Bioinformatik für Biochemiker - Applied Bioinformatics Group ...

Bioinformatik
für Biochemiker
Oliver Kohlbacher
WS 2009/2010
15. Zusammenfassung
Abt. Simulation biologischer Systeme
WSI/ZBIT, Eberhard Karls Universität Tübingen
Bioinformatik – Definition
Bioinformatik verwendet Methoden der
Mathematik, Statistik und Informatik
zur Analyse und Interpretation von
biologischen, biochemischen und
biophysikalischen Daten.
Bioinformatik
Mathematik,
Informatik
Lebens-
wissenschaften
Bioinformatik
Physik,
Chemie
1

Bioinformatik – Gebiete
• Sequenzbasierte Bioinformatik
– Assemblierung
– Sequenzsuche/-vergleich
– Comparative Genomics
– ....
• Strukturelle Bioinformatik
– Proteinstrukturvorhersage
– Wirkstoffentwurf () Chemoinformatik)
– ...
• Biologische Informationssyteme
– Datenintegration und biologische Datenbanksysteme
– Modellierung biologischer Daten
– …
• Systembiologie
– Computational Proteomics
– Computational Metabolomics
– Biologische Netzwerke
– …
• ...
Algorithmen
• Bevor man ein Programm schreibt, muss man wissen
was der Rechner tun soll!
• Die Beschreibung einer Methode zur Lösung der
gegebenen Aufgabenstellung nennt man Algorithmus
• Dementsprechend sind Kochrezepte oder
Bedienungsanleitungen nichts anderes als
Algorithmen
• Ein Programm ist eine formale Umsetzung eines
Algorithmus in einer Programmiersprache
• Da Rechner nur Maschinencode ausführen können,
sind Compiler oder Interpreter notwendig, die das
Programm aus der Programmiersprache in
Maschinencode umsetzen, der dann ausgeführt wird
Algorithmen, Code, Rechner
Programm-
code
Algo-
rithmus
Compiler/
Interpreter
Maschinen-
code
Eingabe-
daten
Ausgabe-
daten
2

Betriebssystem, Shell und GUI
• Jedes Programm (Applikation,
“Befehl”) braucht eine
Schnittstelle zum Rechner
• Unterste Schnittstelle:
Betriebssystem
• Betriebssystem stellt
Applikationen (Programmen,
“Befehlen”) Grundfunktionalität
zur Verfügung
– Verwaltung von Dateien
– Zugriff auf Benutzerdaten
Python – Schleifen
Programm
Betriebs-
system
Rechner
(Hardware)
• Python kennt For-Schleifen, bei denen eine Schleifenvariable eine
Folge von Werten durchläuft und für jeden dieser Werte der
Rumpf ausgeführt wird
• Der Kopf definiert dabei die Schleifenvariable und die möglichen
Werte
• Der Rumpf wird vom Kopf durch Einrückung unterschieden
• Der Rumpf kann eine oder mehrere Zeilen Code enthalten
• Die Funktion range(Wert) erzeugt dabei eine Liste von Wert
Zahlen, die bei 0 anfangen und jeweils um eins erhöht werden
for i in range(10):
print i
• Dieses kurze Programm gibt dementsprechend die Zahlen von 0
bis 9 aus
Laufzeitanalyse
for i in range(n):
for j in range(n):
for k in range(n):
a = a + …
for i in range(n):
a = a + …
for i in range(5*n):
a = a + …
for i in range(10*n):
a = a + …
• Möchte man die Laufzeit zweier Programme analysieren, so „zählt“
man üblicherweise die Rechenoperationen die auszuführen sind.
• Interessant ist dabei der Vergleich, wie die Zahl mit der Größe der
Eingabe (z.B. Sequenzlänge n variiert)
• In den obigen Beispielen können wir zum Beispiel die Anzahl der
Additionen („a = a + …“) betrachten.
Beispiel: n = 3 n = 20
Links: 3 * 3 * 3 = 27 Additionen 20 * 20 * 20 = 8000
Rechts: 3 + 15 + 30 = 48 Additionen 20 + 100 + 200 = 320
3

