07/10/2013

1

PRÉSENTATION DE LA BIOINFORMATIQUEO. CollinCNRS – IRISA – GenOuest7 octobre 2013

Warming session• Poser le décor pour les 3 jours• Mise en évidence et mise en relation des éléments clés• Réflexions sur quelques points importants

• Tour de table • Nom

• Activité

• Attente vis-à-vis de cette session d’introduction

07/10/2013

2

INTRODUCTION

Définition• Wikipedia

• Concepts et techniques nécessaires à l’interprétation informatique de l’information biologique

• Champ de recherche multi-disciplinaire

• Volet recherche (élaboration de nouvelles méthodes) et volet service (analyse de données assurée par/sur les plates-formes).

07/10/2013

3

Histoire de la bioinformatique• Intimement liée à la Biologie Moléculaire• Mais également aux progrès en traitement de

l’information• http://www.dipity.com/cistronic/BioInformatics/

Evolution de la bio-informatique Ouzounis. Rise and demise of bioinformatics? Promise and progress. PLoS Comput Biol (2012) vol. 8 (4) pp. e1002487

07/10/2013

4

LE PAYSAGE DE LA BIOINFORMATIQUE

Acteurs de la bioinformatique• Bioinformatics Internship• Bioinformatics Postdoc• Bioinformatics Analyst (I, II, III)• Senior Bioinformatics Analyst• Bioinformatics Analyst Programmer (I, II, III)• Bioinformatics Developer Senior• Bioinformatics Developer• Bioinformatician (I, II, III)• Bioinformatics Expert• Bioinformatics Systems Administrator• Bioinformatics Research Fellow• Bioinformatics Research Assistant• Bioinformatics Research Associate• Bioinformatics Scientist (Researcher)• Bioinformatics Senior (Staff) Scientist• Bioinformatics Project Manager• Director (Head) of Bioinformatics

http://www.biostars.org/p/398/

07/10/2013

5

Acteurs de la bioinformatique

Biologiste

Informaticien

Bio-informaticien Administrateur système

Bio-informaticien

Bio-analyste

Analyse les données produites en amont

Développe de nouvelles méthodes ou de nouveaux outils

Installe les outils pour l’analyse et maintient les systèmes de calcul

Produit les données pour réponde à une question biologique

Développeur logiciel

Acteurs de la bioinformatique

Biologiste

Informaticien

Bio-informaticien Administrateur système

Bio-informaticien

Bio-analyste

Analyse les données produites en amont

Développe de nouvelles méthodes ou de nouveaux outils

Installe les outils pour l’analyse et maintient les systèmes de calcul

Produit les données pour réponde à une question biologique

Développeur logiciel

R R

I

I I

07/10/2013

6

La bioinformatique à l’IRISA/INRIA• Symbiose : un centre de ressources en bio-informatique

– Deux équipes de recherche (Dyliss et Genscale)

– Une plate-forme bio-informatique : GenOuest

• Profiter du savoir-faire et de l’infrastructure d’un centre de recherche en informatique.

• Une association unique en France

Mission/vocation

Plate-forme bio-informatique

Recherche en Biologie

Recherche en Biologie

Recherche en informatique

Recherche en informatique

07/10/2013

7

Soutien recherche

Services

Infrastructure

Calcul, DéveloppementHébergement, FormationsTransfert technologique

Puissance de calcul, logithèqueStockageBanques de données mises à jour

Rôle central et fédérateur

Développements technologiques

e-Biogenouest

Calcul

Grille Cloud

Données

genocloudGRISBI

BioMAJ

Metadonnées

EMME

Portail

MobyleNet

Web services

Opal Toolkit

Galaxy

Collaboratif

Elgg

Cluster

genocluster

Workflows BioSide

BioWIC

ADT INRIA

Ontologies

HubzeroOpenLDAP

Biologie intégrative

SeqCrawler

07/10/2013

8

GenOuest

• Plate-forme bioinformatique• Puissance de calcul• Stockage• Banques• Hébergement• Formations

