Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

4. Vorlesung WS 2006/07Softwarewerkzeuge1 V4 – Analyse von Genomsequenzen - Gene identifizieren z.B. Hidden Markov Modelle - Transkriptionsfaktorbindestellen.

Ähnliche Präsentationen


Präsentation zum Thema: "4. Vorlesung WS 2006/07Softwarewerkzeuge1 V4 – Analyse von Genomsequenzen - Gene identifizieren z.B. Hidden Markov Modelle - Transkriptionsfaktorbindestellen."—  Präsentation transkript:

1 4. Vorlesung WS 2006/07Softwarewerkzeuge1 V4 – Analyse von Genomsequenzen - Gene identifizieren z.B. Hidden Markov Modelle - Transkriptionsfaktorbindestellen identifizieren Position Specific Scoring Matrices (PSSM) - finde Repeat-Sequenzen Suche nach bekannten Repeat-Motiven - Genom-Assemblierung finde identische k-Tupel - Genom-Alignment Suche nach MUMs (maximal unique matches)

2 4. Vorlesung WS 2006/07Softwarewerkzeuge2 Einleitung – Gene identifizieren Die einfachste Methode, DNA Sequenzen zu finden, die für Proteine kodieren, ist nach open reading frames (ORFs) zu suchen. In jeder Sequenz gibt es 6 mögliche open reading frames:: 3 ORFs starten an den Positionen 1, 2, und 3 und gehen in die 5 3 Richtung, 3 ORFs starten an den Positionen 1, 2, und 3 und gehen in die 5 3 Richtung des komplementären Strangs. In prokaryotischen Genomen werden Protein-kodierende DNA-Sequenzen gewöhnlich in mRNA transkribiert und die mRNA wird ohne wesentliche Änderungen direkt in einen Aminosäurestrang übersetzt. Daher ist der längste ORF von dem ersten verfügbaren Met codon (AUG) auf der mRNA bis zu dem nächsten Stopcodon in demselben offenen Leserahmen, gewöhnlich eine gute Vorhersage für die Protein-kodierende Region.

3 4. Vorlesung WS 2006/07Softwarewerkzeuge3 Methode Erhalte neue genomische DNA-Sequenz Übersetze sie in allen 6 Leserahmen und vergleiche sie mit der Datenbank für Protein- sequenzen. Führe Suche in EST- Datenbank oder cDNA- Datenbank desselben Organismus nach ähnlichen Sequenzen durch, falls verfügbar. Benutze Genvorhersage- programm um Gene zu finden Analysiere regulatorische Sequenzen des Gens.

4 4. Vorlesung WS 2006/07Softwarewerkzeuge4 Extrinsische und intrinsische Methoden Viele Verfahren kombinieren nun (a) Homologie-Methoden = extrinsische Methoden mit (b) Genvorhersage-Methoden = intrinsische Methoden Etwa die Hälfte aller Gene kann durch Homologie zu anderen bekannten Genen oder Proteinen gefunden werden (dieser Anteil wächst stetig, da die Anzahl an sequenzierten Genomen und bekannten cDNA/EST Sequenzen kontinuierlich wächst.) Um die übrige Hälfte an Genen zu finden, muß man prädiktive Methoden einsetzen. Mathé et al. Nucl. Acids. Res. 30, 4103 (2002)

5 4. Vorlesung WS 2006/07Softwarewerkzeuge5 Beispiel: Vergleich von Glimmer und GeneMarksS Besemer et al. Nucl. Acids. Res. 29, 2607 (2003)

6 4. Vorlesung WS 2006/07Softwarewerkzeuge6 Hidden Markov Models Ein Hidden Markov Modell ist ein Graph, der verschiedene Zustände verbindet. Jeder Zustand kann möglicherweise eine Reihe an Beobachtungen aussenden. Der Prozeß entwickelt sich in eine Richtung, z.B. die Zeit. Man parametrisiert das Modell mit Wahrscheinlichkeit für den Zustand zur Zeit t + 1, gesetzt dass die Zustände davor bekannt sind.

7 4. Vorlesung WS 2006/07Softwarewerkzeuge7 TIGR: GlimmerM, Exonomy and Unveil Topologies ofUnveilExonomy 283-state HMM23-state GHMM Majoros et al. Nucl. Acids. Res. 31, 3601 (2003)

8 4. Vorlesung WS 2006/07Softwarewerkzeuge8 Methoden funktionieren nicht überall Ein Beispiel, in dem Exonomy die Gene richtig erkennt. Ein Beispiel, in dem GlimmerM die Gene richtig erkennt. Ein Beispiel, in dem Unveil die Gene richtig erkennt (auch Genscan). Majoros et al. Nucl. Acids. Res. 31, 3601 (2003)

