Curs1.

Biostatistic i bioinformatic. Introducere

Biostatistica si bioinformatica (2015) - Curs 1

Motivatie

Cu milioane de ani n urm diferenele dintre speciile de astzi era

aproape inexistent
In procesul de evoluie au intervenit mutaii punctuale, inserri,
tergeri, rearanjri ale materialului genetic
Intrebare: ct de mare este similaritatea ntre genoamele diferitelor
specii i cum poate fi exploatat ?

Biostatistica si bioinformatica (2015) - Curs 1

Motivatie

Scop final: tratamente personalizate [M.Luscombe et al. What is Bioinformatics?]

Biostatistica si bioinformatica (2015) - Curs 1

Motivatie

Scop final: tratamente personalizate [M.Luscombe et al. What is Bioinformatics?]

BioBioinformatics?]

Biostatistica si bioinformatica (2015) - Curs 1

Structura

Biologie computaional: biostatistic i bioinformatic

Scopul i structura cursului

Scurt introducere n biologia molecular

Probleme specifice n bioinformatic

Biostatistica si bioinformatica (2015) - Curs 1

Biologie computationala: biostatistica si

bioinformatica

Biologie computaional: rezolvarea problemelor specifice

biologiei (analiz, modelare i predicie pe baza datelor

genomice) folosind metode i tehnici specifice matematicii i
informaticii

Biostatistic: utilizarea modelelor i metodelor statistice n

analiza datelor biologice

Bioinformatic: dezvoltarea de algoritmi pentru colectarea,

stocarea i analiza datelor specifice biologiei moleculare

Biostatistica si bioinformatica (2015) - Curs 1

Biologie computationala: biostatistica si

bioinformatica
Este un domeniu interdisciplinar
nrudit cu:
Discipline de biologie i chimie
(structura genomului, procese
de sintez a proteinelor)
Informatica (tehnologii de
stocare/regsire a datelor
biologice, algoritmi de analiz a
secvenelor ADN etc.)
Source: http://ccb.wustl.edu/

Statistica (testarea ipotezelor

privind similaritatea dintre
secvenele ADN)
Biostatistica si bioinformatica (2015) - Curs 1

Biologie computationala: biostatistica si

bioinformatica
Este un domeniu n plin dezvoltare ntruct:

Tehnicile de secveniere a genomului genereaz n continuare un

volum mare de date care ateapt s fie analizate. Pn n prezent
au fost secveniat genomul pentru peste 20000 de organisme
(eucariote, procariote, virusi) in conditiile in care:

n 1995 se cunotea genomul complet doar pt dou organisme

n 2003 se cunotea genomul complet pentru circa 100 de organisme
(inclusiv genomul uman)
(http://www.ncbi.nlm.nih.gov/genome/browse/ ).

Provocri principale:

Prelucrarea unui volum mare de date

Proiectarea unor sisteme complexe de analiz a datelor
Biostatistica si bioinformatica (2015) - Curs 1

Scopul i structura cursului

Scop:

Familiarizarea cu metodele statistice i algoritmii

destinai analizei datelor biologice
Dobndirea de experien n utilizarea pachetelor
software folosite n bioinformatic

Biostatistica si bioinformatica (2015) - Curs 1

Scopul si structura cursului

Introducere n biologia molecular. Noiuni de baz.

Elemente de biostatistic. Distribuii utilizate n modelarea
proceselor biologice. Teste statistice parametrice i
neparametrice. Regresie liniar i neliniar.
Algoritmi de identificare a abloanelor (motivelor) n secvenele
biologice.
Algoritmi de aliniere a secvenelor biologice. Algoritmi de aliniere
local/global/multipl.
Gruparea datelor biologice. Algoritmi de grupare partiionali i
ierarhici.
Algoritmi de construire a arborilor filogenetici
Algoritmi aleatori. Aplicaii in predicia structurii proteinelor.
Analiza reelelor biologice
Biostatistica si bioinformatica (2015) - Curs 1

Bibliografie
W. Ewens, G.R. Grant Statistical Methods in Bioinformatics, Springer,
2005

Neil C. Jones, Pavel A. Pevzner An Introduction to Bioinformatics

Algorithms, MIT Press, Cambridge, 2004

R. Durbin, S. R. Eddy, A. Krogh, G. Mitchison Biological Sequence

Analysis. Probabilistic models of proteins and nucleic acids, Cambridge
University Press, 2002

