Alberto Risueño Pérez - Gredos - Universidad de Salamanca

Tesis Doctoral
1.2. Materiales y métodos
1.2.1. Bases de datos utilizadas como fuente para los remapeos de
sondas de microarrays
Para realizar el re-­‐mapeo de las sondas de los microarrays de expresión de Affymetrix se utiliza
como fuente de datos principal la información disponible en la base de datos de Ensembl. Esta
base de datos biológica pública ofrece mediante su servidor ftp (ftp://ftp.ensembl.org),
ficheros que contienen todas las secuencias de cDNA conocidas para el transcriptoma de varias
especies. Estos ficheros representan la información en formato FASTA, que asocia cada
secuencia con su identificador en texto plano (ver figura 1.3) y cuyo fácil manejo lo ha
convertido en un estándar a la hora de analizar y comparar secuencias de DNA. Los ficheros
descargados proceden del directorio "cdna" correspondiente con la versión y el organismo
seleccionados siguiendo la nomenclatura:
ftp://ftp.ensembl.org/pub/release-­‐/fasta//cdna.
16
>ENST00000397806 cdna:known chromosome:GRCh37:16:222889:223709:1 gene:ENSG00000188536
CACAGACTCAGAGAGAACCCACCATGGTGCTGTCTCCTGCCGACAAGACCAACGTCAAGG
CCGCCTGGGGATGTTCCTGTCCTTCCCCACCACCAAGACCTACTTCCCGCACTTCGACCT
GAGCCACGGCTCTGCCCAGGTTAAGGGCCACGGCAAGAAGGTGGCCGACGCGCTGACCAA
CGCCGTGGCGCACGTGGACGACATGCCCAACGCGCTGTCCGCCCTGAGCGACCTGCACGC
GCACAAGCTTCGGGTGGACCCGGTCAACTTCAAGCTCCTAAGCCACTGCCTGCTGGTGAC
CCTGGCCGCCCACCTCCCCGCCGAGTTCACCCCTGCGGTGCACGCCTCCCTGGACAAGTT
CCTGGCTTCTGTGAGCACCGTGCTGACCTCCAAATACCGTTAAGCTGGAGCCTCGGTAGC
CGTTCCTCCTGCCCGCTGGGCCTCCCAACGGGCCCTCCTCCCCTCCTTGCACCGGCCCTT
CCTGGTCTTTGAATAAAGTCTGAGTGGGCAGCA
>ENST00000251595 cdna:known chromosome:GRCh37:16:222846:223709:1 gene:ENSG00000188536
CATAAACCCTGGCGCGCTCGCGGGCCGGCACTCTTCTGGTCCCCACAGACTCAGAGAGAA
CCCACCATGGTGCTGTCTCCTGCCGACAAGACCAACGTCAAGGCCGCCTGGGGTAAGGTC
GGCGCGCACGCTGGCGAGTATGGTGCGGAGGCCCTGGAGAGGATGTTCCTGTCCTTCCCC
ACCACCAAGACCTACTTCCCGCACTTCGACCTGAGCCACGGCTCTGCCCAGGTTAAGGGC
CACGGCAAGAAGGTGGCCGACGCGCTGACCAACGCCGTGGCGCACGTGGACGACATGCCC
AACGCGCTGTCCGCCCTGAGCGACCTGCACGCGCACAAGCTTCGGGTGGACCCGGTCAAC
TTCAAGCTCCTAAGCCACTGCCTGCTGGTGACCCTGGCCGCCCACCTCCCCGCCGAGTTC
ACCCCTGCGGTGCACGCCTCCCTGGACAAGTTCCTGGCTTCTGTGAGCACCGTGCTGACC
TCCAAATACCGTTAAGCTGGAGCCTCGGTAGCCGTTCCTCCTGCCCGCTGGGCCTCCCAA
CGGGCCCTCCTCCCCTCCTTGCACCGGCCCTTCCTGGTCTTTGAATAAAGTCTGAGTGGG
CAGCA
Figura 1.3. Formato FASTA de secuencias cDNA procedentes de la base de datos Ensembl. Se muestra una
pequeña parte del fichero en donde figura la secuencia de dos transcritos: ENST00000397806 y
ENST00000251595.
Durante el desarrollo de la presente Tesis Doctoral se han utilizado las versiones 50 (julio de
2008), 53 (Marzo de 2009) y 57 (Marzo de 2010) de los organismos Homo sapiens, Mus
musculus y Rattus norvegicus (ver tabla 1.4). Cada entrada de estos ficheros contiene un
identificador de transcrito como el de la figura 1.3 (ENST0000…) . La letra "T" indica que se
trata de un transcrito. En Ensembl cada tipo de entidad concreta biomolecular concreta tiene
su propia letra, de esta manera "G" indica gen, "T" transcrito, "E" exón y "P" proteína. Esta
forma de codificar los distintos identificadores que tiene Ensembl es informativa para el
investigador.
Junto a la base de datos de Ensembl para ubicar sobre los transcritos de las sondas de los
microarrays de Affymetrix también es necesario contar con la secuencia de cada uno de los
oligos de 25 nucleótidos que conforman dichos arrays. Esta información fue descargada de la
página web corporativa de la empresa (www.affymetrix.com). Existe un fichero por cada
modelo de microarray detallando su constitución completa y asociando una secuencia
genómica de 25 nucleótidos a cada posición X e Y, que sirve como coordenada para ubicar
cada sonda dentro de la topología del microarray (ver tabla 1.4). En el caso de los microarrays
del modelo IVT 3’, sólo las secuencias etiquetadas catalogadas como "perfect match" están