9 4. Vorlesung WS 2006/07Softwarewerkzeuge9 Zusammenfassung Die Resultate der Genvorhersage werden zuverlässiger; dennoch sollte man sie mit Vorsicht behandeln. Sie sind sehr nützlich um die Entdeckung von Genen zu beschleunigen. Dennoch sind biologische Techniken notwendig um die Existenz von virtuellen Proteinen zu bestätigen und um dessen biologischen Funktion zu finden bzw. zu beweisen. Dadurch werden vergleichende Genom-Ansätze immer wichtiger, in denen Programme Genkandidaten auf Homologie mit exprimierten Sequenzen vergleichen (EST oder cDNA Sequenzdaten). Neue Arbeiten wenden sich nun RNA-kodierenden Genen zu. Mathé et al. Nucl. Acids. Res. 30, 4103 (2002)

10 4. Vorlesung WS 2006/07Softwarewerkzeuge10 Transkriptions – Gen-Regulationsnetzwerke Die Maschine, die ein Gen transkribiert, besteht aus etwa 50 Proteinen, einschließlich der RNA polymerase, ein Enzym, das DNA code in RNA code übersetzt. Eine Gruppe von Transkriptions- faktoren bindet an die DNA gerade oberhalb der Stelle des Kern-Promoters, während assoziierte Aktivatoren an Enhancer-Regionen weiter oberhalb der Stelle binden. ahttp://www.berkeley.edu/news/features/1999/12/09_nogales.html

11 4. Vorlesung WS 2006/07Softwarewerkzeuge11 Promoter prediction in E.coli To analyze E.coli promoters, one may align a set of promoter sequences by the position that marks the known transcription start site (TSS) and search for conserved regions in the sequences. E.coli promoters are found to contain 3 conserved sequence features - a region approximately 6 bp long with consensus TATAAT at position a region approximately 6 bp long with consensus TTGACA at position a distance between these 2 regions of ca. 17 bp that is relatively constant a

12 4. Vorlesung WS 2006/07Softwarewerkzeuge12 Feasibility of computational motif search? Computational identification of transcription factor binding sites is difficult because they consist of short, degenerate sequences that occur frequently by chance. The problem is not easy to define (therefore: it is complex) because - the motif is of unknown size - the motif might not be well conserved between promoters - the sequences used to search for the motif do not necessarily represent the complete promoter - genes with promoters to be analyzed are in many cases grouped together by a clustering algorithm which has its own limitations.

13 4. Vorlesung WS 2006/07Softwarewerkzeuge13 Strategy 1 Arrival of microarray gene-expression data. Group of genes with similar expression profile (e.g. those that are activated at the same time in the cell cycle) one may assume that this profile ist, at least partly, caused by and reflected in a similar structure of the regions involved in transcription regulation. Search for common motifs in < 1000 base upstream regions. Sofar used: detection of single motifs (representing transcription-factor binding sites) common to the promoter sequences of putatively co-regulated genes. Better: search for simultaneous occurrence of 2 or more sites at a given distance interval! Search becomes more sensitive.

14 4. Vorlesung WS 2006/07Softwarewerkzeuge14 Motif-Identifizierung A flowchart to illustrate the two different approaches for motif identification. We analyzed 800 bp upstream from the translation start sites of the five genes from the yeast gene family PHO by the publicly available systems MEME (alignment) and RSA (exhaustive search). MEME was run on both strands, one occurrence per sequence mode, and found the known motif ranked as second best. RSA Tools was run with oligo size 6 and noncoding regions as background, as set by the demo mode of the system. The well- conserved heptamer of the motifs used by MEME to build the weight matrix is printed in bold. Ohler, Niemann Trends Gen 17, 2 (2001)

15 4. Vorlesung WS 2006/07Softwarewerkzeuge15 Strategie 2: Erschöpfende Motivsuche in upstream-Regionen Benutze Beobachtung daß relevante Motive sich in der upstream-Region oft viele Mal wiederholen, unter Umständen mit kleinen Variationen, damit die regulatorische Wirkung effektiv ist. Suche in der upstream-Region nach überrepräsentierten Motiven (1)Ordne Gene nach den überrepräsentierten Motiven. (2)Analysiere Gruppen von Genen, die Motive für Ko-Regulation in Microarray- Experimenten gemeinsam haben. (3)Betrachte überrepräsentierte Motive, die Gruppen von koregulierten Genen als mögliche Bindungsstellen markieren. Cora et al. BMC Bioinformatics 5, 57 (2004)

16 4. Vorlesung WS 2006/07Softwarewerkzeuge16 Erschöpfende Motivsuche in upstream-Regionen Exploit Cora et al. BMC Bioinformatics 5, 57 (2004)

17 4. Vorlesung WS 2006/07Softwarewerkzeuge17 Aktuelle Verfahren um Promotoren zu finden Ohler, Niemann Trends Gen 17, 2 (2001)

18 4. Vorlesung WS 2006/07Softwarewerkzeuge18 Positions-spezifische Gewichtsmatrix Populäres Verfahren wenn es eine Liste von Genen gibt, die ein TF-Bindungs- motiv gemeinsam haben. Gute MSAs müssen vorhanden sein. Alignment-Matrix: wie häufig treten die verschiedenen Buchstaben an jeder Position im Alignment auf? Hertz, Stormo (1999) Bioinformatics 15, 563