O-Notation
• Die O-Notation sagt nichts darüber aus, ob eine bestimmte
Problemgröße mit einem Algorithmus lösbar ist!
• Statt dessen trifft sie eine Aussage darüber, wie der Algorithmus
beim Übergang zu immer größeren Probleminstanzen skaliert
• Algorithmen mit besserer Komplexität können (und sind es auch
oft) für sehr kleine Probleminstanzen langsamer sein
Strings und Sequenzen
• Formale Definitionen
• Sequenzdatenbanken
• Einige Grundbegriffe
der Informatik
• Alignments
– Definition
– Distanzfunktionen
– Dotplots
Strings und Sequenzen
Definition:
Ein Alphabet Σ ist eine endliche Menge von Zeichen.
Sequenzen sind Zeichenreihen über Σ.
Dabei ist:
Σ 0 := {ε} (ε steht für die leere Sequenz)
Σ n ist die Menge aller Worte der Länge n auf Σ
Σn+1 := {aA | a 2 Σ, A 2 Σ n }
Σ * ist die Menge aller Sequenzen (aller Längen) über Σ.
Beispiel:
DNA-Sequenzen sind definiert über dem Alphabet
Σ DNA = {A,C,G,T}
Protein-Sequenzen sind definiert über
Σ P = {A,C,D,E,F,G,H,I,K,L,M,N,P,Q,R,S,T,V,W,Y}
4

Alignment mit DP
• Alignmentalgorithmen
– Trivial
– Dyn. Programmierung
• Scoringmatrizen
• Begriff der Komplexität
• Implementierung
• Tools
– Alignments
– Dotplots
Ähnlichkeit und Distanz
Merkl, Waack, Bioinformatik interaktiv
• Wie kann man die Ähnlichkeit zweier Sequenzen
beschreiben?
• Einfachste Möglichkeit: „Zählen“ identischer Zeichen
GATCGTTCG
|| |||
CATGGTTGA
• Problem: Was bei Sequenzen unterschiedlicher Länge?
GATCGTTCG GATCGTTCG GATCGTTCG
||| | ||| |
---GGTTGA G---GTT-GA -GGTTGA--
Ähnlichkeit: (Anzahl Matches)
3 5 0
Analog die Distanz (Anzahl Mismatches):
6 5 9
Alignments
• Beispiel: Berechnen des Scores zweier Alignments von
A = ACGTAGTAGCA und B = ACTTAGTACGT
ACGTAGTAGC-A ACGTAGTA-GCA
|| | ||| | | || | || | |
ACTT-GTACGTA ACTTG-TACGTA
Beobachtung:
Die Alignments der Präfixe der Länge vier von A und B
sind identisch. Damit auch die Scores der Alignments
dieser Präfixe.
) Wir berechnen die Scores vieler Teilalignments
immer wieder!
Idee:
Merke die besten Scores dieser Teilalignments und
berechne sie nicht ständig neu.
5

Dynamische Programmierung
• Die 0. Spalte/Zeile der
Matrix beschreibt
Alignments die mit einem
Gapzeichen beginnen
• Gemäß unserer Überlegung
über Präfixalignments gilt
für die Matrixelemente:
• Damit ergibt sich der Inhalt
einer Zelle der Matrix aus
den Werten der drei
Nachbarzellen links, oben
und links oben
Beispiel:
• A = ACGT, m = 4
• B = AGC, n = 3
-
A
C
G
T
- A G C
D 0,0
Dynamische Programmierung
• Traceback der T-Matrix
– Diagonal: Matche zwei
Zeichen
– Horizontal: matche Zeichen
aus B mit Gap
– Vertikal: matche Zeichen aus
A mit Gap
• Beispiel:
Diagonal von (1,1) nach (0,0)
ACGT
A-GC
Datenbanken - Definition
Beispiel:
• A = ACGT, m = 4
• B = AGC, n = 3
D m,n
- A G C
- 0 1 2 3
A 1 0 1 2
C 2 1 1 1
G 3 2 1 2
T 4 3 2 2
Datenbank (DB):
eine Datensammlung, die nach
bestimmten Kriterien organisiert ist.
6

ENTREZ
BLAST – w-mere
• Für jede Anfrage S konstruiert BLAST zunächst eine Liste aller in
S vorkommenden w-mere, dann eine Liste aller dazu ähnlichen
w-mere (gemäß Scoringmatrix)
• Nach diesen w-meren wird dann in D gesucht
• Da keine Gaps zugelassen werden und nur direkte Identität mit
sehr kurzen Sequenzen getestet werden muss, geht dies sehr
schnell
S
BLAST-Ausgabe
BLASTP 2.2.8 [Jan-05-2004]
w-mere aus S Ähnliche k-mere
Treffer in D
Treffer in D
Datenbanksequenz D
Reference: Altschul, Stephen F., Thomas L. Madden, Alejandro
A. Schaffer,
Jinghui Zhang, Zheng Zhang, Webb Miller, and David J. Lipman
(1997),
"Gapped BLAST and PSI-BLAST: a new generation of protein
database search
programs", Nucleic Acids Res. 25:3389-3402.
Query= 1HSO:B CLASS I ALCOHOL DEHYDROGENASE 1, ALPHA SUBUNIT
(374 letters)
Database: Arabidopsis_chr1.fasta
7493 sequences; 3,192,001 total letters
Searching...............done
7

