Учебная страница курса биоинформатики,
год поступления 2021

Семестры Студенты Преподаватели

• 2023
• 2022
• 2020
• 2019
• 2018
• 2017
• 2016
• 2015

• ...

Указания по составлению и оформлению мини-обзора

• Информация, полезная для составления мини-обзора

[ Про геном и протеом бактерии ]

• Образцы оформления статей для подачи в журналы

[ Bioinformatics ] [ JBCB ] [ Microorganisms ]

Эти образцы содержатся также на сервере kodomo в папке с адресом /P/y21/term1/

Последний образец предлагаю с осторожностью, т.к. когда удалите ненужную вам колонку слева, то захочется занять пустое место, т.е. переформатировать страницу [Боротся с Word бывает сложно:( ].

Оставил, т.к. английский текст в образце объясняет, что писать в каком разделе.

Вам решать какой образец выбрать. Можно и самому сформатировать текст в Word, подражая образцу [3].

Завешенный текст следует сохранить в формате pdf для предоставления на проверку.

28 нояб. Несколько упорядочил текст.

ААл

Как сделать доступными для проверки преподавателем мини-обзор, и данные и собственные программы использованные при написании мини-обзора

Два способа

1. Создать в своём аккаунте на kodomo директорию
   • ~/public_html эта директория автоматически становится видной в интернет

Проверьте, что права на чтение есть для всех (other)

• и в ней поддиректория term1/mini_review
• положить в неё нужные файлы, включая мини-обзор в формате .pdf
• проверить, что ссылки работают: ссылки имеют вид

https://kodomo.fbb.msu.ru/~<ваше пользовательское имя на kodomo>/term1/mini_review/<имя файла>

Например, у меня в директории https://kodomo.fbb.msu.ru/~aba/term1/y19 в файле akadem_groups-sem1.docx лежит список студентов, поступивших на ФББ в 2019 году.

Его адрес в интернет такой: https://kodomo.fbb.msu.ru/~aba/term1/y19/akadem_groups-sem1.docx

Проверьте:)

2. Сохраните мини-обзор в формате .pdf на своём google диске (Upload => File).

Файлы с данными и программами сохраните в директории term1/mini-review

Имена директорий обязаны быть таким в точности, т.к. скачивать все файлы одновременно буду bash скриптом.

На kodomo установлен пакет биоинформатических программ EMBOSS. В некоторых подсказках указываются полезные команды из EMBOSS, на случай если у вас трудности с написанием своей программы.

Узнать что делает программа пакета:

tfm <имя программы из пакета>

Какие параметры у неё:

<имя программы из пакета> -help
более подробно:
<имя программы из пакета> -help -verbose

Примеры программ: Чтобы вычислить частоты комплементарных пар A-T и G-C по отдельным геномным ДНК тем, у кого геном состоит из более одной ДНК, то можно разбить файл с геномом на файлы с отдельными ДНК командой

# seqret из пакета EMBOSS
seqret -ossingle2 <имя входного фаста файла>

# geecee из пакета EMBOSS
geecee <имя входного фаста файла> <имя выходного текстового файла>

• GС состав это процент комплементарных пар G-C от общего числа комплементарных пар в ДНК. Важен потому, что (i) GC состав в геноме примерно одинаков на больших участках генома. Можете проверить, разделив геном своей бактерии на 5 частей. (ii) Геномы разных видов отличаются по GC составу.
• Самый простой способ определения ожидаемого числа встреч данного слова (например, ATG) в геноме известного размера (например, 1 млн пар нуклеотидов). 1) Вычислить частоту букв A, T, G. 2)В предположении, что буквы в каждой позиции генома появляются случайно с вероятностью, равной частоте буквы, и независимо от букв в других позициях, вероятность появления слова ATG начиная с люб ой позиции равна произведению вероятностей для каждой из трех букв. Позиций 1 млн. Способ не самый точный, но для приблизительно оценки ожидаемого числа слова в геноме приемлем (более точные реализованы в программе cbcalc на kodomo)

cbcalc -K -s ATG -o <имя выходного файла> <имя входного фаста файла> 
# без указания -o выдает ответ в STDOUT, подробнее в cbcalc -h  
# (-B, -M, -P другие методы вычисления ожидаемого)
# Автор программы - Ваня Русинов, можете его спрашивать. 