W.K. Sung Algorithms in Bioinformatics. A Practical Introduction, 2010

Link-uri

ISCB: http://www.iscb.org/

NCBI (National Center for Biotechnology Information):

http://ncbi.nlm.nih.gov/

http://www.bioinformatics.org/

http://www.ornl.gov/sci/techresources/Human_Genome/posters/chromoso
me/tools.shtml

Slide-uri: http://kbrin.kwing.louisville.edu/~rouchka/CECS694/
http://bix.ucsd.edu/bioalgorithms/
Biostatistica si bioinformatica (2015) - Curs 1

Materiale de curs si verificare

Materiale de curs + lab:

http://www.info.uvt.ro/~dzaharie/bioinfo2015

Proiect (referat+implementare algoritm /studiu produs software

existent) 60%

Test scris cu acces la materiale bibliografice 20%

Activitate laborator (+teme) 20%

Biostatistica si bioinformatica (2015) - Curs 1

Scurt introducere in biologia molecular.

Notiuni de baza

celula
cromozom
ADN
ARN
aminoacizi
proteine

[Gunnar Raetsch - http://www.fml.mpg.de/~raetsch] Machine

learning in bioinformatics]
Biostatistica si bioinformatica (2015) - Curs 1

Celula

Sistem complex delimitat de

o membran

Organismele pot fi
unicelulare (ex: bacterii) sau
multicelulare

Celulele pot fi: procariote

(fr nucleu) sau eucariote
(cu nucleu)
Om:

60 trilioane de celule
320 tipuri de celule

Exemplu de celul animal

www.ebi.ac.uk/microarray/ biology_intro.htm

Biostatistica si bioinformatica (2015) - Curs 1

Cromozom

Nucleul celulelor conine unul sau mai multe lanuri duble de ADN (acid
dezoxiribonucleic) organizate n structuri numite cromozomi

centromer

Lan
ADN

Cromatin
Cromatin
(nfurat n
jurul unor proteine
- histoni)
Biostatistica si bioinformatica (2015) - Curs 1

Cromozom

Cromozom

Nucleul celulelor conine unul

sau mai multe lanuri duble de
ADN organizate in cromozomi

Om:
22 perechi de autosomi
1 pereche heterozom
(perechea care definete
sexul XX sau XY)
Cariotipul uman
http://avery.rutgers.edu/WSSP/StudentScholars/
Session8/Session8.html

Biostatistica si bioinformatica (2015) - Curs 1

Sursa: www.biotec.or.th/Genome/whatGenome.html

Biostatistica si bioinformatica (2015) - Curs 1

ADN

ADN = acid dezoxiribonucleic = lan de nucleotide

(circa 109 nucleotide la plante i mamifere)

nucleotid = baza azotat +zahar + grup fosfat

4 tipuri de baze azotate (definesc cele 4 tipuri de nucleotide):

adenina (A)
citozina (C)
guanina (G)
timina (T)

grupate n dou categorii: purine (A i G) i pirimidine (C i T)

Biostatistica si bioinformatica (2015) - Curs 1

ADN

Structura chimic a bazelor

azotate

Biostatistica si bioinformatica (2015) - Curs 1

ADN

Nucleotidele consecutive sunt

conectate printr-o legatura intre
zahar i grupul fosfat

Sursa: www.ebi.ac.uk/microarray/ biology_intro.htm

Biostatistica si bioinformatica (2015) - Curs 1

ADN

Cele 4 tipuri de nucleotide pot fi interpretate ca un alfabet

Pornind de la acest alfabet se pot crea cuvinte suficient de lungi

(lanuri ADN) pentru a codifica informaia specific unor organisme
complexe

Acest alfabet joac un rol similar alfabetului binar {0,1} folosit pentru
a reprezenta informaia n memoria unui calculator

Biostatistica si bioinformatica (2015) - Curs 1

Lant ADN

Succesiunea n care bazele apar n lanul ADN reprezint de fapt

informaia genetic

In lanul de nucleotide exist o polaritate chimic astfel c

informaia este codificat i decodificat ntr-o singur direcie (de
la 5 la 3)

5 GTAAAGTCCCGTTAGC 3

http://www.emc.maricopa.edu/faculty/farabee/BIOBK/BioBookDNAMOLGEN.html
Biostatistica si bioinformatica (2015) - Curs 1

Lant ADN dublu

Lanul ADN poate fi simplu sau dublu

In cadrul lanului dublu cele dou componente

sunt complementare n sensul c se leag ntre
ele doar baze complementare (o purin cu o
pirimidin):

A cu T
C cu G

Dac direcia de codificare a unui lan este de la

5 la 3 direcia lanului complementar este de la
3 la 5.