• Un environnement bioinformatique complet

GenOuest en chiffres• 2 clusters : 500 CPUs• Stockage : 60 To + 20 To + 60 To• 150 logiciels • 82 banques (5,5 To) • 250 utilisateurs authentifiés• 200 000 jobs par mois en 2011• 12 ingénieurs (développeurs, bioanalystes, sysadmins)• Certifiée ISO9001:2008 depuis 2008

07/10/2013

9

Environnement

Données Logiciel Interface

Calcul

Environnement

Utilisateur

Machines

Données Logiciel Interface

Calcul

07/10/2013

10

Environnement

Banques Utilisateur

Machines

Données Logiciel Interface

Calcul

BioMAJ

PHP DRMAA

Ligne cde

Mobyle

Galaxy

Environnement

Banques Utilisateur

Machines

Données Logiciel Interface

Calcul

BioMAJ

PHP DRMAA

Ligne cde

Mobyle

Galaxy

07/10/2013

11

Qu’est-ce qu’un environnement bio-informatique ? • Quelque chose qui offre la possibilité d’analyser ses

données• Données digitales • Environnement informatique

• Système d’exploitation

• Outils et données de référence

• Possibilité de développer de nouveaux outils

Données Résultats

« Bio »

« Bioinfo »

« Info »

Question biologique

07/10/2013

12

CONTEXTE Un contexte pas facile mais palpitant…

ContexteFoisonnement de logiciels et de ressources en bioinformatique

• Bio-Linux 7 (nov 2012) : plus de 500 logiciels

• Nucleic Acids Research Database Issue 2013 :• 1512 bases répertoriées par NAR• (Nucl. Acids Res. (1 January 2013)41 (D1): D1-

D7.doi: 10.1093/nar/gks1297)

• Bioinformatics links directory (http://bioinformatics.ca/links_directory/)•1459 outils

07/10/2013

13

Contexte

Kahn. On the future of genomic data. Science (2011) vol. 331 (6018) pp. 728-9

Comment affronter ces problèmes ?• Connaître des logiciels de base• Connaître des banques généralistes et leur mode

d’interrogation• Automatisation des traitements pour lutter contre l’afflux

de données• Connaissances d’un environnement adapté (Windows pas

forcément adapté)

• Evoluer au sein d’un réseau de compétences• Les problèmes sont trop compliqués pour être affrontés seul(e).

07/10/2013

14

CONCEPTS

Concepts• Analyse de données avec l’outil bioinformatique

• Enchaînement de programmes

Données Résultats

Données RésultatsP1

Paramètres P1

Sortie 1 Pn

Paramètres Pn

Entrée n…

07/10/2013

15

Concepts

• Problèmes d’utilisation• Enchaînement de programmes : savoir quels programmes utiliser

• Format des données : outils de conversion

• Manipulation de fichiers : compliqué si beaucoup de données

• Automatisation : scripting ou développement

Données Résultats

Données RésultatsP1 Sortie 1 PnEntrée n…

Données : séquences, bases, banques

07/10/2013

16

FORMATS DE SÉQUENCES

Une jungle de formats • Formats « originels »

• Issus des banques de séquences : GenBank, EMBL, SwissProt, PDB, etc.

• Formats liés aux outils • Staden, Fasta, Phylip, etc.

• Formats enrichis • Génome : GFF

• Nouveaux formats liés aux NGS• BED

• SAMs

07/10/2013

17

Formats « originels » • GenBank• Conçu pour être lisible et pour proposer différentes

informations sur la séquence : annotations, bibliographie. • Format texte• Identifiants • // à la fin de l’enregistrement

07/10/2013

18

Formats liés à un outil• Packages : Staden, GCG• Suite logicielle : Phylip• Programme alignement : ClustalW

