Учебная страница курса биоинформатики,
год поступления 2014

Семестры Студенты Преподаватели

• 2024
• 2023
• 2022
• 2021
• 2020
• 2019
• 2018
• 2017

• ...

Здесь приведены все задания блока 3.

Задание 1. Сравнить состав систем рестрикции-модификации, закодированных в двух штаммах одного вида

И.Русинов

Материал:

1. Геном из БД NCBI
2. Фрагменты генома из метагенома кишечника человека

Метод: Существование системы рестрикции-модификации предсказывается по ее следам в геноме: недопредставленности сайтов рестрикции.

Системы рестрикции-модификации (Р-М) - это один из механизмов защиты прокариот от чужеродной ДНК, например, бактериофагов. Система Р-М умеет распознавать определенные короткие последовательности ДНК (сайты рестрикции) и гидролизовать ДНК, если эти последовательности не метилированы. В ДНК клетки все сайты рестрикции заметилированы, а в ДНК фагов - нет. Поэтому клеточная ДНК остается невредимой, а ДНК фагов гидролизуется. Но иногда в процессе метилирования сайтов рестрикции случаются ошибки и геном бактерии может быть гидролизован. Из-за этого бактерии выгодно содержать в геноме как можно меньше сайтов узнавания систем Р-М, чтобы уменьшить вероятность случайного гидролиза.

Отбор против сайтов в геноме можно обнаружить, сравнив наблюдаемое число сайтов с ожидаемым числом. Например, можно вычислить отношение наблюдаемое/ожидаемое число сайтов (контраст), и если это отношение меньше 1, значит встретилось меньше сайтов, чем ожидалось. Обнаружив такие "избегаемые" сайты можно предсказать, какие системы Р-М бактерия содержит (или содержала в недавнем прошлом).

Бактерии достаточно быстро меняют набор систем Р-М. Поэтому даже бактерии (или археи) одного вида могут содержать разный набор систем Р-М в разных популяциях.

Ваша задача - сравнить предполагаемые (по избеганию сайтов) наборы систем Р-М в полном геноме бактерии из NCBI и наборе контигов того же вида из метагенома кишечника человека.

Этап 1. Найдите избегаемые сайты рестрикции в геноме выданной бактерии или археи

Все файлы и папки, указанные ниже, располагаются на диске P: в папке y14/term4/pr10

Здесь можно посмотреть, кому какая бактерия досталась.

Файл sites.list содержит список всех (ну почти ) известных сайтов систем Р-М типа II (основной тип). Вам нужно:

• посчитать ожидаемое количество и контраст всех сайтов из списка в геноме вашей бактерии. Последовательность генома лежит в папке chr_fasta. Это можно сделать с помощью веб-сервиса. Вам нужно использовать метод Карлина.

• найти все сайты, для которых контраст меньше чем 0.78 (это порог, чтобы отличие от 1 можно было считать значительным).
• в отчете надо привести выходной файл веб-сервиса, файл с отобранными избегаемыми сайтами, и указать их количество.

Этап 2. Найдите избегаемые сайты рестрикции в наборе контигов из метагенома

Последовательности контигов в fasta формате (сжатые с помощью gzip) лежат в папке wgs_fasta. Вам нужно сделать все то же самое, что и в предыдущем пункте, но для последовательностей контигов.

Этап 3. Сравните полученные списки избегаемых сайтов

Укажите в отчете, сколько избегаемых сайтов найдено только в полном геноме, сколько - только в контигах, и сколько и там и там. Сделайте вывод о том, какая из бактерий (архей) содержала больше систем Р-М, и возможные причины этого, учитывая, что организмы очень близкие, и что один из них жил в кишечнике человека. Где жил второй (полный геном) можете попробовать узнать на сайте NCBI в соответствующей записи базы данных Nucleotide.

Задание 2. Найдите последовательности Шайн – Дальгарно в геноме бактерии или археи, данном вам в первом семестре.

ААл

Результат должен быть представлен на сайте. Должен включать:

• Построенный вами профиль (PWM) для последовательности Шайн – Дальгарно (ШД) в вашем геноме

• Список кодирующих последовательностей, перед которыми предсказывается Шайн – Дальгарно, найденный сигнал с указанием числа нуклеотидов между ШД и 1м кодирующим нуклеотидом (выходной файл FIMO в формате Excel с добавленным расстоянием до старта трансляции).