Problemdefinition
Multiples Sequenzalignment
(MSA, multiple sequence alignment, Profil)
• Gegeben: k Sequenzen
• Gesucht:
– Alignment aller k Sequenzen
– Möglichst optimal bezüglich einer Distanz- oder Scoringfunktion
WIN1_SOLTU AQQCGRQKGGALCSGNLCCSQFGWCGSTPEFCSPSQGCQSRC
HEVE_HEVBR AEQCGRQAGGKLCPNNLCCSQWGWCGSTDEYCSPDHNCQSNC
CHIX_PEA AEQCGSQAGGAVCPNGLCCSKFGFCGSTDPYCGD..GCQSQC
CHI2_ORYSA AEQCGSQAGGAVCPNCLCCSQFGWCGSTSDYCGA..GCQSQC
CHI1_ORYSA GEQCGSQAGGALCPNCLCCSQYGWCGSTSDYCGA..GCQSQC
AGI_URTDI AQRCGSQGGGGTCPALWCCSIWGWCGDSEPYCGR..TCENKC
Anwendung – Strukturkonservierung
WIN1_SOLTU AQQCGRQKGGALCSG.NLCCSQFGWCGSTPEFCSPSQGCQ.SRC
HEVE_HEVBR AEQCGRQAGGKLCPN.NLCCSQWGWCGSTDEYCSPDHNCQ.SNC
CHIX_PEA AEQCGSQAGGAVCPN.GLCCSKFGFCGSTDPYCGD..GCQ.SQC
CHI2_ORYSA AEQCGSQAGGAVCPN.CLCCSQFGWCGSTSDYCGA..GCQ.SQC
CHI1_TOBAC AEQCGSQAGGARCPS.GLCCSKFGWCGNTNDYCGPG.NCQ.SQC
HEVL_ARATH GQQCGRQGGGRTCPG.NICCSQYGYCGTTADYCSPTNNCQ.SNC
CHIT_DIOJA .QNCQ.......CDTTIYCCSQHGYCGNSYDYCGP..GCQAGPC
CHIP_BETVU AQNCG.......CAP.NLCCSNFGFCGTGTPYCGVG.NCQSGPC
CHIA_MAIZE AQNCG.......CQP.NFCCSKFGYCGTTDAYCGD..GCQSGPC
AGI1_WHEAT AQRCGEQGSNMECPN.NLCCSQYGYCGMGGDYCGK..GCQNGAC
AGI_ORYSA AQTCGKQNDGMICPH.NLCCSQFGYCGLGRDYCGT..GCQSGAC
AGI_URTDI AQRCGSQGGGGTCPA.LWCCSIWGWCGDSEPYCGR..TCE.NKC
„One or two homologous sequences whisper …
a full multiple sequence alignment shouts out
loud.“ (Arthur Lesk, 1996)
CLUSTALW – Überblick
S 1
S 2
-
.
D 1,2
-
D 1,3 D 2,3 -
D 1,2
D 1,3
D 1,4 D 2,4 D 3,4 -
S 1
S 2
S 3
S 4
• Globales Alignment
• Distanzmatrix
• Konstruktion eines Leitbaums
• Profilalignment entlang des
Baums
8

Sequenzlogos
• Profile lassen sich auf einfache Weise mit Hilfe sogenannter
Sequenzlogos visualisieren
• Dabei zeichnet man an jeder Position der Sequenz die
möglichen Buchstaben, wobei die Buchstabenhöhe
proportional zum Informationsgehalt ist
• Dadurch lassen sich die motivrelevanten Teile des Profils direkt
ablesen
• Beispiel:
TATA-Box-
Sequenzen aus
Hefe
Protein-Strukturvorhersage
Problemdefinition:
Gegeben Sequenz, finde Struktur
...LGFCYWS...
Proteinstruktur – Überblick
Primärstruktur
Sekundärstruktur
Tertiärstruktur
Quartärstruktur
http://www.lecb.ncifcrf.gov/~toms/sequencelogo.html
Sequenz: ...LGFCYWS...
9