Outil de conversion est indispensable : seqret de la suite Emboss

GFF3• Annotations génomiques• Format tabulé• 9 colonnes

07/10/2013

19

GFF3 : Generic Feature Format 3

##gff-version 3##sequence-region ctg123 1 1497228ctg123 . gene 1000 9000 . + . ID=gene00001;Name=EDENctg123 . TF_binding_site 1000 1012 . + . Parent=gene00001ctg123 . mRNA 1050 9000 . + . ID=mRNA00001;Parent=gene00001ctg123 . mRNA 1050 9000 . + . ID=mRNA00002;Parent=gene00001ctg123 . mRNA 1300 9000 . + . ID=mRNA00003;Parent=gene00001ctg123 . exon 1300 1500 . + . Parent=mRNA00003ctg123 . exon 1050 1500 . + . Parent=mRNA00001,mRNA00002ctg123 . exon 3000 3902 . + . Parent=mRNA00001,mRNA00003ctg123 . exon 5000 5500 . + . Parent=mRNA00001,mRNA00002,mRNA00003ctg123 . exon 7000 9000 . + . Parent=mRNA00001,mRNA00002,mRNA00003ctg123 . CDS 1201 1500 . + 0 ID=cds00001;Parent=mRNA00001ctg123 . CDS 3000 3902 . + 0 ID=cds00001;Parent=mRNA00001

BED• Annotations génomiques• Développé pour le Genome Browser UCSC• 3 champs impératifs• 9 champs optionnels

07/10/2013

20

BED

browser position chr7:127471196-127495720browser hide alltrack name="ItemRGBDemo" description="Item RGB demonstration" visibility=2itemRgb="On"chr7 127471196 127472363 Pos1 0 + 127471196 127472363 255,0,0chr7 127472363 127473530 Pos2 0 + 127472363 127473530 255,0,0chr7 127473530 127474697 Pos3 0 + 127473530 127474697 255,0,0chr7 127474697 127475864 Pos4 0 + 127474697 127475864 255,0,0chr7 127475864 127477031 Neg1 0 - 127475864 127477031 0,0,255chr7 127477031 127478198 Neg2 0 - 127477031 127478198 0,0,255chr7 127478198 127479365 Neg3 0 - 127478198 127479365 0,0,255chr7 127479365 127480532 Pos5 0 + 127479365 127480532 255,0,0chr7 127480532 127481699 Neg4 0 - 127480532 127481699 0,0,255

SAM : Sequence Alignment/Map• Format pour alignement des reads• Proposé dans le cadre des 1000 génomes• Format tabulé

• Sa forme indexée = BAM• http://samtools.sourceforge.net/SAM1.pdf

Li et al. The Sequence Alignment/Mapformat and SAMtools. Bioinformatics(2009) vol. 25 (16) pp. 2078-9

07/10/2013

21

Conclusion sur formats• Grande diversité• Evolution constante• Besoin de convertisseurs

BANQUES

07/10/2013

22

Bases et banques• Quantité croissante des banques : 1380 env.

• NAR : http://www3.oup.co.uk/nar/database/c

• Multiplicité des bases (et des formats) : défi pour l’intégration des données• Hétérogénéité des données

• Hétérogénéité de structure des bases

• Certains champs ou propriétés non interrogeables

• Métabanques

Evolution

0,0020000000,0040000000,0060000000,0080000000,00

100000000,00120000000,00140000000,00160000000,00

Feb

198

6 M

ar 1

988

Mar

199

0 J

un 1

992

Feb

199

4 A

ug 1

995

Feb

199

7 A

ug 1

998

Apr

200

0 O

ct 2

001

Apr

200

3 O

ct 2

004

Apr

200

6 O

ct 2

007

Apr

200

9 O

ct 2

010

Apr

201

2

Entries

Entries

0,00

20000000000,00

40000000000,00

60000000000,00

80000000000,00

100000000000,00

120000000000,00

140000000000,00

160000000000,00

Aug

198

6 D

ec 1

988

Sep

199

1 D

ec 1

993

Oct

199

5 A

ug 1

997

Aug

199

9 J

un 2

001

Apr

200

3 F

eb 2

005

Dec

200

6 O

ct 2

008

Aug

201

0

Base Pairs

Entries

GenBank : 560 Go

07/10/2013

23

Typologie des banques• Banque généraliste :

