrizione Sommario 1 Cenni di biologia molecolare Gene e sequenze di DNA Relazioni tra sequenze geniche 2 Oggetto e scopo del lavoro di tesi Siti di legame per fattori di trascrizione Obiettivi 3 Fasi del lavoro Estrazione dati Metodi per l identificazione di siti di legame Validazione ed analisi 4 Conclusioni Considerazioni sui risultati ottenuti

14 Siti di legame per fattori di trascrizione Sequenze bersaglio I siti di legame o sequenze bersaglio sono sequenze del DNA con le seguenti proprietà: lunghe circa 10/15 basi si trovano nelle regioni non codificanti della sequenza genica non sono univoche

17 Obiettivi Sommario 1 Cenni di biologia molecolare Gene e sequenze di DNA Relazioni tra sequenze geniche 2 Oggetto e scopo del lavoro di tesi Siti di legame per fattori di trascrizione Obiettivi 3 Fasi del lavoro Estrazione dati Metodi per l identificazione di siti di legame Validazione ed analisi 4 Conclusioni Considerazioni sui risultati ottenuti

18 Obiettivi La ricerca di siti di legame Ci proponiamo di: Realizzare strumenti per individuare possibili sequenze bersaglio lungo la sequenza di DNA Figura: transcription factor binding site

19 Estrazione dati Sommario 1 Cenni di biologia molecolare Gene e sequenze di DNA Relazioni tra sequenze geniche 2 Oggetto e scopo del lavoro di tesi Siti di legame per fattori di trascrizione Obiettivi 3 Fasi del lavoro Estrazione dati Metodi per l identificazione di siti di legame Validazione ed analisi 4 Conclusioni Considerazioni sui risultati ottenuti

20 Estrazione dati Database genomici: proprietà e utilizzo I database genomici forniscono: una collezione di sequenze di DNA, frutto di ampi lavori di sequenziamento e riconoscimento una collezione di annotazioni Essi si dividono in: banche dati primarie banche di dati specializzate genome browser

25 Estrazione dati DB ENSEMBL e DB UCSC Figura: Ensembl genome browser Figura: UCSC genome browser ENSEMBL: informazioni sull ortologia ma errate identificazioni delle locazioni geniche UCSC: corrette identificazioni geniche e score di conservazione

26 Estrazione dati DB ENSEMBL e DB UCSC Figura: Ensembl genome browser Figura: UCSC genome browser ENSEMBL: informazioni sull ortologia ma errate identificazioni delle locazioni geniche UCSC: corrette identificazioni geniche e score di conservazione

27 Estrazione dati Integrazione dati Soluzione Integrazione delle due sorgenti dati Ensebl e Ucsc Scopo proposto Preservare la qualità dei dati Modifiche asincrone Differenti individuazioni degli oggetti Incongruenze di schema Assicurare Assembly coincidenti Uso di identificatori esterni Analisi dei dati usati e integrati

30 Estrazione dati Modulo Computazionale per l estrazione dati Figura: Design data extraction

31 Metodi per l identificazione di siti di legame Sommario 1 Cenni di biologia molecolare Gene e sequenze di DNA Relazioni tra sequenze geniche 2 Oggetto e scopo del lavoro di tesi Siti di legame per fattori di trascrizione Obiettivi 3 Fasi del lavoro Estrazione dati Metodi per l identificazione di siti di legame Validazione ed analisi 4 Conclusioni Considerazioni sui risultati ottenuti

32 Metodi per l identificazione di siti di legame Idea alla base dei metodi di identificazione Figura: Binding factor and sequence È possibile estrarre un modello di legame da un allineamento di sequenze bersaglio dello stesso fattore di trascrizione A? Posizione: sito 1 A G A A C A sito 2 A A A C A sito 3 A C G A A C T Consenso: A G A A C A Tabella: figura consenso

33 Metodi per l identificazione di siti di legame Idea alla base dei metodi di identificazione Figura: Binding factor and sequence È possibile estrarre un modello di legame da un allineamento di sequenze bersaglio dello stesso fattore di trascrizione A? Posizione: sito 1 A G A A C A sito 2 A A A C A sito 3 A C G A A C T Consenso: A G A A C A Tabella: figura consenso

34 Metodi per l identificazione di siti di legame PWM (Positional Weight Matrix) e TRANSFAC Quindi È possibile estrarre da un allineamento di piú sequenze bersaglio di uno stesso fattore di trascrizione un modello di legame cioé un consenso A T C G Tabella: matrice di peso PWM

35 Metodi per l identificazione di siti di legame Conservazione e distanza evolutiva Figura: conservation score Figura: distance filogenetic

38 Validazione ed analisi Sommario 1 Cenni di biologia molecolare Gene e sequenze di DNA Relazioni tra sequenze geniche 2 Oggetto e scopo del lavoro di tesi Siti di legame per fattori di trascrizione Obiettivi 3 Fasi del lavoro Estrazione dati Metodi per l identificazione di siti di legame Validazione ed analisi 4 Conclusioni Considerazioni sui risultati ottenuti

39 Validazione ed analisi Modelli di score L w Score 1 = log 2 L w Score 0 = log 2 i=1 Score 2 = i=1 ( i+w 1 j=i i+w 1 j=i p j i+w 1 j=i p j p j i+w 1 j=i p w j N i=1 Score 0i (1 d i ) N i+w 1 j=i N i=1 Score 3 = Score 1i (1 d i ) N ) sc j (1) (2) (3) (4)

43 Validazione ed analisi Modulo computazionale per l implementazione dei modelli di score FASTA FILE MARKOV MODEL INPUT MOTIF BUILD_SCORE MS ALGORITMO_MS OUTPUT PER SINGOLO JOB DATI SEQUENZA E MATRICE OUTPUT GLOBALE DATI SEQUENZE E MATRICI DATI DI CONSERVAZIONE IMPLEMENTATION MULTI SCORES ON MATRIX SAMPLER Figura: Computational module for implementation of scores

44 Validazione ed analisi Validazione su p63 Obiettivo Identificare una sequenza bersaglio nota, calcolando i 4 score per ognuna delle 546 matrici note in TRANSFAC

45 Validazione ed analisi Risultati Figura: Results scores

48 Validazione ed analisi Risultati sensitivity = ppv = TP TP + FN TP TP + FP (5) (6) Score a confronto Sensitivity: ppvscore 0 ppvscore 1 ppvscore 2 ppvscore 3 33%

49 Considerazioni sui risultati ottenuti Sommario 1 Cenni di biologia molecolare Gene e sequenze di DNA Relazioni tra sequenze geniche 2 Oggetto e scopo del lavoro di tesi Siti di legame per fattori di trascrizione Obiettivi 3 Fasi del lavoro Estrazione dati Metodi per l identificazione di siti di legame Validazione ed analisi 4 Conclusioni Considerazioni sui risultati ottenuti

50 Considerazioni sui risultati ottenuti Stato del lavoro e Sviluppi futuri il contributo positivo della conservazione problematiche aperte

51 Considerazioni sui risultati ottenuti Stato del lavoro e Sviluppi futuri il contributo positivo della conservazione problematiche aperte