Bases de dados de interesse biológico

(1)

18

18--99--20062006 LEBM LEBM --BioinformáticaBioinformática 11

Bases de dados de

interesse biológico

Pedro Fernandes

Instituto Gulbenkian de Ciência

Oeiras, Portugal

18-9-2006 LEBM - Bioinformática 2

Bases de dados em Biologia

Antes do aparecimento da

Biologia Molecular

– Bases de dados taxonómicas

– Colecções biológicas

– Observações de campo

– Bases de dados de bibliografia científica

(2)

Era pré-computacional

Margaret Dayhoff e a sua famosa publicação

Com a Biologia Molecular

A comunidade científica apercebeu-se

– da real dimensão dos conjuntos de dados a que tinha

acesso e da sua complexidade

– dos requisitos computacionais

– do que a Biologia iria representar em termos de

organização de informação e de aquisição de

conhecimentos

(3)

Alguns marcos históricos

IBM ASCI White >10 TeraFLOPS CRAY CDC 6600 9 MegaFLOPS Pascaline 1646 1909 Heredity Mendel’s laws 1965 1953 1984 1989 1956 DNA Structure (Watson and Crick) Insulin Sequence (F. Sanger) Atlas of Protein Sequences (M. Dayhoff) 1969 ARPANET 1975 1977 1980 1982 1986 Polymerase Chain Reaction (PCR) INTERNET 1990 World Wide Web 1990 BLAST Dolly 1997 2000 2000 1964 2000 1924 IBM 1970 Algorithm of Needlemann & Wunsch Bioinformática Computação Biologia 2004 2004

figura por David Perret, 4ESB, 2006

Guardar, organizar, aceder

1984, Livros na prateleira

2006, Discos junto a um

cluster computacional

(4)

Tipologia de bases de dados de

interesse biológico

Conteúdo:

Bibliografia

Sequências

Alinhamentos e Homologia

Funcionais e Clínicas

Genomas e Proteomas

Divisão temática de bases de

dados de interesse biológico

Sequências: nucleotídicas , RNA, Proteínas

Estruturais

Genómicas (não-vertebrados)

Vias Metabólicas e de Sinalização (Signaling)

Genomas (Humano e de outros vertebrados)

Genes Humanos e Doenças

Dados de Microarrays e Expressão Génica

Proteomica

Biologia Molecular (outras)

Organelos

(5)

O interesse das bases de

dados em Biologia aumenta

Se forem

– acessíveis pela www

– indexadas

– instaláveis localmente (actualização)

– interligadas

– integradas

Com Bioinformática, a utilização de

bases de dados de proteínas permite

-

Detectar num conjunto de proteínas uma possível relação

evolutiva, se existir

-

Detectar semelhanças locais que permitam atribuir função

-

Explorar estruturas tridimensionais preditas ou encontradas

experimentalmente e com elas predizer o papel de proteínas

-

Explorar possíveis interacções de proteínas com proteínas ou de

proteínas com outras moléculas

-

Explorar a possibilidade de desenhar “inspiradamente” novas

proteínas para fins específicos

-

Explorar a possibilidade de modificar proteínas existentes,

modificando as suas funções

(6)

A Biologia, uma grande fonte

de informação?

Há 10

11

galáxias no Universo observável

Há 4 x 10

22

estrelas no Universo observável

P: Quantos grãos de areia tem esta praia?

R: Assumindo que a praia tem 5km x 500m x 5m e que um grão de

areia tem 1 micron de diâmetro, a praia terá 12.5x10

25

partículas

Conhecemos cerca de 10

5

mas as regras que conhecemos fazem

prever que poderão formar-se 10

66

espécies moleculares

diferentes, a maioria delas com um papel biológico relevante

Tipos de bases de dados com

sequências biológicas

Primárias: contêm dados laboratoriais

(sequências)

em registos revistos, validados e comentados

em registos gerados automaticamente

Secundárias: de padrões, resultantes

de análises de material das primárias

(7)

Bases de dados primárias

– Entradas submetidas pelos investigadores,

revistas e validadas

– Com “accession number” único por entrada

De Nucleótidos (N):

– Genbank, EMBL, DDBJ

– Sincronizadas (depósito em paralelo)

De Proteinas (P):

– Swissprot, PIR, PDB

Crescimento de bases de dados primárias N

0 10000 20000 30000 40000 50000 60000 70000 T h o u s a n d s

This morning the EMBL Database contained 147,008,211,912 nucleotides in 80,547,851 entries.