• программа wordcount из пакета EMBOSS считает число встреч каждого из слов заданной длины в геноме

# wordcount из пакета EMBOSS
wordcount -wordsize 1 <имя входного фаста файла> <имя выходного текстового файла>
# Выдаёт число всех слов длины 1, т.е. букв, встретившихся в последовательности.
# Можно и так, но придётся подождать подольше:
wordcount -wordsize 40 -mincount 20 <имя входного фаста файла> <имя выходного текстового файла>  
# результат - все слова длины 40, которые встречаются в геноме не менее 20 раз, и для каждого - число встреч в геноме

• Прочитайте про GC skew в wiki. Для вычисления кумулятивного графика GC skew можно использовать

  сервис. Есть и другие.

• Для тем про кодирующие последовательности генов белков следует скачать и распаковать файл "... cds_from_genomic.fna.gz" с кодирующими последовательностями всех генов белков. Он лежит по той же ссылке, что и feature table и геном в фаста формате.

Положите этот файл в директорию credits

• Принадлежность генов той или иной категрии определяйте по названиям белков, содержащихся в файле с feature_tables.
• Для поиска открытых рамок считывания в вашем геноме можно использовать программу

# getorf из пакета EMBOSS
getorf -table 11 -find 1 -minsize 90 -maxsize 600 -circular  <имя входного фаста файла> <имя файла с результатом> 
# -table 11 значит использовать таблицу генетического кода для бактерий
# -find 1 значит, что выдавать трансляции открытых рамок считывания (ORF) от START кодона до STOP кодона 
# -minsize -- минимальный размер выдаваемых ORF
# -maxsize -- максимальный размер выдаваемых ORF
# Используя эти параметры можно сократить размер выдачи; легче будет сравниванить с координатами генов из файла feature_table

#или так
getorf -table 11 -find 3 -minsize 90 -circular <имя входного фаста файла> -filter | grep ">" > <имя выходного файла>
# -find 3 значит, выдавать нукл. последовательности ORF
# В результате окажутся только строки, содержащие инфо. о координатах ORF

Инициативные темы

• Про предсказание оперонов можно посмотреть в этой статье и похожих, видны ниже на той же странице. Современные методы сложнее, чем нахождение квазиоперонов, но все они использут квазиопероны и ищут опероны внутри квазиоперонов.

• Вычислить и сравнить числа генов белков в шести рамках считывания. Простая работа - нужны только координаты генов в геноме.
• Гистограмма длин межгенных промежутков. Тоже технически простая тема. Результат почти наверняка будет не без сюрпризов.
• Статистика белков по категориям достоверности их существования(Uniprot)

Как получить данные о геноме других организмов того же вида или рода

На сайте NCBI genomes перейдите о ссылке Browse by organism.

В окошко внесите название вида или рода. Поиск. Откроется список геномов штаммов данного таксона. Если список не открылся, то следует нажать на Prokaryotes(в скобках указано число геномов.

Смотреть на те геномы, у которых в колонке level - полностью зачернённый кружок, что значит, что геном полностью секвенирован и все ДНК собраны в полные последовательности. ДНК перечислены в колонке Replicons. Репликон - ДНК, которая при делении клетки реплицируется отдельно от других ДНК. Двойное название вроде "chromosome: NC_007530.2/AE017334.2" возникает потому, что одна и та же последовательность лежит в двух разных базах данных.

Перейдя по ссылке Organism name увидите табличку с информацией о всех репликонах.

