Palestra sobre Bioinformática
Uso de ferramentas de acesso geral ou de
ferramentas à medida em Bioinformática
António Cardoso Costa
Departamento de Eng.ª Informática
Instituto Superior de Engenharia do Porto
2
Agenda
●
●
●
●
●
●
●
●
O que é a Bioinformática
História da Bioinformática
A Bioinformática atual
Ferramentas de uso geral na Bioinformática
Utilizações da Bioinformática
Ferramentas à medida na Bioinformática
Ferramentas para entrar na Bioinformática
Conclusão
3
O que é a Bioinformática
• A Bioinformática
– É uma área interdisciplinar que desenvolve métodos
para armazenamento, acesso, organização e análise de
dados biológicos detalhados e numa escala baixa
– Lida com dados biológicos elementares (ADN, etc.)
– Usa computadores para compreender a biologia
– Desenvolve ferramentas de software que lidam com
informação biológica numa perspetiva utilitária
– Recorre à informática, matemática, engenharia, etc.
– É muito diferente da Biologia Computacional
4
ADN e Proteínas
Célula
ADN
Proteínas do
Vírus Ébola
Núcleo
Cromossoma
Código do ADN [4]
acgt
Código proteico [20]
ARNDCEQGHI
LK M FPSTWYV
Figuras: Wikimedia
5
História da Bioinformática
• Primeiras aplicações da Bioinformática
– 1950: comparação computacional de sequências
proteicas e criação de repositórios de dados biológicos
– 1960: métodos de alinhamento de sequências
– 1970: análise automatizada de sequências biológicas
– 1980: análise de genomas e criação de grandes
repositórios de dados de acesso geral (GenBank)
– 1990 em diante: desenvolvimento generalizado de
novas ferramentas bioinformáticas visando dados
biológicos – nucleótidos, aminoácidos, proteínas, etc.
6
A Bioinformática atual
• Objetivos
– Analizar e interpretar vários tipos de dados biológicos
– Vertentes principais da Bioinformática
• Desenvolvimento e implementação de software que use
eficientemente os vários tipos de dados biológicos
• Desenvolvimento de algoritmos/heurísticas e medidas
estatísticas para avaliar relações entre dados de repositórios
– A Bioinformática recorre a métodos computacionais
• Reconhecimento de padrões, exploração de dados,
aprendizagem automática, visualização de informação,
simulação de processos, computação avançada, etc.
7
A Bioinformática atual
• Atividades comuns e áreas de aplicação
–
–
–
–
–
–
–
–
Mapear e analizar ADN e sequências proteicas
Alinhar sequências com vista a compará-las
Criar, visualizar e explorar modelos 3D de proteínas
Extrair resultados de grandes repositórios de dados
Anotar sequências, genomas, mutações, etc.
Desenvolver ontologias para explorar dados biológicos
Ajudar na análise da expressão/regulação de ADN, etc.
Fornecer métodos e técnicas para fins forenses
8
Ferramentas de acesso geral na Bioinformática
• Repositórios ou bases de dados
– São essenciais para efeitos de aplicação e investigação
– Há grande diversidade e interligação de repositórios
– Os repositórios de dados são de vários tipos
•
•
•
•
Dados resultantes de métodos empíricos
Dados resultantes de métodos preditivos
Dados empíricos e preditivos
Meta-dados que relacionam vários repositórios de dados
– Alguns casos notáveis
• Nucleótidos: GenBank (EUA), EMBL (UE)
• Proteínas: UniProt (UE), PROSITE (UE), PDB (EUA)
9
Ferramentas de acesso geral na Bioinformática
• GenBank (repositório de dados do NCBI)
– «GenBank ® is the NIH genetic sequence database, an
annotated collection of all publicly available DNA
sequences (Nucleic Acids Research, 2013 Jan;
41(D1):D36-42). GenBank is part of the International
Nucleotide Sequence Database Collaboration, which
comprises the DNA DataBank of Japan (DDBJ), the
European Molecular Biology Laboratory (EMBL), and
GenBank at NCBI. These three organizations exchange
data on a daily basis...»