• GenBank• SwissProt

Banque spécialisée :organisme

• MGD Mouse Genome Database• FlyBase

Banque spécialisée : thème

• InterPro• EPD eukaryotic promoter

database

• Banque spécialisée : métabolisme

• KEGG• EcoCyc

Banque spécialisée :interactions

• DIP• BIND

Banque spécialisée : famille

• PKR: protein kinase resource• RNA 16S

07/10/2013

24

Difficultés

• Le souci principal est l’hétérogénéité des données:• hétérogénéité des données

• hétérogénéité de structure des bases

• Certains champs ne sont pas interrogeables.

Percolation

ctattcctta attaatgtct acatggctat ttttaatgtt attactgttt gtcactataaaaaaacgctc atttgagaca atactgacat taactgcttc aacttctacg cacggaacttttaattaaat tagcacagga atgttaaatt taatanacaa aaggttattt cgctgtatgataaaaaaaac c

Une séquence : « Putative dinosaur genomic DNA, partial sequence »XXU41319

Résultats : Score ESequences producing significant alignments: (bits) Value

gi|1171159|gb|U41319.1|XXU41319 Putative dinosaur genomic D... 311 3e-82 gi|48994873|gb|U00096.2| Escherichia coli K-12 MG1655 compl... 258 4e-66 gi|1800040|dbj|D90890.1| E.coli genomic DNA, Kohara clone #... 258 4e-66 gi|1800027|dbj|D90889.1| E.coli genomic DNA, Kohara clone #... 258 4e-66 gi|56384585|gb|AE005174.2| Escherichia coli O157:H7, comple... 234 6e-59 gi|47118301|dbj|BA000007.2| Escherichia coli O157:H7 DNA, c... 234 6e-59 gi|11340291|emb|AL359633.15| Human DNA sequence from clone ... 42 0.44 gi|56542470|gb|AE008692.1| Zymomonas mobilis subsp. mobilis... 40 1.8 gi|45381968|emb|AL109844.14|HSJ636L22 Human DNA sequence fr... 40 1.8 gi|42733300|emb|AL929056.20| Zebrafish DNA sequence from cl... 40 1.8 gi|5777575|emb|AL078463.11|HSJ365I19 Human DNA sequence fro... 40 1.8 gi|47115352|emb|CR407567.2| Human DNA sequence from clone R... 40 1.8 gi|32451243|emb|BX537114.2| Human DNA sequence from clone R... 40 1.8

07/10/2013

25

Merali et Giles. Databases in peril. Nature (2005) vol. 435 (7045) pp. 1010-1

Effet silo et autres…

• Les banques de données biologiques intègrent les données par domaine (verticalement) mais pas entre les domaines (horizontalement).

• Ce qui est un obstacle à l’intégration des données est également un obstacle à la soumission des données.

• 1300 bases de données répertoriées dans NAR Database Issue.

• Plus facile d’obtenir des crédits pour monter une nouvelle base que pour la maintenir….

07/10/2013

26

Synthèse

DONNÉES EXPÉRIMENTALES

07/10/2013

27

Meta-données• Organiser la connaissance pour exploiter au mieux les

données.• (une méta-donnée concerne un ensemble de données)

• Permettent de pérenniser les données • Ce sont aussi des données qu’il faudra traiter comme

telles (production, gestion, protection, etc.)

Métadonnée

Identifiant

Structure

Description

Admin

Données

Localisation et identification garantie par l’unicité de l’id

Aspects techniques (formats de fichiers), provenance, gestion des droits.

Organisation des fichiers de données pour constituer un ensemble cohérent.