Biostatistica si bioinformatica (2015) - Curs 1

Lant ADN dublu

5 GTAAAGTCCCGTTAGC 3
|

| |

3 CATTTCAGGGCAATCG 5

http://www.emc.maricopa.edu/faculty/farabee/BIOBK/BioBookDNAMOLGEN.html
Biostatistica si bioinformatica (2015) - Curs 1

Structura de elice

Cele dou lanuri complementare formeaza o structura stabila de

elice

Obs: structura spiralat a ADN-ului a fost descoperit n 1953 de

ctre Crick i Watson (premiu Nobel)
Image source; www.ebi.ac.uk/microarray/ biology_intro.htm
Biostatistica si bioinformatica (2015) - Curs 1

Rol ADN

In lanul ADN exist:

Poriuni care codific informaie utilizat n sinteza proteinelor
(exoni) i care sunt organizate n gene
Poriuni al cror rol este necunoscut nc (introni intragenic
regions) informaie redundant
Informaiile codificate in ADN sunt decodificate i utilizate n
procesul de sintez a proteinelor
Ipotezele privind procesele de decodificare i sintez reprezint
aa-numita dogma central a biologiei

Biostatistica si bioinformatica (2015) - Curs 1

Dogma centrala a biologiei

ADN
(transcriere /
copiere)
ARN
(translaie/
traducere)
PROTEINA

Ilustrare prin animatie:

http://vcell.ndsu.nodak.edu/animations/

Biostatistica si bioinformatica (2015) - Curs 1

ARN

ARN = acid ribonucleic

Structura ARN este similar cu cea a ADN ns:

Conine riboz n loc de dezoxiriboz

In locul timinei (T) apare uracil (U)
De regul const ntr-un singur lan de nucleotide

ARN joac un rol cheie n sinteza proteinelor: realizeaz

transferul informaiei codificate n ADN

exist entiti (cum sunt viruii) a cror celule nu conin ADN

ci doar ARN (ca efect multiplicarea acestora este mult mai
rapid)

Biostatistica si bioinformatica (2015) - Curs 1

ARN
Tipuri de ARN:

mARN = ARN mesager: joac rolul unui ablon care preia

informaia din ADN necesar sintezei proteinelor

tARN = ARN de transfer: este o secven scurt de nucleotide

(mai puin de 100) care nu codific informaie ci este utilizat de
ctre ribozom in procesul de translaie a codonilor (triplete de
nucleotide) n aminoacizi

dsARN = ARN constituit din dou lanuri de nucleotide

(structura similar cu ADN-ul); ntlnit la unii virui

micro ARN (secvena de 20-25 nucleotide utilizate n construirea

dsARN); rol: influen n expresia genic
Biostatistica si bioinformatica (2015) - Curs 1

ARN mesager

Molecul care codific informaia copiat din moleculele ADN

La generarea ARN-ului mesager poriunile necodante (introni) sunt

eliminate iar cele codante (exoni) sunt concatenate

Transcriere/copiere: procesul prin care ADN este copiat ntr-o

molecula de ARN mesager

Translaie/traducere: procesul de sintez a proteinelor pornind de la

ARN mesager

Biostatistica si bioinformatica (2015) - Curs 1

ARN mesager

Sursa : http://departments.oxy.edu/biology/Stillman/bi221/111300/processing_of_hnrnas.htm
Biostatistica si bioinformatica (2015) - Curs 1

Cod genetic

4 tipuri de baze azotate (A, C, G, U)

Codon = triplet de baze care codific un aminoacid (aminoacizii sunt

molecule constituite din grupuri amino i carboxil i sunt elementele
constitutive ale proteinelor; proteinele joac un rol esenial n procesele
de dezvoltare celular)