19 4. Vorlesung WS 2006/07Softwarewerkzeuge19 Positions-spezifische Gewichtsmatrix Beispiele für Matrizen, die von YRSA verwendet werden:

20 4. Vorlesung WS 2006/07Softwarewerkzeuge20 3D Strukturen von Transkriptionsfaktoren 1A02.pdb1AM9.pdb 1AU7.pdb 1CIT.pdb1GD2.pdb 1H88.pdb TFs binden auf sehr unterschiedliche Weise. Manche sind sehr selektiv für die DNA-Konformation. 2 TFs bound!

21 4. Vorlesung WS 2006/07Softwarewerkzeuge21 Datenbank für eukaryotische Transkriptionsfaktoren: TRANSFAC BIOBase / TU Braunschweig / GBF Relationelle Datenbank 6 Dateien: FACTOR Wechselwirkung von TFs SITE ihre DNA-Bindungsstelle GENE durch welche sie diese Zielgene regulieren CELL wo kommt Faktor in Zelle vor? MATRIX TF Nukleotid-Gewichtungsmatrix CLASS Klassifizierungsschema der TFs Wingender et al. (1998) J Mol Biol 284,241

22 4. Vorlesung WS 2006/07Softwarewerkzeuge22 Datenbank für eukaryotische Transkriptionsfaktoren: TRANSFAC BIOBase / TU Braunschweig / GBF Matys et al. (2003) Nucl Acid Res 31,374

23 4. Vorlesung WS 2006/07Softwarewerkzeuge23 BIOBase / TU Braunschweig / GBF Matys et al. (2003) Nucl Acid Res 31,374 Datenbank für eukaryotische Transkriptionsfaktoren: TRANSFAC

24 4. Vorlesung WS 2006/07Softwarewerkzeuge24 TRANSFAC Klassifizierung 1 Superklasse basische Domänen3 Superklasse: Helix-turn-helix 1.1 Leuzin-zipper Faktoren (bZIP) 1.2 Helix-Loop-Helix Faktoren (bHLH)4 Superklasse: beta-Scaffold 1.3 bHLH-bZIP Faktoren mit Kontakt in der 1.4 NF-1Minor Groove 1.5 RF-X 1.6 bHSH5 Superklasse: andere 2 Superklasse: Zink-koordinierende DNA-bindende Domänen 2.1 Cys4 Zinkfinger vom Typ nuklearer Rezeptor 2.2 verschiedene Cys4 Zinkfinger 2.3 Cys2His2 Zinkfinger Domänen 2.4 Cys6 Cystein-Zink Cluster 2.5 Zinkfinger mit abwechselnder Zusammensetzung

25 4. Vorlesung WS 2006/07Softwarewerkzeuge25 TRANSFAC Datenbank Eintrag für 1.1 Leuzine-Zippers

26 4. Vorlesung WS 2006/07Softwarewerkzeuge26 TRANSFAC Datenbank

27 4. Vorlesung WS 2006/07Softwarewerkzeuge27 TRANSFAC Datenbank

28 4. Vorlesung WS 2006/07Softwarewerkzeuge28 Zusammenfassung Es gibt große Datenbanken (z.B. TRANSFAC) mit Informationen über Promoterstellen. Diese Informationen sind experimentell überprüft. Microarray-Daten erlauben es, nach gemeinsamen Motiven von ko-regulierten Genen zu suchen. Auch möglich: gemeinsame Annotation in der Gene Ontology etc. TF-Bindungsmotive sind oft überrepräsentiert in der 1000 bp-Region upstream. Die klare Funktion davon ist unbekannt. Relativ wenige TFs regulieren eine große Anzahl an Genen.

29 4. Vorlesung WS 2006/07Softwarewerkzeuge29 Identifizierung von Repeats: RepeatMasker RepeatMasker: durchsucht DNA Sequenzen auf - eingefügte Abschnitte, die bekannten Repeat-Motiven entsprechen (dazu wird eine lange Tabelle mit bekannten Motiven verwendet) und - auf Regionen geringer Komplexität (z.B. lange Abschnitt AAAAAAAA). Output: - detaillierte Liste, wo die Repeats in der Sequenz auftauchen und - eine modifizierte Version der Input-Sequenz, in der die Repeats maskiert sind, z.B. durch Ns ersetzt sind. Für die Sequenzvergleiche wird eine effiziente Implementation des Smith- Waterman-Gotoh Algorithmus verwendet.