• Гистограмму расстояний до старта трансляции

• Лого найденных сигналов (сервис LOGO, на вход можно подать последовательности в plain format).

• Процент генов белков, перед которыми найден ШД.
• Данные из литературы или из БД о ШД в вашем геноме. Ссылки обязательны! Если ничего не смогли разыскать, то опишите как искали.
• Короткое обсуждение результата

Ссылки на выдачу программы не принимаются!

Будьте добры, разберитесь с выдачей; выберите то, что нужно, и представьте в отчете на своем сайте.

Указания

• Подготовка данных

  • Найдите свою бактерию в БД Assembly на NCBI, перейдите на страницу последовательности в GeneBank

  • Скачайте fasta файл с хромосомой ("send" => "Complete record", "File", "Fasta")

  • Скачайте особенности (features), среди них есть CDSs ("send" => "Complete record", "File", "Feature Table")

  • Преобразуйте файл с Features в .xls формат с координатами кодирующих последовательностей. Используйте мой скрипт features2CDSs.py Мои скрипты выдают инфо при запуске без параметров; при запуск с опцией -h выдается список параметров программы.

  • Выберите несколько сот "хороших" кодирующих последовательностей. "Хорошая" значит есть надежда, что ген хорошо аннотирован: не гипотетический, достаточно длинный (скажем, более 300 п.н.). Указанные числа CDSs условны.
  • Прочитайте что-нибудь про Ш-Д для того, чтобы разумно спланировать поиск мотива.
  • Литературу ищите с помощью google и в Pubmed
  • Для отобранных генов создайте список областей, в которых имеет смысл искать ШД. Помните, что сигнал слабый, поэтому стоит сузить область поиска, но так, чтобы не пропустить много настоящих ШД! Для этого и надо прочитать про ШД. Нужен файл формата:

В качестве ID_фрагмента можно оставить AС гена; остальное – product. Такой файл можно сделать в Excel.

• Создайте fasta файл с областями поиска. Используйте мое скрипт fragments2fasta.py. Его запускать на kodomo, т.к. использует bash и EMBOSS команду seqret.

• Не перепутайте с указанием области поиска перед геном, расположенным на противоположной цепи!

• Так же сделайте файл с областями поиска для всех генов. Границы по отношению к старту трансляции можно немножко расширить.

• Пакет программ для поиска мотива, построения PWM, и поиска по PWM доступен на сайте MEME suit. Также эти программы установлены на kodomo.

• Поиск мотива; создание PWM

  • Используйте MEME для поиска мотива de novo в созданном fasta файле с областями поиска

  • Вдумчиво выбирайте параметры
    • число находок мотива в каждой последовательности
    • число лучших мотивов на выходе; нужен один, но первый раз можно поставить два - чтобы сравнить E-value
    • длина мотива: от - до (в Advanced)
    • число сайтов, т.е. находок; ограничьте немного исходя из ваших знаний того, какой процент генов имеет ШД
    • на двух ли цепочках искать
  • Наверное, придется запускать MEME несколько раз с разными параметрами чтобы добиться правдоподобного результата
  • Добившись его, сохраните нужный данные для отчета. PWM найдете в текстовой выдаче MEME

• Поиск ШД во всем геноме с помощью PWM, построенной MEME

  • Используйте FIMO (а не MAST)
  • Со страницы с результатом MEME можно перейти на другие программы, в т.ч. FIMO. При этом матрицы PWM, построенная MEME, автоматом передается на вход FIMO.
  • Перейдите на FIMO и загрузите fasta файл c областями поиска перед всеми CDS.
  • Откройте Advanced options; можно порог p-value сделать побольше.
  • Сохраните результат поиска - таблицу - в текстовом виде и откройте в Excel. Он и будет результатом выполнения задания.

