PRÉSENTATION DE LA BIOINFORMATIQUE · 2017. 5. 26. · 07/10/2013 1 PRÉSENTATION DE LA...
Transcript of PRÉSENTATION DE LA BIOINFORMATIQUE · 2017. 5. 26. · 07/10/2013 1 PRÉSENTATION DE LA...
-
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