30 4. Vorlesung WS 2006/07Softwarewerkzeuge30 Whole Genome Shotgun Assemblierung Es gibt 2 Strategien für die Sequenzierung von Genomen: clone-by-clone Methode whole-genome shotgun Methode (Celera, Gene Myers). Die Shotgun Sequenzierung wurde bereits 1977 von F. Sanger et al. eingeführt und ist seither eine Standardmethode für die Sequenzierung von Genen. Umstritten war jedoch, ob man sie auch für komplette Genome verwenden kann. ED Green, Nat Rev Genet 2, 573 (2001)

31 4. Vorlesung WS 2006/07Softwarewerkzeuge31 Arachne Programm von Serafin Batzoglou (MIT, Doktorarbeit 2000) (i)konstruiere Graph G für Überlappungen zwischen Paaren von reads aus Shotgun-Daten (i)prozessiere G um Supercontigs von gemappten reads zu erhalten. Batzoglou et al. Genome Res 12, 177 (2002) Wichtige Variation der whole-genome shotgun Sequenzierung: sequenziere reads jeweils von beiden Enden eines Klons. Da die Inserts nach ihrer Größe ausgewählt werden, ist damit der ungefähre Abstand zwischen dem Paar von reads bekannt. Man nennt diese earmuff (Ohrenwärmer) Verbindungen.

32 4. Vorlesung WS 2006/07Softwarewerkzeuge32 Arachne: erzeuge Überlappungsgraphen Liste von reads R = (r 1,..., r N ), N ist die Anzahl der reads. Jeder read r i besitzt eine Länge l i < Wenn beide reads von den Endpunkten desselben Klons stammen (earmuff link), besitzt r i eine Verknüpfung zu einem anderen read r j in einer festen Distanz d ij. Erstes Ziel: erzeuge Graphen G der Überlappungen (Kanten) zwischen Paaren an reads (Knoten) dies ergibt die Paare an reads in R, die aligniert werden müssen. Da R sehr lang sein kann, sind N 2 alignments nicht praktikabel. erstelle Tabelle für das Vorkommen von k-Tupel (Strings der Länge k) in den reads, zähle die Anzahl von k-Tupel Treffern für jedes Paar an reads. Führe dann paarweise Alignments zwischen den Paaren an reads durch, die mehr als cutoff gemeinsame k-mere besitzen. Batzoglou PhD thesis (2002)

33 4. Vorlesung WS 2006/07Softwarewerkzeuge33 Arachne: Tabelle für Vorkommen von k-meren Ermittle die Anzahl an k-Tupel Treffern in der Vorwärts- und Rückwärts-Richtung zwischen jedem Paar von reads in R. (1) Ermittle alle Triplets (r,t,v) r = Nummer des reads in R t = Index eines k-mers, das in r vorkommt v = Richtung des Auftretens (vorwärts oder rückwärts) (2) sortiere die Menge der Paare nach den k-mer Indices t (3) verwende eine sortierte Liste um eine Tabelle T von Quadrubletts (r i, r j, f, v) zu erstellen, wobei r i und r i die reads sind, die mindestens einen gemeinsamen k-mer enthalten, v die Richtung angiebt, und f die Anzahl an gemeinsamen k-mers zwischen r i und r j in Richtung v. Batzoglou PhD thesis (2002)

34 4. Vorlesung WS 2006/07Softwarewerkzeuge34 Arachne: Tabelle für Vorkommen von k-mers Batzoglou PhD thesis (2002) Hier: k = 3

35 4. Vorlesung WS 2006/07Softwarewerkzeuge35 Arachne: Tabelle für Vorkommen von k-mers Wenn ein k-Tupel zu oft auftritt gehört er wahrscheinlich zu einer Repeat-Sequenz. Man sollte diese nicht für die Detektion von Überlappungen verwenden. Implementierung (1)finde k-Tupel (r,t,v) und sortieren sie in 64 Dateien entsprechen den ersten drei Nukleotiden jedes k-mers. (2)Für i=1,64 lade Datei in den Speicher, sortiere nach t, speichere sortierte Datei ab. end (3)lade 64 sortierte Dateien nacheinander in den Speicher, fülle Tabelle T nacheinander auf. In der Praxis ist k = 8 bis 24. Batzoglou PhD thesis (2002)

36 4. Vorlesung WS 2006/07Softwarewerkzeuge36 Arachne: paarweise read-Alignments Führe paarweise Alignments zwischen den Reads durch, die mehr als Cutoff gemeinsame k-mers besitzen. Sobald man zu häufige k-mers ausschließt (mehr als ein zweiter Cutoff), ist sichergestellt, daß nur O(N) viele paarweise Sequenzalignments durchgeführt werden müssen. Nur eine kleine Anzahl an Basen-Austauschen und Indels ist in einer überlappenden Region zweier alignierter reads erlaubt. Output des Alignment-Algorithmus: für die reads r i, r j gibt es Quadrubletts (b 1, b 2, e 1, e 2 ) für jede detektierte Überlappungsregion mit den Anfangspositionen b 1, b 2 und Endpositionen e 1,e 2. Falls eine signifikante Überlappungsregion vorliegt, wird (r i, r j, b 1, b 2, e 1, e 2 ) eine Kante im Überlappungsgraphen G. Batzoglou PhD thesis (2002)

