Bioinformatik. Marina Axelson-Fisk Matematisk orientering, 30 nov 2015

Transkript

1 Bioinformatik Marina Axelson-Fisk Matematisk orientering, 30 nov 2015

2 Bioinformatik

3 Bioinformatik

4 Var används bioinformatik? DNA analys Medicin DNA-sekvensering och assemblering Sekvensanalys Proteinstruktur och funktion Expression- och nätverksanalys Sjukdomsgener Drug target Lead compound Kliniska försök

5 Grundläggande genetik Cell Kärna Kromosom DNA

6

7

8 Vad är en gen? DNA CCTGAGCCAACTATTGAT transkription RNA CCUGAGCCAACUAUUGAU translation Protein PEPTID

9 Proteinfunktioner Enzym matsmältningssystemet Strukturella komponenter senor, ligament Skydd antikroppar, blodkoagulering Regulatoriska hormon insulin, tillväxt- Rörelse aktin, myosin Transport hemoglobin, albumin

10 Sekvenserings-historia 1977: Phi X174 (5 400 bp) 1995: Två mikrober (1.8, 0.6) 1996: Jästsvamp (12) 1997: E. coli (4.6) 1998: C. elegans (97) 1999: kromosom 22q (33.4) 2000: Bananflugan (180) 2003: Människan (3,200)

11 2001: The human genome

12 Och det kommer mer

13 Genom-analys Sekvensjämförelser Genletning Regulatoriska element

14 Sekvensjämförelser

15 Sekvensjämförelser Är sekvenserna evolutionärt besläktade? Vilka regioner är likartade? Hur stort är det evolutionära avståndet? Hur verkar den evolutionära processen?

16 Mutationer Normal Missense Nonsens Deletion Inversion Insertion THE BIG DOG RAN OUT. THE BIG DAG RAN OUT. THE BIG DOG. THE BGD OGR ANO. THE BIG RAN DOG OUT. THE BIG RED DOG RAN OUT.

17 Tree of life: mammals Edentata (anteaters, sloths, armadillos) Lagomorpha (rabbits) Rodentia (mice, rats, squirrels) Primates New World monkeys Old World monkeys humans, gorilla, chimpanzee, bonobo, orangutan gibbons Mammals Monotremata (platypus, echidnas) Eutheria (placental animals) Marsupialia (opossums, kangaroos) Multituberculata Triconodonts Tree shrews Bats Colugos lemurs, galagos, lorises Artiodactyla (pigs, deer, cattle, goats, sheep, hippopotamuses, camels, etc.) Cetacea (whales, dolphins, porpoises) Perissodactyla (horses, tapirs, rhinoceroses) Proboscidea (elephants, mammoths) Carnivora (dogs, cats, bears, raccoons, weasels, mongooses, hyenas)

18 Sekvens-alignment 50. :. :. :. :. : 247 GGTGAGGTCGAGGACCCTGCA CGGAGCTGTATGGAGGGCA AGAGC : : --: :: GAGTCGGGGGAGGGGGCTGCTGTTGGCTCTGGACAGCTTGCATTGAGAGG 100. :. :. :. :. : 292 TTC CTACAGAAAAGTCCCAGCAAGGAGCCACACTTCACTG :: : :: : :- : 418 TTCTGGCTACGCTCTCCCTTAGGGACTGAGCAGAGGGCT CAGGTCGCGG 150. :. :. :. :. : 332 ATGTCGAGGGGAAGACATCATTCGGGATGTCAGTG : 467 TGGGAGATGAGGCCAATGTCGAGGGGAAGACATCATTTGGGATGTCAGTG 200. :. :. :. :. : 367 TTCAACCTCAGCAATGCCATCATGGGCAGCGGCATCCTGGGACTCGCCTA : : : : : 517 TTCAATCTCAGCAACGCCATCATGGGCAGTGGAATTCTGGGGCTCGCCTA

19 Strängjämförelser Exakt strängsökning Exakt mängdsökning Sökning av delsträngar Längsta gemensamma delsträng Gemensamma delsträngar i fler än två Förorenat DNA

20 Svårigheter Algoritmerna behöver vara: Snabba Robusta Minneseffektiva Hantera omkastningar, dupliceringar, och repetitiva element

21 Genletning

22 Genstruktur TATA promoter transcription start exon1 exon2 translation start exon3 intron exon4 translation stop exon5 transcription stop transkription splicing translation

23 Genletning 5 UTR 3 UTR TATA promoter transcription start exon1 exon2 translation start exon3 intron exon4 translation stop exon5 transcription stop start codon ATG splice sites stop codon TAA/TAG/TGA

24

25

26 Den genetiska koden

27 Splice site detection donor site Position % A C G T

28 Dolda Markov-modeller Hidden Markov models (HMMs)

29 Slumpvandring

30 Markov-kedjor Markov-egenskapen: Sannolikheten för nästa position beror bara på den nuvarande (minneslös process)

31 Stokastiska processer En stokastisk variabel är en variabel som påverkas av slump. Den kan anta vissa värden enligt en sannolikhetsfördelning. En stokastisk process är en utvecklingen av en stokastisk variabel i tid (eller rum)

32 Stokastiska processer Ankomst av kunder i ett kösystem Förändringar i aktiekursen Ledningsväxling under en rösträkning Växling mellan olika tillstånd

33 En Markov-kedja b A (i) 1 / 6 P AB = 1-PAA P BB A P AA Initial fördelning: (, A B ) P BA = 1-PBB b B (i) 1/ 4

34 En dold Markov-modell Observerad sekvens: A B Dold sekvens: B B A A A B

35 DNA-sekvenser A C G T

36 Tillståndssekvenser (durations) p 1-p A p Geometrisk fördelning duration

37 Observerade exoner och introner Intron Start-exon Intern exon Slut-exon

38 HMM i genletning T AA TA T G T C CA C G G G T A T T G AG C AT T G TA CA C G G G G TA T T GA G CA T G TAA T GAA Exon1 Exon2 Exon3