Qui, quoi, comment…

07/10/2013

28

Ontologies• Une ontologie est une spécification explicite d’une

conceptualisation (Gruber 1993)• Conceptualisation : vision abstraite et simplifiée du monde • Une description des concepts et des relations entre les

éléments constituants cette vision abstraite du monde.• Permet le partage et la réutilisation des connaissances

grâce à un langage commun • Classifier les données et les informations

Ontologies in Life Science• In life sciences, there is a strong need for semantic

interoperability of data• OBO ontologies (Open Biomedical Ontologies)

• Each ontology is specialized in a subdomain: anatomy, sequences, chemicals, processes, etc.

• Each ontology is built independantly but designed to interoperate

• No conceptual integration (even if the covered domains are connected from a scientific point of view)

• Need for an upper level ontology

http://www.obofoundry.org/

07/10/2013

29

Alignements

Analyse de séquences• Alignement

• Recherche dans les banques

• Comparaison de séquences

• Découverte de motifs

• Etc.

• Etape pivot dans les workflows bioinformatiques

07/10/2013

30

Alignements• Alignement global

• Algorithme “Needleman et Wunsch”

• Utile pour les séquences homologues

• Chaque base (ou résidu) d'une séquence doit être appariée avec une autre base (ou résidu) ou bien avec un espace (gap)

• Alignement local• Algorithme “Smith et Waterman”

• Capable de trouver des domaines ou des motifs même quand les séquences n'ont que très peu de similarité

• Trouve le meilleur segment d'appariement entre deux séquences sans utiliser pour cela toutes les bases (ou résidus) de la séquence

Needleman-Wunsch

• Propose un alignement mathématiquement optimal• Exigeant en calcul : le remplissage de la matrice est

proportionnel à MN• Séquences de 100 résidus : 10 000 • Séquences de 200 résidus : 40 000

07/10/2013

31

Smith-Waterman• Algorithme “Smith et Waterman”• Capable de trouver des domaines ou des motifs même

quand les séquences n'ont que très peu de similarité• Trouve le meilleur segment d'appariement entre deux

séquences sans utiliser pour cela toutes les bases (ou résidus) de la séquence

Qualité des alignements• Landan et Graur. Heads or tails: a simple reliability check

for multiple sequence alignments. Mol Biol Evol (2007) vol. 24 (6) pp. 1380-3

07/10/2013

32

Balibase• Un outil de test des programmes d’alignement de

séquences• Oxbench, Prefab, SABmark

UtilisationEdgar et Batzoglou. Multiple sequence alignment. Curr Opin Struct Biol(2006) vol. 16 (3) pp. 368-73

07/10/2013

33

Similarité/HomologieSi 2 séquences sont très similaires, on considère qu’elles sont homologues.

Homologie est une propriété binaire (homologue/non homologue)

Protéine: 25-30% d’identité -> homologie

DNA : 70% d’identité -> homologie

Impact struct primaire/struct secondaire

> 30% identité -> structure 3D est conservée

Mais pas toujours…

Alignements multiples

Thompson, J. D., F. Plewniak and O. Poch. "A Comprehensive Comparison of Multiple Sequence Alignment Programs." Nucleic Acids Res 27, no. 13 (1999): 2682-90.

Progressif: ajout des séquences une à une

Iteratif: raffinage de l’alignement jusqu’à obtention d’un optimal

07/10/2013

34

Exemple : Muscle

Edgar, Robert C. "Muscle: Multiple Sequence Alignment With High Accuracy and High Throughput." NucleicAcids Res 32, no. 5 (2004): 1792-97.

Alignement multiple

07/10/2013

35

Synthèse

Recherche dans banques• Outils de recherche

• Fasta

• Ssearch

• Blast

07/10/2013

36

Blast• Basic Local Alignment Seach Tool• Idée : Si deux séquences sont similaires, elles doivent

posséder des mots exacts en commun• On cherche donc ces mots exacts (graines) et on étend

l’alignement• La recherche des mots exacts accélère le processus de

recherche.

Blastn ADN/ADN Mapping oligonucléotides, EST, répétitions. Identification transcripts.