– Registo GenBank; Nucleótidos; BLAST; Serviços
10
Ferramentas de acesso geral na Bioinformática
• EMBL (repositório de dados)
– «EMBL is at the forefront of innovation in life sciences
research, technology development and transfer, and
provides outstanding training and services to the
scientific community in its member states. This
publicly-funded non-profit institute is housed at five
sites in Europe whose expertise covers the whole
spectrum of molecular biology...»
– EMBL-UK; serviços (web)
• «EMBL-EBI provides programmatic access to various data
resources and analysis tools via Web Services technologies»
11
Ferramentas de acesso geral na Bioinformática
• UniProt (repositório de dados de EBI/SIB/PIR)
– «The mission of UniProt is to provide the scientific
community with a comprehensive, high-quality and
freely accessible resource of protein sequence and
functional information...»
– Vários repositórios de sequências proteicas e serviços
• UniProtKB; UniRef; UniParc
• Proteomes – conjunto das proteínas expressas pelo genoma
• Serviços gerais (CGI Services) (Web Services)
• Serviços orientados ao ambiente JAVA (API)
12
Ferramentas de acesso geral na Bioinformática
• PDB (repositório de dados)
– «The Worldwide Protein Data Bank (wwPDB) consists
of organizations that act as deposition, data processing
and distribution centers for PDB data. Members are:
RCSB PDB (USA), PDBe (Europe) and PDBj (Japan),
and BMRB (USA). The wwPDB's mission is to
maintain a single PDB archive of macromolecular
structural data that is freely and publicly available to
the global community...»
– PDBus / PDBe; Registo PDB; Serviço Web
13
Ferramentas de acesso geral na Bioinformática
• Modalidades
– Através de serviços remotos Web ou FTP
• http://www.uniprot.org/uniprot/P31946
• http://rest.ensembl.org/homology/symbol/human/ABAT?;typ
e=orthologues;aligned=0
• ftp://ftp.ncbi.nlm.nih.gov/blast/db/
– Através de software local que recorre a uma API
• esearch -db protein -query ABAT | efetch -format fasta
– Através de software local previamente obtido
• clustalo --auto --force --wrap=100000 -i fich1 -o fich2
– Alternativa: software desenvolvido à medida
14
Ferramentas de acesso geral na Bioinformática
• Ambientes de desenvolvimento de software
– OBF (BioJava; BioPerl; BioPython; BioSQL); etc.
• Usam ambientes de programação atuais complementados
com componentes funcionais específicos da Bioinformática
• É uma boa prática de desenvolvimento de software!
– Baseados em integração de funcionalidades/dados
• geWorkbench; InterMine; BioGraph; PATRIC; Gaggle;
UGENE; etc.
– Baseados em fluxos de trabalho (workflow)
• Armadillo; Anduril; BioUno; Galaxy; GenePattern;
Taverna Workbench; etc.
15
Ferramentas de acesso geral na Bioinformática
• Software para instalação local em computador
– Listagem na Wikipedia (inclui as categorias abaixo)
– Código fechado/proprietário
• Ver lista acima filtrada por “commercial”
• Dendroscope – View phylogenetic trees and rooted networks
– Código aberto/livre
• PHYLIP – Package of programs for inferring phylogenies
• Clustal – Multiple alignment of DNA/protein sequences
• JalView – MSA editing, visualisation and analysis
• PyMol – Molecular visualization system
• HyPhy – Hypothesis testing using phylogenies
16
Utilizações da Bioinformática
• Como muitas pessoas usam a Bioinformática
– 1. Procurar gene BRCA1 no UniProtKB
• Selecionar 7 espécies e visualizar as sequências
• Descarregar as 7 sequências para ficheiro local
– 2. Visualizar as 7 sequências com o JalView
• Antes de serem alinhadas com um software de MSA
• Depois de serem alinhadas (observar e analisar)
– 3. Escolher uma subsequência e pesquisar no BLAST
• Verificar as sequências candidatas e analisar
– 4. Abrir sequência BRCA1_HUMAN no UniProtKB
• Visualizar BRCA1 “1jnx” em 3D no software PyMol
17
Ferramentas à medida na Bioinformática
• Descrição do problema
– Dada uma lista de mutações (exemplo R283Q) em
sequências proteicas de genes humanos,
– Pesquisar essas mutações nas sequências proteicas
ortólogas de 39 mamíferos previamente definidos e
– Guardar todos os casos de mutações iguais às humanas,
nos 39 mamíferos em causa, numa folha de cálculo
– Pressupostos
• As sequências humanas são descritas pelo identificador
RefSeq (exemplo: NP_000005.2)
18
Ferramentas à medida na Bioinformática
• Análise do problema
– O problema está claramente formulado? Sim/Não
– As fontes de informação estão definidas? Sim/Não
– O que está em falta para se poder resolver?