37 4. Vorlesung WS 2006/07Softwarewerkzeuge37 Kombination teilweiser Alignments 3 teilweise Alignments der Länge k=6 zwischen einem Paar von reads werden zu einem einzigen vollen Alignment der Länge k=19 kombiniert. Die vertikalen Linien verbinden übereinstimmenden Basen, wogegen x Mismatche sind. Dies ist eine oft auftretende Situation, in der ein ausgedehnter k-mer Treffer ein volles Alignment von zwei reads ist. Batzoglou et al. Genome Res 12, 177 (2002)

38 4. Vorlesung WS 2006/07Softwarewerkzeuge38 Repeats erzeugen Mehrdeutigkeit Ohne das Auftreten von Sequen- zierungsfehlern und Repeats wäre es einfach, alle entdeckbaren paarweise Abstände von reads zu finden und den Graph G zu konstruieren. Da es Repeats jedoch sehr häufig auftreten, bedeutet eine Verbindung zwischen zwei reads in G nicht ohne weiteres eine wahre Überlappung. Eine Repeat-Verbindung ist eine Verbindung in G zwischen zwei reads, die aus verschiedenen Regionen des Genoms stammen und in der repetitiven Sequenz überein- stimmen. Batzoglou PhD thesis (2002)

39 4. Vorlesung WS 2006/07Softwarewerkzeuge39 Sequence contigs Batzoglou PhD thesis (2002) unerläßlich für die Assemblierung ist die ausreichende Überdeckung (mehrfache Sequenzierung = coverage) derselben Genomregionen

40 4. Vorlesung WS 2006/07Softwarewerkzeuge40 Verbinden von Contigs Batzoglou PhD thesis (2002) Sequenz-Contigs werden gebildet indem Paare von reads verbunden werden, die eindeutig verbunden werden können. Tatsächlich ist die Situation viel schwieriger als hier gezeigt, da Repeats häufig nicht zu 100% zwischen Kopien konserviert sind. Durch die Löschung von k-mers hoher Frequenz wird einiges an Repetition im Genom vor der Erzeugung von G effizient maskiert. Zur Erkennung von repetitiven Verbindung dienen weitere heuristische Algorithmen, die hier nicht diskutiert werden sollen.

41 4. Vorlesung WS 2006/07Softwarewerkzeuge41 Benutze Überlapp-Paarungen um die reads zu verbinden Arachne sucht nach 2 Plasmiden mit gleicher Insert-Länge, deren Sequenzen an beiden Enden überlappen paired pairs. Batzoglou et al. Genome Res 12, 177 (2002) (A) A paired pair of overlaps. The top two reads are end sequences from one insert, and the bottom two reads are end sequences from another. The two overlaps must not imply too large a discrepancy between the insert lengths. (B) Initially, the top two pairs of reads are merged. Then the third pair of reads is merged in, based on having an overlap with one of the top two left reads, an overlap with one of the top two right reads, and consistent insert lengths. The bottom pair is similarly merged. Unten: eine Menge von paired pairs werden zu contigs zusammengefasst und eine Konsensussequenz erzeugt.

42 4. Vorlesung WS 2006/07Softwarewerkzeuge42 Detection of repeat contigs Contig R is linked to contigs A and B to the right. The distances estimated between R and A and R and B are such A and B cannot be positioned without substantial overlap between them. If there is no corresponding detected overlap between A and B then R is probably a repeat linking to two unique regions to the right. Batzoglou et al. Genome Res 12, 177 (2002) Some of the identified contigs are repeat contigs in which nearly identical sequence from distinct regions are collapsed together. Detection by (a) repeat contigs usually have an unusually high depth of coverage. (b) they will typically have conflicting links to other contigs. After marking repeat contigs, the remaining contigs should represent the correctly assembled sequence.

43 4. Vorlesung WS 2006/07Softwarewerkzeuge43 Contig assembly If (a,b) and (a,c) overlap, then (b,c) are expected to overlap. Moreover, one can calculate that shift(b,c)=shift(a,c)-shift(a,b). A repeat boundary is detected toward the right of read a, if there is no overlap (b,c), nor any path of reads x 1,..., x k such that (b,x 1 ), (x 1,x 2 )..., (x k,c) are all overlaps, and shift(b,x 1 ) shift(x k,c) shift(a,c) – shift(a,b). Batzoglou et al. Genome Res 12, 177 (2002)

44 4. Vorlesung WS 2006/07Softwarewerkzeuge44 Consistency of forward-reverse links (A)The distance d(A,B) (length of gap or negated length of overlap) between two linked contigs A and B can be estimated using the forward- reverse linked reads between them. (B)The distance d(B,C) between two contigs B,C that are linked to the same contig A can be estimated from their respective distances to the linked contig. Batzoglou et al. Genome Res 12, 177 (2002)

45 4. Vorlesung WS 2006/07Softwarewerkzeuge45 Contig Coverage and Read Usage Batzoglou et al. Genome Res 12, 177 (2002)

46 4. Vorlesung WS 2006/07Softwarewerkzeuge46 Characterization of Contigs and Supercontigs Batzoglou et al. Genome Res 12, 177 (2002)

47 4. Vorlesung WS 2006/07Softwarewerkzeuge47 Base Pair Accuracy Batzoglou et al. Genome Res 12, 177 (2002) base quality x*10 means that (on average) one sequencing error occurs in 10 -x bases.