39 Som lattice:

40 Två fundamentala problem Sannolikheten av observerade data, givet modellen. forward-algoritmen Den bästa dolda sekvensen givet observerade data. Viterbi-algoritmen

41 Dynamisk programmering Rekurrens relation Tabulär beräkning Traceback

42 Dynamisk programmering Fibonacci-tal: f (n) = 0 1 f (n-1) + f (n-2) om n = 0 om n = 1 om n > 1

43 Dynamisk programmering f (5) f (4) f (3) f (3) f (2) f (2) f (1) f (2) f (1) f (1) f (0) f (1) f (0) f (1) f (0)

44 Dynamisk programmering Rekurrens-relation f (n) = 0 1 f (n-1) + f (n-2) om n = 0 om n = 1 om n > 1 Tabulär beräkning f (0), f (1), f (2), f (3), Traceback

45 HMM algoritmer t t B B A A A B

46 Tillstånd Dynamisk programmering N 1 1 T Observation

47 Forward-algoritmen N (j) ( (i) p )b (Y ) t t 1 ij j t i 1 (tillstånd j vid tidpunkt t)

48 Forward-algoritmen tillstånd övergångssannolikheter fördelning för utdata j... N t-1 t t 1 (i) t ( j)

49 Tillstånd Forward-algoritmen N 1 1 T Observation

50 Tillstånd Forward-algoritmen N T Observation

51 Viterbi-algoritmen

52 tillstånd 1 2 Viterbi-algoritmen 3 j... N t-1 t

53 Tillstånd Traceback N T-2 T-1 T Observation

54 HMM i sekvens-alignment Human: Mouse: Human: Mouse: Human: Mouse: Human: Mouse: 50. :. :. :. :. : 247 GGTGAGGTCGAGGACCCTGCA CGGAGCTGTATGGAGGGCA AGAGC : : --: :: GAGTCGGGGGAGGGGGCTGCTGTTGGCTCTGGACAGCTTGCATTGAGAGG 100. :. :. :. :. : 292 TTC CTACAGAAAAGTCCCAGCAAGGAGCCACACTTCACTG :: : :: : :- : 418 TTCTGGCTACGCTCTCCCTTAGGGACTGAGCAGAGGGCT CAGGTCGCGG 150. :. :. :. :. : 332 ATGTCGAGGGGAAGACATCATTCGGGATGTCAGTG : 467 TGGGAGATGAGGCCAATGTCGAGGGGAAGACATCATTTGGGATGTCAGTG 200. :. :. :. :. : 367 TTCAACCTCAGCAATGCCATCATGGGCAGCGGCATCCTGGGACTCGCCTA : : : : : 517 TTCAATCTCAGCAACGCCATCATGGGCAGTGGAATTCTGGGGCTCGCCTA

55 Pair HMMs M X Y M = (mis)match X = insert seq1 Y = insert seq2 Utdata: ATCG--G AC-GTCA Observerade sekvenser: ATCGG ACGTCA

56 Pair HMMs Dold sekvens: M M X M Y Y M A A T C C - G G - T - C G A Utdata: ATCG--G AC-GTCA Observerad sekvens: ATCGG ACGTCA

57 Komparativ genletning Human: Mouse: Human: Mouse: Human: Mouse: Human: Mouse: 50. :. :. :. :. : 247 GGTGAGGTCGAGGACCCTGCA CGGAGCTGTATGGAGGGCA AGAGC : : --: :: GAGTCGGGGGAGGGGGCTGCTGTTGGCTCTGGACAGCTTGCATTGAGAGG 100. :. :. :. :. : 292 TTC CTACAGAAAAGTCCCAGCAAGGAGCCACACTTCACTG :: : :: : :- : 418 TTCTGGCTACGCTCTCCCTTAGGGACTGAGCAGAGGGCT CAGGTCGCGG 150. :. :. :. :. : 332 ATGTCGAGGGGAAGACATCATTCGGGATGTCAGTG : 467 TGGGAGATGAGGCCAATGTCGAGGGGAAGACATCATTTGGGATGTCAGTG 200. :. :. :. :. : 367 TTCAACCTCAGCAATGCCATCATGGGCAGCGGCATCCTGGGACTCGCCTA : : : : : 517 TTCAATCTCAGCAACGCCATCATGGGCAGTGGAATTCTGGGGCTCGCCTA

58 Komparativ genletning TATA promoter transcription start exon1 exon2 translation start exon3 intron exon4 translation stop exon5 transcription stop

59 Generalized Pair HMMs T AA TA T G T C CA C G G G T A T T G AG C AT T G TA CA C G G G G TA T T GA G CA T G TAA T GAA Exon1 Exon2 Exon3 C T GA T G TA CA C T G G T T G G T C C T C AG C TT T GA C G G G G T GA G CA T G TAA T G T C

60 Som lattice: tillstånd

61 Beräkningsproblem Modell Tid Minne HMM N 2 T NT PHMM N 2 TU NTU GHMM D 2 N 2 T NT GPHMM D 4 N 2 TU NTU N antal tillstånd D max duration T längd sekv1 U längd sekv2

62 Approximate alignment Reduces TU -factor to ht

63 Jämförelse: människa mus Feb 2001 Dec 2002

64 Why mouse?

65 Varför mus?

66 Människa Mus

67 RNA folding

68 Tillstånd Multi-branched loop Single-branched loop Helix Hairpin

69 Viterbi-algoritmen

70 Hur många gener har vi? 27,462