Proteina este codificat printr-o secven de codoni care ncepe cu un

codon de start i se termin cu un codon de stop

Codon start: AUG, CUG

Codon stop: UAA, UAG, UGA

4 * 4 * 4 = 64 codoni posibili
Excluznd codonii de stop ramn 61 codoni pt. a codifica aminoacizii
(inclusiv codonii de start)
20 amino acizi > codul genetic este redundant
Biostatistica si bioinformatica (2015) - Curs 1

Aminoacizi - codificare

Glycine (G, GLY)

Alanine (A, ALA)
Valine (V, VAL)
Leucine (L, LEU)
Isoleucine (I, ILE)
Phenylalanine (F, PHE)
Proline (P, PRO)
Serine (S, SER)
Threonine (T, THR)
Cysteine (C, CYS)
Methionine (M, MET)
Tryptophan (W, TRP)
Tyrosine (T, TYR)
Asparagine (N, ASN)
Glutamine (Q, GLN)
Aspartic acid (D, ASP)
Glutamic Acid (E, GLU)
Lysine (K, LYS)
Arginine (R, ARG)
Histidine (H, HIS)
START: AUG
STOP: UAA, UAG, UGA

Pozitia 2
Poz. 3

Pozitia 1

Biostatistica si bioinformatica (2015) - Curs 1

Aminoacizi

Sunt componentele de baz ale proteinelor

Tipuri: hidrofili (solubili n ap), hidrofobi

peptida: lan scurt de aminoacizi (< 30)

polipeptida: lan lung de aminoacizi (pn la 4000).

Obs. Proteinele sunt polipeptide cu o structura geometric specific (nu

sunt structuri liniare ci au o structur sofisticat sunt
mpachetate)

Biostatistica si bioinformatica (2015) - Curs 1

Proteine

Structura spaial a proteinelor (rezultatul procesului de mpachetare)

este foarte important i este rezultatul unei proceduri complicate
influenate de interaciunile dintre aminoacizi i ap
Erori la mpachetare conduc la boli ca Alzheimer, Parkinson

Biostatistica si bioinformatica (2015) - Curs 1

Sumar:

ADN
Purttor al informaiei referitoare la modul n care opereaz
celulele

ARN
Permite transferul informaiei ntre diferite pri ale celulei
ADN-ul se afl in nucleu
Procesul de sintez se desfoar n afara nucleului
Furnizeaz un ablon pentru sintetizarea proteinelor

Proteine
Stau la baza constituirii principalelor elemente ale organismului
Formeaz enzime care trimit semnale ctre alte celule i
regleaz activitatea genelor
Biostatistica si bioinformatica (2015) - Curs 1

Gena

Gena = unitatea fizic si funcional a ereditii care permite

transferul de informaie de la o generaie la alta.

Gena = secven ADN necesar n general pentru sinteza unei

proteine (obs: exista i gene care controleaz sinteza mai multor
proteine) i care conine cteva regiuni fiecare avnd un rol specific:

Regiunea reglatoare (promotor) regleaz procesul de transcriere

Regiunea codant (numit i Open Reading Frame (ORF)) conine tripletele
folosite la sinteza aminoacizilor ce intervin n lanul peptidic care formeaz
proteina)
Regiuni care rmn netraduse

Obs:
genele reprezint partea codant a ADN-ului (la om reprezint
cca 2-3% din ADN, la E. Coli reprezint cca 90% din ADN)
omul are cca 30000 gene
Biostatistica si bioinformatica (2015) - Curs 1

Genom

Reprezint ADN-ul unui organism structurat n cromozomi

Numrul de cromozomi i dimensiunea genomului variaz de la o
specie la alta
Dimensiunea genomului i numrul de gene nu determin n mod
necesar complexitatea organismului.
Variaiile existente ntre indivizii aceleiai specii sunt cauzate n
principal de diferene izolate care apar la nivelul unei nucleotide.
Identificarea poziiilor unde apar astfel de diferene (SNP Single
Nucleotide Polymorphism) reprezint una dintre problemele
importante in bioinformatic. In cadrul genomului uman, SNP-urile
controleaz culoarea prului, tipul de snge etc.
Biostatistica si bioinformatica (2015) - Curs 1

Diferene ntre dimensiunea genomului

ORGANISM

CROMOZOMI

DIM. GENOM

GENE

(perechi baze)

