fustermolla.ppt
TRANSCRIPT
PREDICCION DE GENES CON GENSCAN
José María Hidalgo Utrera
Joan Miquel Fuster Mollá
Ana Isabel Martínez García
ÍNDICE
Introducción Problemas Conocimientos básicos Objetivos Modelo general. Métodos Limitaciones Resultados Conclusión
Introducción
GENSCAN: modelo probabilístico capaz de encontrar múltiples genes o genes parciales en una secuencia.
(http://genes.mit.edu/GENSCAN.html) Tipos de predicción
Por Homología Por uso de Señales Por análisis Estadístico
Problemas
Al principio, encontrar elementos funcionales, promotores, splice, regiones codificadas (por métodos biológicos).
Después, predicción de genes completos (por métodos informáticos) con limitaciones: Algoritmo suponen las secuencias contienen
genes completos. Sólo 50% de exones identificados.
Conocimientos básicos
Región reguladora EXON 1 EXON 2 EXON 3 EXON 4 EXON n Región reguladora
PROMOTOR
3`
Intrón 1 Intrón 2 Intrón 3
Secuencia que no se traduce Secuencia que no se traduce
5`
exon exon
start donor acceptor
intron
CDSUTR UTR
Splice Sites
Objetivos
Intenta encontrar, mediante métodos computacionales, la localización de zonas importantes, como: Actividad transcripcional. Las zonas de corte y empalme (splicing).
Utiliza un modelo probabilístico para la predicción de la localización de exones/genes en secuencias genómicas.
Objetivos
Algunas características del modelo: Capturar diferencias en la estructura de genes
entre distintas regiones C + G. Capacidad de predecir múltiples genes de una
secuencia, genes parciales y completos. Modelos estadísticos para las zonas de splicing
del donante y del aceptador que capturan dependencias importantes entre las posiciones de la señal.
Objetivos
Genscan puede ser usado para detectar genes noveles (genes que no se encuentran en la BD).
En la práctica se suelen utilizar distintos programas a la vez que usamos Genscan:1. CENSOR: identifica y enmascara secuencias repetidas.2. Uso de Genscan y las secuencias obtenidas buscarlas en bases
de datos de proteínas con BLASTP para detectar posibles homólogos.
3.1 Si homólogos detectados, refinar la predicción sometiendo la región del genoma correspondiente junto con la proteína homologa usando Procrustes (algoritmo ”spliced alignment”).
3.2 Sino, se podría usar la base de datos Expressed Sequence Tags para precisar terminos 3’.
4. RT-PCR y 3’ RACE: para precisar las posiciones exactas de los exones/intrones y posibles zonas de unión (splice).
Modelo general
Modelos de Markov: Modelo probabilístico basado en la estadística. Toma información adicional de los residuos de los
vecinos. Hay órdenes:
Primer orden: Toma la información del nucleótido adyacente (precedencias y sucesores)
Orden N: Toma la información de los N nucleótidos más cercanos.
Modelo general
Aquí usamos un modelo de Markov de 5º Orden:
Modelo general
SignalModels
State length distributions
Transcriptional Translational
signals
SpliceSignals
MDD
Acceptor spliceSite model Exon models
Reverse-strandstates
Algorithmic issues
Initial,transition
probabilities
HMM
Modelo general Estados: representan una unidad
funcional de un gen eukariota (exón, intrón,etc...)
N = región intergénica P = promotor F = región no traducida 5’ Esngl = gen de
exon único Einit = exon inicial Eterm = exon final T = región no traducida 3’ Ik = intron de fase k (0<=k<=2) A = señal polyadenylation Ek = Exon interno de fase k (0<=k<=2)
Modelo general Fase k (+):
k= 0. Aceptador k = 1. Región codificante k = 2. Donador.
Fase k (-) Al revés.
Donadores, aceptadores y señales de inicio y fin se consideran dentro del exon correspondiente.