PDB – Der erste Eintrag!
PDB-Format
Beispiel: ATOM-Records für VAL
Röntgenstrukturen
ATOM 1 N VAL 1 -2.900 17.600 15.500 enthalten 1.00 0.00 nur Schweratome
2 1MBN 72
ATOM 2 CA VAL 1 -3.600 16.400 15.300 1.00 0.00 2 1MBN 73
ATOM 3 C VAL 1 -3.000 15.300 16.200 Valin 1.00 (VAL) 0.00 enthält 2 1MBN dann 74
ATOM 4 O VAL 1 -3.700 14.700 17.000 1.00 0.00 2 1MBN 75
sieben Atome:
ATOM 5 CB VAL 1 -3.500 16.000 13.800 1.00 0.00 2 1MBN 76
ATOM 6 CG1 VAL 1 -2.100 15.700 13.300 N, 1.00 CA, C, 0.00 O – Rückgrat 2 1MBNP 4
ATOM 7 CG2 VAL 1 -4.600 14.900 13.400 1.00 0.00 2 1MBNL 8
ATOM 8 N LEU 2 -1.700 15.100 16.000 CB, 1.00 CG1, 0.00 CG2 – 1 Seitenkette
1MBN 79
ATOM 9 CA LEU 2 -.900 14.100 16.700 1.00 0.00 1MBN 80
ATOM 10 C LEU 2 -1.000 13.900 18.300 1.00 0.00 1MBN 81
ATOM 11 O LEU 2 -.900 14.900 19.000 1.00 0.00 1MBN 82
ATOM 12 CB LEU 2 .600 14.200 16.500 1.00 0.00 1MBN 83
ATOM 13 CG LEU 2 1.100 14.300 15.100 1.00 0.00 1 1MBN 84
ATOM 14 CD1 LEU 2 .400 15.500 14.400 1.00 0.00 1 1MBNL 9
Record- Nummer + Name +
typ Name des Nummer
Atoms des Rests
BALLView
X Y Z
Koordinaten
10

Threading
Gesucht
Zuordnung der Zielsequenz zu Positionen in
der Schablonenstruktur
) Sequenz-Struktur-Alignment
CCP vs. CP
Beispiel
Grau: 1IVM
Gelb: 1IVM gethreaded auf 1LZY
...LGFCYWS...
...ILVGCIL...
Lengauer, Zimmer, In: Bioinformatics: From Genomes to Drugs, T. Lengauer (Hrsg.), Wiley, 2002
Blau: 1LZY
Gelb: 1IVM gethreaded auf 1LZY
12

ROSETTA
• Modell
– Torsionswinkelraum, reduziert auf
Fragmente
– Seitenketten auf C β reduziert
• Potenzialfunktion
– Wahrscheinlichkeitsbasiert (Bayes-Ansatz)
• Algorithmus
– Simulated Annealing:
MMC mit linear sinkender Temperatur
– Feste Anzahl Schritte (10000)
ROSETTA – Ergebnisse CASP5
Loop-Datenbanken
• Clustering liefert
große Zahl sehr
ähnlicher Fragmente
• Cluster werden
üblicherweise auf
einzelne
Repräsentanten
reduziert
• Methoden
– Hierarchisches
Clustering
– Nächste Nachbarn
Fechteler, Dengler, Schomburg, J. Mol. Biol. (1995), 253, 114-131
13

Rotamere
• Torsionswinkel werden nicht
unabhängig voneinander
angenommen
• Es existieren ausgezeichnete
Winkelbereiche die Konformeren
im Torsionsraum entsprechen
• Da diese Konformere durch
Rotation um Torsionswinkel
entstehen, nennt man sie Rotamere
Rotamere von LYS
• Rotamere:
Seitenkettenkonformationen
minimaler Energie
Was Ihnen vorenthalten wurde…
• Sequenzanalyse
– Assemblierung von Genomen
– Genomvergleich
– RNA-Struktur
– Metagenomik
– …
• Expressionsanalyse
– Transkriptomik (Microarrays)
– Proteomik
– …
• Systembiologie
– Regulatorische Netzwerke
– Interaktomik
– Metabolomik
– …
• Strukturbioinformatik
– Proteinähnlichkeit
– Molecular Modeling
– Wirkstoffentwurf
– Protein-Protein
Interaktionen
– …
• Sonstiges
– Immunoinformatik
– Populationsdynamik
– …
Weiterführende Veranstaltungen
• Vorlesung „Informatik I + II“ (WS/SS)
• Vorlesungen „Drug Design 1“ und „Drug Design 2“ (WS
10/11, SS 11, Englisch)
• Vorlesung „Computational Immunomics“
(SS 10, Englisch)
• Praktikum „Applied Structure-Based Drug
Design“ (Blockprakt., jedes Semester)
• Vorlesung Grundlagen der Bioinformatik (jedes SS)
• Vorlesung Bioinformatik I + II (WS/SS)
• Praktikum Datenintegration (Blockprakt.)
14