Homo sapiens
Om

23

3.200.000.000

~ 30.000

Mus musculus
oarece

20

2.600.000.000

~30.000

Drosophila
melanogaster
(musculita de otet)

180.000.000

~18.000

1 (un cromozom
circular)

4.600.000

~42.000

12.000.000

~6.200

Escherichia coli
Saccharomyces
cerevisiae (drojdie)

16

Biostatistica si bioinformatica (2015) - Curs 1

Analiza genomului
Scurt istoric al genomicii:
1866 enunarea legilor ereditii (Mendel)
1869 descoperirea nucleinei (acizi nucleici) (Miescher)
1909 reguli ale geneticii deduse prin experimente asupra musculiei
de oet 4 perechi de cromozomi (Morgan)
1944 argumente bazate pe ADN privind ereditatea (Avery)
1953 structura spiralat a ADN-ului (Crick and Watson)
1966 codul genetic (codificarea aminoacizilor) (Nirenberg)
1977 dezvoltarea primei metode pentru secventierea ADN-ului
(Sanger)
1982 crearea bazei de date Genbank
1990 lansarea proiectului destinat secvenierii genomului uman
2003 finalizarea secvenierii genomului uman

Biostatistica si bioinformatica (2015) - Curs 1

Analiza genomului
Tipuri de prelucrri (biologice):
Tiere:

folosind enzime de restricie se secioneaz lanul ADN n fragmente

de exemplu enzima EcoRI fragmenteaz lanul n toate poziiile unde
apare GAATTC) sectionarea se realizeaz ntre G i A
Se cunosc cca 300 de astfel de enzime

aleator (shotgun method) se aplic vibraii care fragmenteaz moleculele

Copiere: se multiplic fragmentele pentru a fi mai uor de detectat
(PCR Polymerase Chain Reaction)
Motivaie: pt. identificarea unui tip de molecul prin msurtori sunt necesare
milioane de copii
Citire: se citesc fragmentele folosind tehnici chimice
(exemplu: msurarea lungimii ADN: electroforeza in gel)
Asamblare: se asambleaz fragmentele (dificil de realizat; poate fi formulat ca
o problema de shortest common superstring)
http://www.youtube.com/watch?v=-gVh3z6MwdU
Biostatistica si bioinformatica (2015) - Curs 1

Analiza genomului
Citire: se citesc fragmentele folosind tehnici chimice
(exemplu: msurarea lungimii ADN: electroforeza in gel)
Asamblare: se asambleaz fragmentele (dificil de realizat; poate fi formulat ca
o problema de shortest common superstring)
http://www.youtube.com/watch?v=-gVh3z6MwdU

W.K. Sung Algorithms in Bioinformatics. A Practical Introduction, 2010

Biostatistica si bioinformatica (2015) - Curs 1

Analiza genomului
Prelucrri

Asamblare/
secveniere

Analiza/
predicia
structurii
proteinelor

Analiza secvenelor
ADN
Identificarea genelor
Biostatistica si bioinformatica (2015) - Curs 1

Analiza genomului
Rolul bioinformaticii:
Extragerea de informaii din ADN
Identificarea rolului unor gene prin analiza similaritii cu gen al
cror rol este cunoscut
Predicia structurii proteinelor n vederea identificrii rolului lor
Efectuare de comparaii ntre genomul corespunztor organismelor
din aceeai specie sau din specii diferite

Biostatistica si bioinformatica (2015) - Curs 1

Rezultate ale bioinformaticii

Alinierea i compararea secvenelor ADN
BLAST (Basic Local Alignment Search Tool)
instrument ce permite compararea dintre secvene de interogare i
elemente din bazele de date biologice
utilizat pentru a prezice funcia unei secvene ADN pe baza
similaritilor acesteia cu gene cunoscute
st la baza funciilor de cutare de secvene n baze de date
biologice (ex: GenBank)

Biostatistica si bioinformatica (2015) - Curs 1

Probleme specifice in bioinformatica

Aliniere secvene ADN = stabilirea distanei dintre dou secvene,

introducerea de spaii ntre elemente pentru a maximiza numrul de
elemente corespondente identice

Ex: Secvene iniiale

ATGTTAT
ATCGTAC

Problem de optimizare: determinarea numrului minim de inserri,

tergeri sau nlocuiri pentru a ajunge de la un ir la alt ir
Tehnici: programare dinamic, metode euristice