Breakdown by entry type:

Entry Type

Entries

Nucleotides

Change in 1 year

Standard

62,390,422 66,454,995,726

+20%

Constructed (CON)

842,91

n/a

Third Party Annotation (TPA)

5,125

335,604,561

+ 1M

Whole Genome Shotgun (WGS)

17,309,390

80,217,611,625

+ 80%

17 Set 2006

http://www3.ebi.ac.uk/Services/DBStats/

(8)

Crescimento de bases de dados primárias P

http://au.expasy.org/sprot/relnotes/relstat.html

Crescimento de bases de dados primárias P

PDB: base de dados primária de

proteínas com informação estrutural

(de origem experimental e obtida

com modelos)

(9)

O dilúvio de informação vem

Dos projectos de sequenciação de

genomas

Dos projectos de Proteómica

De experimentação de alto débito:

– Microarrays

– Arrays de Proteínas

– Teste paralelizado de fármacos

– Outros testes em larga escala

O tamanho dos genomas

ORGANISMO

CROMOSOMAS

Tam. GENOMA

# GENES

Homo sapiens

23 3,200,000,000

~ 30,000

Mus musculus

20 2,600,000,000

~30,000

D. melanogaster

4 180,000,000

~18,000

Sa. cerevisiae

16 14,000,000

~6,000

Zea mays

10 2,400,000,000

???

(10)

O déficit de conhecimento

Podemos, em certos casos, predizer propriedades de protínas e até a

sua função a partir do conhecimento da estrutura.

Quase nunca se consegue fazer o mesmo com apenas a sequência.

Sabemos mais de sequências do que de estrutura (e função)

Conhecemos 50*10

6

_{sequências nucleotídicas (EMBL) , das quais 22*10}

6

são ESTs.

Conhecemos 35*10

3

_{estruturas de proteínas (PDB), das quais apenas}

_8*10

3

estão confirmadas experimentalmente (NMR, difracção dos raios X, etc.)

O rácio é 28*10

6

_{/ 8*10}

3

_{(> 3*10}

3

₎

Em proteínas conhecemos

194*10

3

_{sequências (Swissprot)}

O rácio é 194*10

3

_{/ 8*10}

3

_{(> 24)}

Melhoramentos

N

não-redundante:

RefSeq

– Publicada pelo NCBI como a Genbenk

– Contém mRNA, “Contigs” genómicos,

traduções conhecidas, etc.

– Contém registos que provêm da

anotação de genomas

(11)

Melhoramentos

P

não-redundante:

RefSeqP

– Base de anotação funcional para o

projecto do Genoma Humano

– Suporte básico para o

Dogma Central da Biologia Molecular

Subconjuntos

TrEMBL – Translated EMBL

Nº de registos

2,105,517

Complemento da Swissprot com sequências de

proteínas que se sabe resultarem da tradução de

sequências nucleotídicas entradas na EMBL

SpTrEMBL –

Sequências de proteínas prontas a entrar na

Swissprot. Por exemplo, a aguardar uma evidência

experimental

RmTrEMBL –

Sequências de proteínas que não vão

entrar na Swissprot: fragmentos, sequências sintéticas, etc.

(12)

Primárias unificadas

UNIPROT (EBI, Dec 2003)

Base de dados de proteínas unificada e

não-redundante, resultante da reunião

supervisionada de:

SwissProt, TrEMBL e PIR

Nº de registos: ~2M

Primárias unificadas

UNIParc (UNIPROT Archive, EBI, Jan 2005)

Base de dados de proteínas unificada e

não-redundante, resultante da reunião

supervisionada de:

UniProtKB/Swiss-Prot, UniProtKB/TrEMBL, PIR-PSD, EMBL,

Ensembl, IPI, PDB, RefSeq, FlyBase, WormBase, European

Patent Office proteins, United States Patent and Trademark

Office (USPTO) e Japan Patent Office

(13)

A interoperabilidade

Tem obrigado a que o formato mais prático de usar

seja o de “FLAT FILE”, um formato de texto em

que os registos são constituídos por linhas que

começam com um código que indica o tipo de

informação que a linha contém.