48 4. Vorlesung WS 2006/07Softwarewerkzeuge48 Computational Performance Batzoglou et al. Genome Res 12, 177 (2002)

49 4. Vorlesung WS 2006/07Softwarewerkzeuge49 Vergleich verschiedener Assemblierungen Pevzner, Tang, Waterman PNAS 98, 9748 (2001) man sollte gucken nach: - welche Methode gibt die kleinste Anzahl an Contigs bzw. die kleinesten Anzahl am festen Contigs bzw. falsch assemblierten Contigs - die größt mögliche Abdeckung durch Contigs - falsch assemblierte Contigs sollten einen möglichst geringen Teil des Genoms ausmachen.

50 4. Vorlesung WS 2006/07Softwarewerkzeuge50 There is no error-free assembler to date Pevzner, Tang, Waterman PNAS 98, 9748 (2001) Comparative analysis of EULER, PHRAP, CAP, and TIGR assemblers (NM sequencing project). Every box corresponds to a contig in NM assembly produced by these programs with colored boxes corresponding to assembly errors. Boxes in the IDEAL assembly correspond to islands in the read coverage. Boxes of the same color show misassembled contigs. Repeats with similarity higher than 95% are indicated by numbered boxes at the solid line showing the genome. To check the accuracy of the assembled contigs, we fit each assembled contig into the genomic sequence. Inability to fit a contig into the genomic sequence indicates that the contig is misassembled. For example, PHRAP misassembles 17 contigs in the NM sequencing project, each contig containing from two to four fragments from different parts of the genome. Biologists "pay" for these errors at the time-consuming finishing step.

51 4. Vorlesung WS 2006/07Softwarewerkzeuge51 Whole Genome Alignment (WGA) Nachdem die genomische DNA-Sequenz eng verwandter Organismen verfügbar wird, ist die erste Frage, wie das Alignment zweier Genome aussieht. Globale Genom-Alignments machen nur für eng verwandte Organismen Sinn. Im anderen Fall muß man erst die genomischen Rearrangements betrachten. Dann kann man die systenischen Regionen (Regionen, in denen Gen- Reihenfolge des nächsten gemeinsamen Vorfahrens in beiden Spezies konserviert blieb) betrachten und lokale Genom-Alignments dieser Regionen produzieren.

52 4. Vorlesung WS 2006/07Softwarewerkzeuge52 The mouse genome. Nature 420, Konservierung von Syntenie zwischen Mensch und Maus Ein typisches 510-kb Segment des Maus-Chromosoms 12, das mit einem 600-kb Stück des menschlichen Chromosom 14 verwandt ist. Blaue Linien: reziprok eindeutige Treffer in beiden Genomen. Rote Markierungen kennzeichnen die Länge der passenden Regionen. Die Abstände zwischen diesen Landmarks sind im Maus-Genom kleiner als im Mensch, was mit der 14% kürzeren Gesamtlänge des Genoms übereinstimmt.

53 4. Vorlesung WS 2006/07Softwarewerkzeuge53 The mouse genome. Nature 420, Entsprechung syntenischer Regionen 342 Segmente und 217 Blöcke >300 kb mit konservierter Syntenie im Mensch sind im Maus-Genom markiert. Jede Farbe entspricht einem bestimmten menschlichen Chromosom.

54 4. Vorlesung WS 2006/07Softwarewerkzeuge54 Sensitivit ä t Couronne,..., Dubchak, Genome Res. 13, 73 (2003) Im globalen Mensch:Maus Alignment sind mehr als eine Millionen Regionen stärker als 70% konserviert (auf 100-bp Level) – diese Regionen decken > 200 Million bp ab. Nur 62% von ihnen werden von (lokalen) BLAT-Treffern abgedeckt. Dies bedeutet, daß man 38% der konservierten Abschnitte nur durch das globale Alignment finden kann! Idee: lokales Alignment soll als Anker-Verfahren für anschliessendes globales Alignment dienen. Dadurch hofft man, viele zusätzliche konservierte Regionen ausserhalb der Anker-Regionen zu finden.

55 4. Vorlesung WS 2006/07Softwarewerkzeuge55 hohe Sensitivit ä t von globalen Alignments Couronne,..., Dubchak, Genome Res. 13, 73 (2003) Beispiel: das globale Alignment der mouse finished sequence NT_ gegen die Region, die mit BLAT-Ankern gefunden wurde, zeigt konservierte kodierende und nicht-kodierende Elemente, die mit BLAT nicht gefunden wurden.

