Uma abordagem para detecção e
remoção de artefatos em
seqüências ESTs
Christian Baudet
Zanoni Dias (Orientador)
Instituto de Computação – Unicamp
Campinas, 01 de Dezembro de 2006
Roteiro







Motivação
Conceitos
Nova estratégia de detecção de artefatos
Detecção e remoção de derrapagem
Detecção e remoção de baixa qualidade
Novo conjunto de procedimentos de
detecção e remoção de artefatos
Conclusões e trabalhos futuros
Motivação


Importância da pesquisa genômica
Identificação de genes pode trazer:
Descoberta da cura de doenças
 Descoberta de características de interesses
comerciais
 Conhecimento sobre evolução dos
organismos


Necessidade de dados confiáveis
Transcrição e Tradução
O que são ESTs?

EST – Expressed Sequence Tags


Transcrição


Adams et al, 1991 – “Complementary DNA
sequencing: expressed sequence tags and
the human genome project”
Gene transcrito para mRNA
Produção de cDNA

Enzima transcriptase reversa
E o que são artefatos?

Artefatos são trechos que:
Não pertencem ao organismo alvo do estudo
 Baixa qualidade ou baixa complexidade


Remoção necessária

Podem influenciar negativamente a análise
dos dados
Seqüência original
Artefatos de baixa qualidade
Artefato de vetor
Artefato de adaptador
Artefato de cauda poli-A
Seqüência final
Detecção e remoção
de artefatos



Conjuntos de procedimentos variam muito
de projeto para projeto
Os conjuntos normalmente são formados
por várias etapas
As etapas são dependentes entre si
Execução é feita seqüencialmente
 Cada etapa depende do resultado da etapa
anterior

Nova Estratégia

Detecções de diferentes artefatos
Etapas independentes
 Cada etapa analisa a seqüência original


Etapa final
Combina todos os artefatos encontrados
 Identifica a região do inserto

Comparação das estratégias
Avaliação da Nova Estratégia


Processamento das seqüências do projeto Cattle
EST (Bos taurus)
Procedimentos baseados no trabalho de Telles e da
Silva, 2001 – “Trimming and clustering sugarcane
ESTs”
Simplificação dos métodos de detecção de vetor e
de caudas poli-A/T
 Detecção de adaptador separada da detecção de
vetor
 Algoritmo de subseqüência máxima para detecção
de baixa qualidade
 Sem detecção de derrapagem

Avaliação da Nova Estratégia


Todos os tipos de artefatos foram detectados
Análise dos artefatos produzidos mostrou:



2,46% de um total de 12.520 seqüências possuíam
artefatos que não seriam identificados caso as
etapas não fossem independentes
Remoção de seqüências ribossomais também
aplicável a mamíferos
Clustering com maior grau de agrupamento de
seqüências

Menor número de singletons e clusters
Derrapagem

Artefato de seqüenciamento



Três novos métodos




Regiões ricas em grupos ecoados
Trabalho de Telles e da Silva único na literatura
Média Aritmética
Média Geométrica
Cobertura por Ecos
Duas estratégias


Sufixo
Subseqüência
Média Aritmética
Média Geométrica
Cobertura por Ecos
Avaliação dos Métodos

Testes
Variação de parâmetros
 Processamento de seqüências do projeto
SUCEST (291.689 ESTs)


Melhor estratégia: Subseqüência


Encontra artefatos na porção inicial da
seqüência
Melhor método: Cobertura por Ecos

Menor perda de hits de BLAST
Baixa Qualidade
Baixa Qualidade

Avaliação de dois algoritmos
Janela deslizante
 Subseqüência máxima


Variação exaustiva dos parâmetros
Análise de 1950 execuções distintas
 Critério de seleção de alternativas

 2,5%
de erro médio (25 bases 5’)
 5,0% de erro médio (25 bases 3’)
 80,0% de preservação média do BLAST hit
Baixa Qualidade

Adição de procedimento para detecção de
ilhas de baixa qualidade

Janela deslizante
 Tamanho:
10 bases
 Erro médio de 20,0% no mínimo


Reprocessamento dos fragmentos
Melhor algoritmo: Subseqüência máxima
Qualidade mínima 11
 Procedimento de detecção de ilhas

Novo conjunto de
procedimentos

Combinação dos resultados dos estudos
realizados
Nova estratégia
 Simplificação de métodos
 Adoção das decisões dos estudos de
derrapagem e baixa qualidade


Realização de testes com o conjunto
completo de ESTs do projeto SUCEST
SUCEST x Novo Conjunto
Menor descarte
de seqüências
SUCEST
Novo Conjunto
18,44%
12,97%
Menor tamanho
641,57 ± 139,79 bp 472,05 ± 121,68 bp
médio
Maior qualidade
média
27,74 ± 14,30
33,25 ± 14,78
SUCEST x Novo Conjunto

Produção de clustering: 145.845 seqüências

SUCEST: 118.991 seqüências
 20.202

singletons e 16.394 contigs (36.596)
Novo conjunto: 126.988 seqüências
 22.479
singletons e 17.486 contigs (39.965)
 Melhores consistências interna e externa
 Menor redundância
 Redução do número de hits Full-Length
 Diminuição de SNPs e aumento de INDELs
Conclusão



Nova estratégia apresenta bons resultados
Novas alternativas para detecção de
derrapagem
Estudo de baixa qualidade
Análise aprofundada
 Adição de procedimento para detecção de
ilhas de baixa qualidade


Novo conjunto de procedimentos
Trabalhos Futuros

Estudo mais detalhados dos demais artefatos

Estudo de outras variações de parâmetros dos
algoritmos para detecção de derrapagem

Estudo do efeito da variação de exigência da
qualidade média sobre a construção de clusterings

Aperfeiçoamento de algoritmos de clusterização de
seqüências (Projeto de Doutorado)
Trabalhos Publicados

Nova estratégia

C. Baudet and Z. Dias, “New EST trimming
strategy”. In J.C. Setubal and S. Verjovski-Almeida,
editors, Lectures Notes on Bioinformatics, volume
3594, pages 206-209. Springer-Verlag Berlin
Heildelberg, July 2005. Brazilian Symposium on
Bioinformatics 2005 (BSB2005), extended abstract.

C. Baudet and Z. Dias, “New EST trimming
strategy”, Technical Report: IC-05-09, Institute of
Computing – University of Campinas, May 2005.
Trabalhos Publicados

Derrapagem

C. Baudet and Z. Dias, “Analysis of slipped
sequences in EST projects”. Genetics and Molecular
Research, 5(1):169-181, 2006.

C. Baudet and Z. Dias, “Analysis of slipped
sequences in EST projects”. X-Meeting 2005,
Caxambu – MG, October 2005, poster.
Trabalhos Publicados

Baixa qualidade


C. Baudet and Z. Dias, “Low quality trimming on
SUCEST ESTs”. X-Meeting 2006, Fortaleza – CE,
August 2006, poster.
Novo conjunto de procedimentos

C. Baudet and Z. Dias, “New EST trimming
procedure applied to SUCEST sequences”. 14th
Annual International Conference On Intelligent
Systems For Molecular Biology (ISMB2006),
Fortaleza – CE, August 2006, poster.