Blastp Prot/Prot Identification régions communes entre protéines. Collecte de protéines pour analyse

Blastx Prot/Nuc Découverte de gènes codants dans des génomes

Tblastn Nuc/Nuc Identification des transcripts pour une protéine. Mapper une protéine sur de l’ADN génomique

Tblastx Nuc/Nuc Prédiction de gènes inter-espèces. Recherche de gènes ayant échappé aux recherches standard.

07/10/2013

37

Fonctionnement de Blast• Il utilise une heuristique pour éliminer les séquences non

pertinentes afin de réduire les temps de recherche. • Le programme cherche au début des mots de longueur

fixée W (3 acides aminés ou 11 nucléotides) donnant un score T après comparaison avec une matrice de substitution. Les mots trouvés sont ensuite allongés dans les deux directions afin de trouver un alignement dont le score dépasse le score seuil S.

• Les paramètres W et T sont fixés par l'utilisateur.

http://www.ncbi.nlm.nih.gov/Education/BLASTinfo/BLAST_algorithm.html

07/10/2013

38

Rappel• SW : algorithme précis• Blast : approximatif

Utilisation de Blast en local• Téléchargement des binaires• Banques pré-formatées• Utilitaire formatdb

Fichierfasta

Blastall

Requête

Résultats

Formatdb

Banque « blastable »

07/10/2013

39

Alignements et scores• Problème de l’établissement des scores:• utilisation de matrices pour les protéines

• PAM (Point Accepted Mutation), Dayhoff• BLOSUM (BLOck Scoring Matrix), Henikoff

• BLOSUM meilleure pour des alignements locaux

PAM• Margaret Dayhoff 1978 • PAM: Point Accepted Mutation• Analyse d’alignement de séquences proches (+ de 74%

d’identité)• Probabilité de substitution • PAM1 = 1% de divergence• PAM40 = 40% de divergence

• Biais car protéines très proches

07/10/2013

40

Blosum62• Produite à partir d’alignement de protéines identiques à

62%

• Blosum * : si * grandit alors distance diminue • (contrairement à PAM)

07/10/2013

41

Score avec Blosum

Autres matrices

http://www.genome.jp/aaindex/AAindex/list_of_matrices

07/10/2013

42

Motifs et profilsAlignements de séquences :

� Représentation par séquence consensus

�Représentation par signature/motif

�Représentation par profil

Pour un alignement, pour chaque colonne on précise la fréquence de chaque résidu

Exemple : PROSITE, BLOCKS

Motif

ADLGAVFALCDRYFQSDVGPRSCFCERFYQADLGRTQNRCDRYYQADIGQPHSLCERYFQ

[AS]-D-[IVL]-G-x4-{PG}-C-[DE]-R-[FY]2-Q

07/10/2013

43

Bases de motifs

http://prosite.expasy.org//

http://www.bioinf.manchester.ac.uk/dbbrowser/PRINTS/index.php

http://pfam.sanger.ac.uk/

http://prodom.prabi.fr/prodom/current/html/home.php

Profils

L’utilisation des profils est une méthode très sensible pour

découvrir des relations entre séquences très distantes.

Par rapport aux méthodes conventionnelles de comparaison de

séquences, on n’utilise pas qu’une seule séquence pour la

requête mais un profil élaboré à partir d’une famille de séquences.

Information d’un profil :

� résidu / position

� positions importantes (hautement conservée)

� régions d’insertion

Cette description est basé sur un système de scores dépendant des positions. On conserve ainsi l’information sur le degré de conservation pour différentes positions de l’alignement.

07/10/2013

44

Recherche/découverte de motifs

Pattern matching ou recherche de motifs

Le motif est connu

On part d’un motif, résultats = séquences contenant le motif

Appariement avec des séquences.

Pattern discovery ou découverte de motifs

Le motif est inconnu

On part de séquences, résultats = motifs contenu dans les séquences

Alignement de séquences.