Alt exemplu de secvene ADN aliniate:

Secvene aliniate
AT-GTTATATCGT-A-C

--T-CC-C-AGT-TATGT-CAGGGGACACGA-GCATGCAGA-GAC
AATTGCCGCC-GTCGT-T-TTCAG----CA-GTTATGT-CAGAT--C

Biostatistica si bioinformatica (2015) - Curs 1

Probleme specifice in bioinformatica

Stabilire similaritate ntre dou secvene ADN aliniate

GGAGACTGTAGACAGCTAATGCTATA
GAACGCCCTAGCCACGAGCCCTTATC

Sunt coincidenele dintre cele dou secvene doar ntmpltoare

sau exprim o similaritate semnificativ?
Tehnici: statistice (estimare i verificare ipoteze)

Biostatistica si bioinformatica (2015) - Curs 1

Probleme specifice in bioinformatica

Mapare ADN = asociere ntre poriuni de ADN i cromozomi (gene)

Problema de cutare n iruri a unor subiruri

Tehnici: algoritmi de cutare subiruri (pattern matching)

Biostatistica si bioinformatica (2015) - Curs 1

Probleme specifice in bioinformatica

Secveniere ADN = identificarea ordinii nucleotidelor

Problema de optimizare: determinarea celui mai scurt ir ce conine
un set de subiruri (nu neaprat distincte)

Ex: 000, 001, 010, 011, 100, 111

Suprair obinut prin concatenare: 00000101001100111
Cel mai scurt suprair: 0001110100

Instrumente: algoritmi de tip greedy, algoritmi de prelucrare a

grafurilor

Biostatistica si bioinformatica (2015) - Curs 1

Probleme specifice in bioinformatica

Identificare abloane ADN = identificarea unor secvene scurte

care apar frecvent n lanul ADN
Problema de cutare: se caut un ablon necunoscut dar frecvent
Tehnici: cutare exhaustiv (ineficient), algoritmi de tip branch and
bound

Biostatistica si bioinformatica (2015) - Curs 1

Baze de date biologice

Exemple de baze de date biologice
NCBI GenBank
http://ncbi.nih.gov
(colecie mare de baze de date, ex: baza cu secvene de nucleotide)
EMBL
http://www.embl-heidelberg.de
(baza de date cu nucleotide)
Protein Data Bank
http://www.pdb.org
(baza de date cu structuri ale proteinelor)
SWISSPROT

http://www.expasy.org/sprot/

(baza de date cu secvene adnotate ale proteinelor)

PROSITE
http://kr.expasy.org/prosite
(baza de date cu pattern-uri asociate proteinelor)
Biostatistica si bioinformatica (2015) - Curs 1

Instrumente software

BLAST [http://www.ncbi.nlm.nih.gov/blast/Blast.cgi] instrument

de cutare in bazele de date care utilizeaz tehnici de aliniere
local

EMBOSS [http://emboss.sourceforge.net] pachet (open source)

de prelucrare a datelor din biologia molecular)

ClustalW [ftp://ftp-igbmc.ustrasbg.fr/pub/ClustalW/] instrument

pentru alinierea multipl a secvenelor

Biostatistica si bioinformatica (2015) - Curs 1

Extensii ale limbajelor de programare

BioPerl [http://www.bioperl.org/] - conine module care faciliteaz

scrierea unor scripturi n Perl destinate rezolvrii unor probleme
din bioinformatic

BioJava [http://biojava.org/wiki/Main_Page] framework Java pt

prelucrarea datelor biologice

BioPython [http://biopython.org/wiki/Biopython] - set de

instrumente dezvoltate n Python pentru prelucrarea datelor
biologice

Biostatistica si bioinformatica (2015) - Curs 1

Instrumente software

Bioconductor [http://www.bioconductor.org/] extensie pentru

bioinformatic a pachetului statistic R [http://www.r-project.org/]

BioWeka[http://bioweka.sourceforge.net/index.php/Main_Page]
extensie pentru bioinformatic a pachetului Weka utilizat n data
mining

MatLab Bioinformatics ToolBox [http://www.mathworks.com/]

Biostatistica si bioinformatica (2015) - Curs 1