56 4. Vorlesung WS 2006/07Softwarewerkzeuge56 Ankerbasierte Methoden für WGA Diese Methoden versuchen sich entsprechende Teile der Buchstabenfolgen der betrachteten Sequenzen zu finden, die wahrscheinlich zu einem globalen Alignment gehören werden. (Diese teilweisen Treffer können durch lokale Alignments gefunden werden). Sie bilden Anker in den beiden zu alignierenden Sequenzen. In diesen Methoden werden zuerst die Ankerpunkte aligniert und dann die Lücken dazwischen geschlossen. MUMmer ist eine sehr erfolgreiche Implementation dieser Strategie für das Alignment zweier genomischer Sequenzen.

57 4. Vorlesung WS 2006/07Softwarewerkzeuge57 Was ist MUMmer? A.L. Delcher et al. 1999, 2002 Nucleic Acids Res. Nimm an, dass zwei Sequenzen eng verwandt sind (sehr ähnlich) MUMmer kann zwei bakterielle Genome in weniger als 1 Minute alignieren nutzt Suffix-Bäume um Maximal Unique Matches zu finden Definition eines Maximal Unique Matches (MUM): –Eine Subsequenz, die in beiden Sequenzen genau einmal ohne Abweichungen vorkommt und in keine Richtung verlängert werden kann. Grundidee: ein MUM ausreichender L ä nge wird sicher Teil eines globalen Alignments sein. A maximal unique matching subsequence (MUM) of 39 nt (shown in uppercase) shared by Genome A and Genome B. Any extension of the MUM will result in a mismatch. By definition, an MUM does not occur anywhere else in either genome. Delcher et al. Nucleic Acids Res 27, 2369 (1999)

58 4. Vorlesung WS 2006/07Softwarewerkzeuge58 MUMmer: wichtige Schritte Erkenne MUMs (L ä nge wird vom Benutzer festgelegt) ACTGATTACGTGAACTGGATCCA ACTCTAGGTGAAGTGATCCA ACTGATTACGTGAACTGGATCCA ACTCTAGGTGAAGTGATCCA ACTGATTACGTGAACTGGATCCA ACTC--TAGGTGAAGTG-ATCCA

59 4. Vorlesung WS 2006/07Softwarewerkzeuge59 Definition von MUMmers Für zwei Strings S1 und S2 und einen Parameter l Der Substring u ist eine MUM Sequenz wenn gilt: |u| > l u kommt genau einmal in S1 und genau einmal in S2 (Eindeutigkeit) Für jeden Buchstaben a kommt weder ua noch au sowohl in S1 als auch in S2 vor (Maximalität)

60 4. Vorlesung WS 2006/07Softwarewerkzeuge60 Wie findet man MUMs? Naiver Ansatz –Vergleiche alle Teilsequenzen von A mit allen Teilsequenzen von B. Dies dauert O(n n ) verwende Suffix-Bäume als Datenstruktur –ein naiver Ansatz, einen Suffix-Baum zu konstruieren hat eine quadratische Komplexität in der Rechenzeit und dem Speicherplatz –durch klevere Benutzung von Pointern gibt es lineare Algorithmen in Rechenzeit und Speicherplatz wie den Algorithmus von McCreight

61 4. Vorlesung WS 2006/07Softwarewerkzeuge61 Suffix-B ä ume CACATAG$ Suffix-Bäume sind seit über 20 Jahren wohl etabliert. Einige ihrer Eigenschaften: ein Suffix beginnt an jeder Position I der Sequenz und reicht bis zu ihrem Ende. Eine Sequenz der Länge N hat N Suffices. Es gibt N Blätter. Jeder interne Knoten hat mindest zwei Kinder. 2 Kanten aus dem selben Knoten können nicht mit dem selben Buchstaben beginnen. Am Ende wird $ angefügt

62 4. Vorlesung WS 2006/07Softwarewerkzeuge62 Konstruktion eines Suffix-Baums CACATAG$ C A T C A G $ 1 A Suffixes: 1. CACATAG$

63 4. Vorlesung WS 2006/07Softwarewerkzeuge63 Konstruktion eines Suffix-Baums CACATAG$ Suffixes: 1. CACATAG$ 2. ACATAG$ C A T C A G $ A T C A G $ A 1 2 A

64 4. Vorlesung WS 2006/07Softwarewerkzeuge64 Konstruktion eines Suffix-Baums CACATAG$ Suffixes: 1. CACATAG$ 2. ACATAG$ 3. CATAG$ C A T C A G $ A T C A G $ T G $ A A A

65 4. Vorlesung WS 2006/07Softwarewerkzeuge65 Konstruktion eines Suffix-Baums CACATAG$ Suffixes: 1. CACATAG$ 2. ACATAG$ 3. CATAG$ 4. ATAG$ C A T C A G $ A T C A G $ T G $ A A TG$A A