Expressivité• Niveaux de complexité très différents dans la définition des motifs :

• Précis, non ambigüe,

• ex : codon start, site de restriction, etc.

• Flous, complexes,

• ex : motif lié à des familles protéiques, les TFBS, etc.

Le motif sera alors “écrit” de différentes façons ...

07/10/2013

45

ExpressivitéComplexité des structures primaires très inégale en acidesnucléiques (alphabet de 4 lettres) et acides aminés (20 lettres)

Structure primaire souvent suffisante pour les motifs protéiques pour caractériser un site biologiquement actifmême s’il est ambigu à certaines positions. La recherche par similarité dans les banques fonctionne bien pour identifier des motifs protéiques conservés.

Par contre la faible complexité des motifs nucléiques fait quela définition en terme de structure primaire est souventinsuffisante. Il y a souvent besoin de plus d'informations pour décrire ces motifs : utilisation des représentations de motifs les plus expressives

Motifs nucléiques

Séquence consensus

T A A CCCC T T T T AAAA TTTT A AA AA AA A TTTT G G GG G GG G GG G G C

07/10/2013

46

Motifs nucléiques

[TCG] [ATG] [AC] C [AT] [AT] [AT] [ATC] [ATG] [AT] G G [TCG] [AC]

Motif (séquence) consensusUtilisation du code IUPAC

Motifs nucléiques

31/05/07 92

Pour mieux voir la conservation des colonnes de l’alignement avec WebLOGO.

07/10/2013

47

PWM et PSSM• PWM : Position Weight Matrix = Table de fréquence• PSSM : Position Specific Matrix = Profil

prend en compte les différentes fréquences des bases pour chaque position.

définit la probabilité d'apparition des bases pour chaque position du motif

Utilisées dans les banques Transfac ou Jaspar.

07/10/2013

48

Bioinformatique structurale

07/10/2013

49

Objectif Méthodes Outils

Initiation d’une classification et d’une modélisation

Prédiction de structure secondaire

JPred, Predict-Protein

Vérifier l’aptitude d’une séquence à présenter un repliement connu, identification homologies structurales éloignées

Threading 3D-PSSM, PhD, 123D+

Construction d’un modèle grâce à une homologie avec des structures déjà connues

Modélisation par homologie

Modeller, SWISS-MODEL

Vérification de l’exactitude du modèle par rapport à la séquence

Vérification du modèle VERIFY-3D, PROCHECK, WHAT IF

Prédire une structure 3D à partir de la séquence (car pas d’homologue)

Modélisation ab-initio ROSETTA, RAMP

Structure secondaire• Hélice alpha• Feuillet bêta• Boucle (loop)• Coil

07/10/2013

50

Prédiction structure IIaire• Méthodes statistiques

• Probabilité pour qu’un résidu soit dans la structure secondaire considérée.

• Méthode Chou-Fasman

• Méthodes stats + informations additionnelles• Propriétés physico-chimiques des résidus

• Méthodes d’apprentissage• Réseaux de neurones

07/10/2013

51

Penser aux protéines désordonnées• N’adoptent pas de structure à l’état natif• Adoptent une structure avec leur ligand

07/10/2013

52

Structure tertiaire• Ab initio (forget it)• Détermination de la structure par threading• Détermination de la structure par homologie

07/10/2013

53

Threading• Utilisation de bibliothèques de repliement

• SCOP, CATH

• PDB : 35000 structures• 750-1500 structures différentes

Nombre de nouveaux repliements identifiés dans SCOPRouge : nombre totalBleu : nouveaux

07/10/2013

54

Homologie• Un bon alignement est le point de départ…

07/10/2013

55

Automatisation

07/10/2013

56

“mes séquences”

Fichier SéquencenomFichier nomSequence

effaceFichier() analyseSequence()deplaceFichier()

Système d'exploitationUnix, Windows, MacOS Programme bioinformatique

formatSequence

Bien identifier les choses

07/10/2013

57

Démarche 1• Savoir ce qu'on veut faire :