Как скачать дополнительные данные о белках

• Банк UniProt (https://www.uniprot.org/) — основной банк последовательностей белков

• Поиск по протеомам (Proteomes)
• Введите в окошко для поиска название вашего организма. Поиск

• Если нет находки — вам не повезло (:.

• Если находки есть, щелкаете по Proteom ID вашего организма
• Далее по ссылке UniProtKB под Map to. Получаете список БЕЛКОВ протеома.
• По ссылке Columns надо добавить или убрать колонки таблицы. Добавьте колонку Protein existence. Добавьте первой колонкой Gene names (ordered locus ). Далее save. Проверьте, что значения в колонке ordered locus такие же, как в вашей хромосомной таблице.
• Потом download, формат tab-separated и далее методами Excel можно соединить дополнительные данные из Uniprot с вашей хромосомной таблицей.

Второе правило Чаргаффа

Для применения статистики нужно выдвинуть так называемую нулевую гипотезу о случайности появления буквы A или буквы T из комплементарной пары A-T на одной цепочке ДНК с вероятностями по 1/2 и независимо друг от друга. Т.е. принять распределение Бернулли и вычислить вероятность случайного появления наблюдаемого или большего отклонения от ожидаемого - число A = число T. См ниже как.

GC состав генома

В статье https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3053387/ в Table 1 перечислены GC составы некоторых видов бактерий из разных отделов бактерий. В обсуждении сравните GC состав вашей бактерии с таковым у других представителей того же отдела.

Анализ k-меров с маленьким k

Найдите k-меры (слова длины k) экстремальные по отклонению от ожидаемого, недопредставленные и перепредставленные. Пороги, принимаемые на основе опыта: cb < 0.8 - слово недопредставлено, cb > 1.2 - перепредставлено. Математического обоснования нет, так что эти пороги не более, чем орентировочные. Для экстремалов по cb надо искать причину. Иногда известна, чаще - нет.

Найдите и опишите повторяющиеся последовательности в геноме, появление которых нельзя объяснить случайностью

Нельзя объяснить случайностью совпадение длинных слов.

Например разных слов длины 30 всего 4^{30 = 2}60, примерно 1000^{6 = 10}18. В геноме число слов длины 30 примерно равно его длине N, т.к. слово может начинаться с 1 нукл, 2го, 3го и т.д. до нуклеотида с номером (длина генома N -20). В геноме длины N имеется N*(N-1)/2 пар слов длины 30, т.е. порядка N^{2. Вероятность совпадения двух слов выбранных случайно из 10}18 слов длины 30 имеет порядок (1/10^{18). Значит, ожидаемое число пар совпадающих слов равно примерно (1/10}18)* N^{2. Если N порядка миллионов, т.е. 10}6, то ожидаемое число пар порядка 1/10^6, т.е. вероятность увидеть пару совпадающих слов длины 30 в геноме размера 1 млн очень мала.

Это рассуждение выше не строгое и не даёт точного ответа. Однако даёт представление о порядке интересующих нас величин.

Найдем длинные слова длины 30, встречающиеся в геноме не менее 20 раз, используя wordcount (см. выше)! В моем примере числа 30 и 20 подобрал путем перебора, чтобы получить не слишком много находок, но более одной.

Выберу одно из найденных слов и найду координаты всех таких слов в геноме:

# fuzznuc из пакета EMBOSS
fuzznuc -pattern GTTTGTAGCTTACCTATAAGGGATTGAAAC -srevers1 <имя генома в фаста формате> -filter

Получили результат, довольно удивительный в этом примере!

Можно разрешить, например, два несовпадения в слове с геномом с тем которое ищется:

fuzznuc -pattern GTTTGTAGCTTACCTATAAGGGATTGAAAC -srevers1 -pmismatch 2 <имя генома в фаста формате> -filter | wc -l

wc поставил в pipeline чтобы посчитать число находок.