Método: Conjunto de secuencias
Proceso para elegir las secuencias de genes: GenBank: Conjunto inicial no redundante (Kulp/Reese):
Secuencias completas (ATG a stop por lo menos) Inclusión regiones 5’ 3’ no traducidas X Uso BLASP: elimina redundancia
Limpieza genes: CDS Exones inciertos o putativos Genes solapados Pseudogenes De origen viral
Quedan 428 secuencias
Método: Conjunto de secuencias
Borrado de genes con más de 25% igualdad a nivel de aminoácidos (PROSET).
Quedan 238 secuencias multi-exón y 142 de exón único = 2,580,965 pbs.
Todos los parámetros en los métodos se basan en estos datos, salvo: Modelo promotor: basado en las fuentes publicadas Modelo de región codificante: sustitución por otro conjunto
de proteinas humanas de 100 aminoácidos de longitud mínimo (también PROSET).
Método: Algorithmic issues
Dado una secuencia S de longitud L, la probabilidad de unión de generar el parse Φi:
Uso del agortimo recursivo de Viterbi modificado porque aquí usamos un modelo semi-Markov.
P{S} se calcula con el algoritmo hacia delante; hacia atrás para el evento E (exon):
n
kkkkqqiqqi dqsPTdqsPdfSP
kk2
,11111 },|{},|{)(},{1
}{
},{}|{
)(],[:)(
],[ SP
SPSP i
kyxi E iK
yxE
Método: Probabilidades inicial y de transición
Método: State length distributions Importante: longitud en los exones internos.
Pueden producir fallos al incluir el exon en el mRNA final.
Pueden producir interferencias en los factores que reconocen los splicing y podría hacer la unión de exones pequeños más difícil.
Idea “medium-sized” entre 50 y 300 bp, todo más fácil.
Método: State length distributions Poner figura 4
Método: Signal models
Modelo weight matrix method WMM de Staden. Frecuencia pij de cada nucleótido j a cada posición i de
una señal de longitud n. : probabilidad de generar una
secuencia particular (X=x1,x2,…,xn). Modelo más simple usado para cierto tipo de señales.
Modelo weight array (WAM)de Zhang & Marr Considera las dependencias entre las posiciones
adyacentes : probabilidad de generar una
secuencia particular. Deriva al modelo MDD.
Método: Transcriptional and translational signals Señal polyA: 6 bp WMM (consensus:
AATAAA) model. Señal de iniciación de la traducción: (“CDS”).
12 bp WMM model. Señal de terminación de la traducción: codón
de parada (UAA, UAG, UGA) y siguientes tres nucleótidos usamos modelo WMM.
Método: Splice signals
Señales de donante y aceptador son las más críticas para la buena predicción de genes.
Significantes dependencias tanto en posiciones no adyacentes como en las adyacentes en la señal del donante.
La región de consenso del donante se encuentra en los últimos 3 bp del exón (posiciones -3 a -1) y los primeros 6 bp del siguiente intrón (1 a 6).
Método: Splice signals
Método: MDD
Estudio sobre un conjunto de zonas de corte y empalme.
Subdividir el conjunto hasta encontrar la secuencia modelo, basándonos en la tabla de dependencias creada.
Método: MDD
Método: Aceptor splice site model Consiste en el modelado de la región de
splice utilizando una ventana WAM. Objetivo: calcular probabilidades
condicionales de todas y cada una de las posiciones.
Método: Exon Models
Utilizado cuando es mayor la concentración A+T.
No es posible utilizar probabilidades calculadas.
Utiliza una matriz derivada de C+G < 43%.
Método: Reserve-strand states Depende del sentido en el que se lea la
hebra. Ej:
se predice TAG – TAA – TGA
se generan CTA – TTA - TCA
Limitaciones
Número de genes Organismo Tests no representativos Tipo de exón Señales de Splice
Resultados
Test con conjunto Burset/Guigó: 570 vertebrados (multiexones).