66 4. Vorlesung WS 2006/07Softwarewerkzeuge66 Konstruktion eines Suffix-Baums CACATAG$ Suffixes: 1. CACATAG$ 2. ACATAG$ 3. CATAG$ 4. ATAG$ 5. TAG$ C A T C A G $ A T C A G $ T T A G $ G $ A A TG$A A

67 4. Vorlesung WS 2006/07Softwarewerkzeuge67 Konstruktion eines Suffix-Baums C A T C A G $ A T C A G $ T T A G $ G $ A A TG$A G $ A CACATAG$ Suffixes: 1. CACATAG$ 2. ACATAG$ 3. CATAG$ 4. ATAG$ 5. TAG$ 6. AG$

68 4. Vorlesung WS 2006/07Softwarewerkzeuge68 Konstruktion eines Suffix-Baums C A T C A G $ A T C A G $ T T A G $ G $ A A TG$A G $ G$ A CACATAG$ Suffixes: 1. CACATAG$ 2. ACATAG$ 3. CATAG$ 4. ATAG$ 5. TAG$ 6. AG$ 7. G$

69 4. Vorlesung WS 2006/07Softwarewerkzeuge69 Konstruktion eines Suffix-Baums C A T C A G $ A T C A G $ T T A G $ G $ A A TG$A G $ G$$ CACATAG$ A Suffixes: 1. CACATAG$ 2. ACATAG$ 3. CATAG$ 4. ATAG$ 5. TAG$ 6. AG$ 7. G$ 8. $

70 4. Vorlesung WS 2006/07Softwarewerkzeuge70 Suchen in einem Suffix-Baum C A T C A G $ A T C A G $ T T A G $ G $ A A TG$A G $ G$$ A Search Pattern: CATA

71 4. Vorlesung WS 2006/07Softwarewerkzeuge71 Suchen in einem Suffix-Baum C A T C A G $ A T C A G $ T T A G $ G $ A A TG$A G $ G$$ A Search Pattern: ATCG

72 4. Vorlesung WS 2006/07Softwarewerkzeuge72 Sortieren der MUMs MUMs werden nach ihren Positionen in Genom A sortiert Genome A: Genome B: Genome A: Genome B: Jeder MUM ist nur mit seiner Nummer gekennzeichnet, ohne Berücksichtigung seiner Länge. Das obere Alignment zeigt alle MUMs. Die Verschiebung von MUM 5 in Genom B zeigt eine Transposition an. Die Verschiebung von MUM 3 könnte ein Zufallstreffer oder Teil einer inexakten Repeat-Sequenz sein. Unteres Alignment: suche in beiden Genomen die längste gemeinsam ansteigende Folge an Subsequenzen

73 4. Vorlesung WS 2006/07Softwarewerkzeuge73 Beispiel: Alignment zweier Mikroorganismen Delcher et al. Nucleic Acids Res 27, 2369 (1999) Das Genom von M.genitalium ist nur etwa 2/3 so lang wie das von M.pneumoniae. Obere Abbildung: FASTA-Alignment von M.genitalium und M.pneumoniae. Mitte: Alignment mit 25mers Unten: Alignment mit MUMs. 5 Translokationen. Ein Punkt bedeutet jeweils einen Treffer zwischen den Genomen. FASTA-Plot: ähnliche Gene 25-mer-Plot: 25-Basen-Sequenz, die in beiden Sequenzen genau einmal vorkommt. MUM-Plot: MUM-Treffer.

74 4. Vorlesung WS 2006/07Softwarewerkzeuge74 Beispiel: Alignment Mensch:Maus Delcher et al. Nucleic Acids Res 27, 2369 (1999) Alignment von weiter entfernt liegenden Spezies: Mensch gegen Maus. Hier: Alignment einer bp Teilsequenz auf dem mensch- lichen Chromosom 12, accession no. U47924, gegen eine bp lange Teilsequenz des Maus- chromosoms 6. Jeder Punkt des Plots entspricht einem MUM von [ge]15 bp.

75 4. Vorlesung WS 2006/07Softwarewerkzeuge75 Zusammenfassung Die Anwendung der Suffix-Bäume war ein Durchbruch für die Alignierung ganzer Genome MUMmer 2 besitzt zusätzliche Verbesserung für die Rechenzeit und den Speicherplatz –die Verwendung von Suffix-Arrays anstatt von Suffix-Bäumen gibt eine verbesserte Datenstruktur ( Stefan Kurtz, Hamburg) –es wird nun m ö glich, mehr als zwei Genome zu alignieren (implementiert in MGA)


Herunterladen ppt "4. Vorlesung WS 2006/07Softwarewerkzeuge1 V4 – Analyse von Genomsequenzen - Gene identifizieren z.B. Hidden Markov Modelle - Transkriptionsfaktorbindestellen."

Ähnliche Präsentationen


Google-Anzeigen