- enchaînement des traitements• Savoir ce qu'on peut faire :

- lire les documentations (RTFM ;-) • Connaître les programmes

- utilisation de la ligne de commande- connaissance des paramètres

• Savoir se débrouiller dans un environnement non graphique- commande du DOS- shell Unix- connaître un éditeur

• Expérimenter et déboguer à petite échelle

Démarche 2• Savoir ce qu'on veut faire :

• enchaînement des traitements

• Savoir ce qu'on peut faire :• lire les documentations (RTFM ;-)

• Connaître les programmes• connaissance des paramètres

• Utiliser un portail et des workflows

07/10/2013

58

Workflow• Objectifs du workflow scientifique

• Automatiser les tâches répétitives de gestion et d’analyse des données

• Quelques actions fréquemment trouvées dans les workflows • Accès aux données, planification, génération, transformation,

aggrégation, analyse, visualisation• Conception, test, partage, déploiement, exécution, reutilisation

Workflows scientifiques

• Transformation de données• Caractéristiques des données: volume, complexité,

heterogenéité• Caractère distribué

• Du calcul

• Des données

• Intégration des données, des outils et des analyses

07/10/2013

59

Besoins

• Outils de conception pour des utilisateurs finaux• Facilité – Interface simple d’emplois qui masque les

opérations complexes • Réutilisabilité des workflows • Suffisamment générique pour servir différentes

communautés mais suffisamment spécifique pour bienservir un domaine.

• Utilisable par un expert également : possibilitésd’extension

• Enregistement et publication des données et des résultatsainsi que les workflows : traçabilité et provenance

Propriétés

• Détection d’erreurs et récupération sur erreur• Journalisation pour chaque workflow• Permettre la gestion des données et leur intégration• Permettre en temps réel de vérifier l’état des workflows

ainsi que leur mise à jour• Visualisation• Accès aux données grâce à des metadonnées• Certification, confiance, sécurité

07/10/2013

60

Interface utilisateur• Evite l’apprentissage d’un langage de programmation• Représentation visuelle des tâches du workflow• Permet de suivre l’exécution du workflow• Permet d’interagir avec le workflow • Permet le partage des workflows

GESTION DE PROJET BIOINFORMATIQUE

07/10/2013

61

Généralités• Projet

• Une tâche devant être réalisée avec des ressources limitées en un temps donné

• Un objectif bien précis• Des ressources• Un délai

Projet bioinformatique• Visualiser le projet• Décomposer• Ressources à affecter• Boîte à outils

07/10/2013

62

Visualiser le projet • Avoir une vue d’ensemble du projet pour pouvoir le

subdiviser en tâches ou groupes de tâches élémentaires • Mindmapping : cartes heuristiques

• Exemple : Logiciel gratuit Freemind

• Utilisation de gestionnaires de projet • Diagrammes de Gantt

Décomposer le projet• Décomposer le projet en tâches

• Plus facile à gérer

• Pipelines élémentaires • Input > Traitement > Output > Extraction de connaissance

• Penser au contrôle qualité

07/10/2013

63

Identifier et affecter les ressources• Affecter une ressource à chaque tâche

• Ressource = RH

• Ressource = équipement

• Ressource = Logiciel

Boîte à outils logicielle• Construire sa boîte à outil logicielle

• Programmes

• Scripts

• Penser « générique » et réutilisation• Organiser son environnement

07/10/2013

64

Avantage du mode gestion de projet• Eviter de se noyer• Conserver le cap

• Référence intéressante :Noble, W. S. A quick guide to organizing computational biology projects. PLoS computational biology 5, e1000424 (2009).

• Référence amusante • http://ivory.idyll.org/blog/data-management.html

CONCLUSION

07/10/2013

65

Conclusion• La biologie évolue• La bio-informatique devient un outil• Les projets deviennent de plus en plus ambitieux• Il faut intégrer la bioinformatique au cœur des projets

Références

Understanding bioinformaticsZvelebil & BaumGarland Science Publishing 2008