Число находок увеличилось – стало 194 а было 129.

Далее что интересно. Сравнить координаты находок анализируемого слова с координатами генов. Если внутри генов, то это дупликации генов? Каких?

Если нет, то на одной ли цепочки или на разных? Идут ли они близко расположенными парами? Инвертированные повторы (если в паре они на разных цепочках) или тандемные повторы (на одной цепочке). Всякие такие повторы крайне интересны, даже если объяснить их вам не удается.

Открытие знаменитых CRISPR-Cas систем, использующиеся для генной инженерии и даже генной терапии людей, началось с того, что в 90х годах японский учёный (сейчас не помню фамилии, надо посмотреть) обнаружил в геноме повторяющиеся последовательности - странные потому что не мог их объяснить. Потом их назвали CRISPR (R от repeat), лет через 10 кое-какое объяснение было найдено, и еще лет через пять стали использовать для генной инженерии. Дата по памяти, могу ошибиться +/- пять лет. Если спросите - посмотрю и отвечу.

Найдите квазиопероны в геноме

• Постройте гистограмму числа "квазиоперонов" по числу генов. У бактерий и архей оперон - участок ДНК с одним или несколькими генами белков, транскрибируемый в одну матричную ДНК. Таким образом, гены в одном опероне закодированы на одной цепочке ДНК. Как правило, расстояние между ними небольшое.

Иногда используют простейший способ предсказания оперонов. "Квазиопероном" назовем максимальную последовательность генов, закодированных на одной цепочке с промежутками между генами не более порога, например, 100 п.н. Квазиоперон может состоять и из одного гена.

Постройте гистограмму числа квазиоперонов по числу генов в квазиопероне в вашем геноме.

• Постройте гистограмму числа "квазиоперонов" в зависимости от порога на расстояние.Советую сделать ячейку с параметром порог длины с числом 100. Тогда изменение числа квазиоперонов при изменении порога получается изменением значения этого параметра.

Число генов в квазиопероне легко посчитать с помощью СЧЁТЕСЛИ. И гистограмму недолго построить.

• Проверьте гипотезу о том, что гены распределены по цепочкам случайно с вероятностями 0,5 Пусть в вашем геноме 5000 генов белков и 2450 - на одной цепи, 2550 - на другой. Отклонение от ожидаемого числа 2500 равно 50. Надо ответить на вопрос возможно ли получить такое или большее отклонение при независимом случайном выборе цепочки для каждого гена.

  1. Подбросим монетку 5000 раз, посчитаем сколько раз выпал орел, каково отклонение от ожидаемого 2500 и сравним с наблюдаемым нами отклонением 50. Если больше или равно - ставим плюс, если меньше - ставим минус.
  2. Повторим эксперимент, допустим, 100 раз (а лучше - 1000).
  3. Пусть из 100 экспериментов только один раз отклонение оказалось больше или равно наблюдаемому нами 50. Значит, вероятность увидеть отклонение 50 или больше примерно равна 1/100 = 0.01. Вывод. Если мы готовы считать, что событие с вероятностью 0.01 маловероятное, то полученное нами отклонение 50 противоречит гипотезе о независимом случайном равновероятном выборе цепочки для гена. Значит, надо искать причины.

Симулируем бросание монетки по числу генов и повторяем этот эксперимент 100 раз (можно больше).

Первое испытание - в колонке 1. Используйте СЛУЧМЕЖДУ нулем ("решка") и единицей ("орел"). Функция выдает 0 или 1 с равной вероятностью.

Распространите формулу вниз столько раз, сколько генов в вашем геноме. В этом же столбце (например, в верхних ячейках) рассчитайте число орлов (СЧЁТЕСЛИ) и отклонение числа орлов от ожидаемого - без знака!

Распространите все формулы в сто соседних столбцов. Посчитайте сколько раз отклонение больше или равно тому, которое вы обнаружили в своем геноме.

Сделайте вывод.