Discussão/sugestões!
19
Ferramentas à medida na Bioinformática
• Análise do problema
– O problema está claramente formulado?
Sim
– As fontes de informação estão definidas?
Não
– O que está em falta para se poder resolver?
•
•
•
•
A lista que define os 39 mamíferos!
Um repositório com sequências proteicas de mamíferos!
Um algoritmo que descreva uma solução adequada!
Uma solução implementada de modo correto e bem testada!
20
Ferramentas à medida na Bioinformática
• Preparação da solução
– Fornecida a lista com os nomes dos 39 mamíferos
– Identificado um repositório de dados com sequências
proteicas de mamíferos: Ensembl
• «The Ensembl project produces genome databases for
vertebrates and other eukaryotic species, and makes this
information freely available online...»
• Existe uma interface Web para aceder ao Ensembl e obter
automaticamente sequências proteicas de mamíferos que
sejam ortólogas de uma dada sequência proteica humana:
http://rest.ensembl.org/homology/symbol/human/X?;type=orthologues;aligned=0
– Descarregadas todas as sequências necessárias
21
Ferramentas à medida na Bioinformática
• Definição da solução (algoritmo)
– Solução incluirá ações (A), decisões (D) e ciclos (C)
• Descrição simplificada da solução:
Esboço da solução?
Discussão/sugestões!
22
Ferramentas à medida na Bioinformática
• Definição da solução (algoritmo)
– Solução incluirá ações (A), decisões (D) e ciclos (C)
• Descrição simplificada da solução:
A:
A:
C:
C:
D:
A:
C:
D:
A:
A:
A:
Inicia a execução
Prepara os dados necessários
Para cada sequência de gene humano
.Para cada mamífero
..Se existe sequência do respetivo gene ortólogo
...Faz alinhamento das sequências humana+mamífero
....Para cada mutação do gene humano em causa
.....Se há mutação na sequência do mamífero
......Guarda informação da mutação encontrada
Armazena os resultados encontrados num ficheiro
Termina a execução
23
Ferramentas à medida na Bioinformática
• Caraterísticas da solução encontrada
– O tempo de execução (TE) será proporcional ao
•
•
•
•
Nº de genes humanos (N1)
Nº de mamíferos (N2)
Nº médio de mutações por gene humano (N3)
TE ≈ N1  N2  N3
– A solução encontrada está próxima do ótimo
– Exemplo de resultado
ABCB1 erinaceus_europaeus 472 V=>A
nd...Vi.p.. NP_003733.2 homo_sapiens
dn...Av.s.. ENSEEUP00000004710 erinaceus_europaeus
24
Ferramentas para entrar na Bioinformática
• Aprender Bioinformática
– Plataforma de aprendizagem Rosalind
•
•
•
•
•
Python Village (aprender a linguagem Python)
Bioinformatics Stronghold (descobrir algoritmos)
Bioinformatics Armory (ferramentas prontas a usar)
Bioinformatics Textbook Track (coleção de exercícios)
Algorithmic Heights (exercícios sobre algoritmos)
– Cursos online na plataforma Coursera
– Leituras
• Bioinformatics for Dummies (2ª edição, Ebook)
• Livros sobre Bioinformática na Amazon UK
25
Sequências de aminoácidos por alinhar e alinhadas
26
Sequências de ADN por alinhar e alinhadas
27
Visualização 3D de uma proteína (modo cartoon)
28
Visualização 3D de uma proteína (superfície)
Palestra sobre Bioinformática
Uso de ferramentas de acesso geral ou de
ferramentas à medida em Bioinformática
António Cardoso Costa
Departamento de Eng.ª Informática
Instituto Superior de Engenharia do Porto