(*) Дополнительное задание. Опишите дополнительные возможности сервиса MEME suit или доступного по ссылке

ААл

• Достаточно описать одну из возможностей, конечно. Сервис покрутел за время, что я не заходил на него.
• Описывайте так, чтобы ваш текст был понятен студентам студенты следующих (и прежних) поколений
• Обязателен пример использования сервиса
• Можно разбираться в сервисе и описывать его вдвоем, с указанием вкладов
• Хорошие описания будут открыты на kodomo wiki, с вашего согласия

Задание 3. Определите сайты связывания данного транскрипционного фактора в данном участке хромосомы человека

Д.Бредихин

Указания

Файлы .fastq с ридами Illumina, полученные в результате сhip-seq эксперимента, разделены на отдельные файлы, соответствующие участкам хромосом. Они лежат в директории /srv/databases/ngs/chipseq_y14 на диске P. Соответствие между студентами и файлами см. здесь

Для работы используйте свои поддиректории в директории ngs, заведенные в прошлом семестре. Предварительно удалите из них старые файлы.

Задание 4. В геноме человека найдите три гена, транскрипция которых инициируется с помощью TATA-бокс связывающего белка, и один - без сигнала TATA-бокса в промоторной области

ААл

TATA-бокс связывающий фактор TBP - архейный и эукариотический белок, узнающий восьминуклеотидный сигнал в ДНК с консенсусом TATAWAAR(Faiger et al., 2005).

Он является одним из ключевых ДНК-узнающих белков при образовании на промоторе генов комплекса TFIID инициации транскрипции с помощью Pol II(Lauder et al., 2016). Тем не менее, лишь часть промоторов имеет сигнал TATA-box, связываемый TBP.

См. литературу также на диске P: в директории семестра.

Отчет должен включать:

• для каждого гена
  • название
  • координату старта транскрипции (хромосома, позиция, ориентация гена); длину гена (от старта транскрипции до конца мРНК, включая все интроны и некодирующие участки мРНК)
  • два изображения: (i) в мелком масштабе, так, чтобы были видны соседние сигналы; (ii) промоторная область в крупном масштабе с последовательностью нуклеотидов; следите, чтобы изображения не включали лишних треков, только ген Refseq, сигнал (-ы) и пик (-и), EST для подтверждения транскрибируемости
  • наличие и координата относительно старта транскрипции консенсусной последовательности TATA-бокса в промоторной области
• Обсуждение результата

Указания.

• Используйте данные chip-seq для указанного белка и возможности Genome Browser UCSC. Удобный доступ - через сайт SYDH TFBS Track Settings.

• Выберите нужный транскрипционный фактор (TBP) и какой-либо эксперимент. Не забудьте сначала отключить все галочки, стоящие по умолчанию!
• Найдите и сохраните описание эксперимента: биол.образец, антитело, - и описание транскрипционного фактора.
• Выберите изображение и сигналов, и пиков, submit. Окажетесь в броузере генома в случайном месте
• Настройте изображение. Надо научиться:

  • Убирать и добавлять треки – полоски с определенными данным, привязанными к хромосоме

  • Менять масштаб изображения от целой хромосомы до последовательности нуклеотидов
  • Показывать участок по координатам в геноме, находить гены по названию. Сдвигаться направо и налево.
  • Показывать гены (предлагаю использовать Refseq genes в качестве первого выбора), мРНК и EST
  • Передвигать треки вверх и вниз

  • Если трек сигнала рисует полоску вместо графика покрытия нуклеотидов – щелкните по нему!

  • Трек с сигналом настройте так, чтобы автоматически вписывать график в окошко (используйте правую кнопку мыши, в меню выберите настройку трека ... и в нем ... auto). При такой настройке указывается минимальное и максимальное значение графика в окне)
• Настроенное изображение должно содержать треки: ген Refseq, EST, сигнал TBP в районе начала гена или демонстрировать его отсутствие; пики того же сигнала; пики детектиркются на основании отношения сигнала к контролю.

• Используйте UCSC GenomeBrowser => ENCODE => Experiment Matrix => chi-seq Experiment Matrix

• Выберите нужный транскрипционный фактор (TBP) и какой-либо эксперимент. Найдите описание эксперимента: биол.образец, антитело.
• Выберите search for tracks (а не file), Submit, оказываетесь на странице результатов поиска нужного белка в нужном биологическом образце
• Выберите один трек с Signals, если их несколько; view in browser
• Оказываетесь в случайном месте генома человека, изображенном многочисленными треками.