La evaluación del conjunto de Burset/Guigó consiste en tres pasos:
1. Extraer un conjunto de secuencia de vertebrados de los que se conoce su estructura génica (Conjunto de Test);
2. Definición de un número de medidas de exactitud de predicción; y
3. Evaluación de un número de programas con el conjunto de test usando las medidas.
Resultados
Nivel de Base (Nucleótido). Fiabilidad de la predicción por base
Nivel de Exón (Estructura del exón). Fiabilidad de la predicción con respecto a la
predicción exacta del comienzo y fin del exón. Nivel de Proteína (Proteína).
Fiabilidad de la predicción con respecto a la proteina codificada por el gen predicho
Resultados
Nivel de Base (Nucleótido)•TP: verdadero positivo
•TN: verdadero negativo
•FP: falso positivo
•FN: falso negativo
Resultados
Nivel de Base (Nucleótido). Sn: Sensibilidad = TP/(TP+FN) Sp: Especificidad = TN/(TN+FP) AC: Correlación aproximada
CC: Coeficiente de correlación
12
1
PN
TN
AN
TN
PP
TP
AP
TPAC
ANAPPNPP
FNFPTNTPCC
***
**
Resultados
Nivel de Exón (Estructura del exón) Sn: Sensibilidad =Num exones correctos/Num exones reales Sp: Especificidad =Num exones correctos/Numero exones
predichos ME = Numero exones perdidos/Numero exones reales WE = Numero exones erroneos/Numero exones predichos
Resultados
Nivel de Proteína (Proteína). % Sim: porcentaje de similaridad entre la secuencia de
aminoácidos codificada por el gen predicho y la secuencia de aminoácidos codificada por el gen real
Resultados: Nivel de estructuras completas
No por homología: los de arriba: FGENEH: Para secuencias de genes único GeneID: Utiliza matrices de posición y un modelo de Markov Genie: Solo para genes multiexon. Secuencias de un solo gen.
GeneID+ y GeneParser3: incorporan resultados de búsqueda de aminoácidos en base de datos para hacer la predicción de genes (homología).
Superado por GeneID+
Resultados: Nivel de gen
Resultados a nivel de gen (GA) para un conjunto de secuencias: proporción de genes que realmente son predichos exactamente.
Resultados: 0.43 (243/570) => es posible predecir estructuras multi-exón con un resultado razonable.
Ejemplo: Gen gástrico humano con 22 exones codificantes
Resultados: Nivel de gen
Relativamente insensible al contenido C+G (CC) Similar a AC.
Resultados: Nivel de Gen
Factor p (Probabilidad adelante-atrás) = Probabilidad de que un exon predicho sea correcto y pueda ser usado para señalar regiones de una predicción que son más o menos ciertos.
Total: 2678 exones predichos en el conjunto Burset/Guigó
pNúmero exones
Porcentaje correctos
>0.99 917 98%
[0.95,0.99] 551 92%
[0.90,0.95] 263 88%
[0.75,0.90] 337 75%
[0.50,0.75] 362 54%
[0.00,0.50] 248 30%
Resultados: Entrenamiento Uso de un conjunto independiente. Por solapamiento: Eliminación genes con más de 25% idénticos
a los genes del conjunto de test GeneParser a nivel de aminoácidos
Resultados: Entrenamiento Fueron los mismos que con el conjunto Burset/Guigó. Pero sí hay diferencia entre proporciones de C+G
Resultados: Entrenamiento Conjunto I: 28 secuencias.
Conjunto II: 34 secuencias
Resultados: Notas
Ninguno de los resultados son verdaderamente significativos de la realidad. Aquí usamos secuencias cortas.
Sólo GRAIL ha conseguido resultados aceptables en secuencias grandes, e incluso se encontraron dificultades
Resultados: Secuencias largas
Los dos encuentran exones conocidos, pero con diferencias
Resultados: Secuencias largas
GENSCAN predice genes. GRAIL predice exones en la secuencia.
Conclusión
GENSCAN es lo “mejor”