É arcaico mas muito fácil de manipular.

Tem vantagens de simplificação, mas obriga a um

esforço permanente de reformatação para

utilização com software específico.

Um registo na

EMBL

ID U83981 standard; RNA; HUM; 2331 BP.

AC U83981;

SV U83981.1

DT 29-JUN-1998 (Rel. 56, Created)

DT 04-MAR-2000 (Rel. 63, Last updated, Version 4)

DE Homo sapiens apoptosis associated protein (GADD34) mRNA, complete cds.

KW .

OS Homo sapiens (human)

OC Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi; Mammalia;

OC Eutheria; Primates; Catarrhini; Hominidae; Homo.

RN [1]

RP 1-2331

RX MEDLINE; 97298078.

RA Hollander M.C., Zhan Q., Bae I., Fornace A.J. Jr.;

RT "Mammalian GADD34, an apoptosis- and DNA damage-inducible gene";

"

XX

SQ Sequence 2331 BP; 543 A; 666 C; 712 G; 410 T; 0 other;

cccagttgtt gatcttatgc aagacgctgc acgaccccgc gcccgcttgt cgccacggca 60

cttgaggcag ccggagatac tctgagttac tcggagcccg acgcctgagg gtgagatgaa 120

cgcgctggcc tccctaaccg tccggacctg tgatcgcttc tggcagaccg aaccggcgct 180

cctgcccccg gggtgacgcg cagctcccag ccgcccagac acatggcccc aggccaagca 240

ccccatcagg ctaccccgtg gagggatgcc caccctttct tcctcctgtc cccagtgatg 300

ggcctcctca gccgcgcctg gagccgcctg aggggcctgg gacctctaga gccctggctg 360

gtggaagcag taaaaggagc agctctggta gaagctggcc tggagggaga agctaggact 420

(14)

Cabeçalho contendo a anotação

EMBL:U83981

ID U83981 standard; RNA; HUM; 2331 BP. XX

AC U83981; XX

SV U83981.1 XX

DT 29-JUN-1998 (Rel. 56, Created)

DT 04-MAR-2000 (Rel. 63, Last updated, Version 4) XX

DE Homo sapiens apoptosis associated protein (GADD34) mRNA, complete cds. XX

KW . XX

OS Homo sapiens (human)

OC Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi; Mammalia; OC Eutheria; Primates; Catarrhini; Hominidae; Homo.

XX RN [1] RP 1-2331

RX MEDLINE; 97298078.

RA Hollander M.C., Zhan Q., Bae I., Fornace A.J. Jr.;

RT "Mammalian GADD34, an apoptosis- and DNA damage-inducible gene"; RL J. Biol. Chem. 272(21):13731-13737(1997). XX RN [2] RP 1-2331 (more...)

EMBL

Cabeçalho contendo a anotação

LOCUS HSU83981 2331 bp mRNA linear PRI 07-JUL-1998 DEFINITION Homo sapiens apoptosis associated protein (GADD34) mRNA, complete cds. ACCESSION U83981

VERSION U83981.1 GI:3258617 KEYWORDS .

SOURCE Homo sapiens (human) ORGANISM Homo sapiens

Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi; Mammalia; Eutheria; Primates; Catarrhini; Hominidae; Homo. REFERENCE 1 (bases 1 to 2331)

AUTHORS Hollander,M.C., Zhan,Q., Bae,I. and Fornace,A.J. Jr. TITLE Mammalian GADD34, an apoptosis- and DNA damage-inducible gene JOURNAL J. Biol. Chem. 272 (21), 13731-13737 (1997)

MEDLINE 97298078 PUBMED 9153226

(15)

Registo na

EMBL

(sequência)

SQ Sequence 2331 BP; 543 A; 666 C; 712 G; 410 T; 0 other;

cccagttgtt gatcttatgc aagacgctgc acgaccccgc gcccgcttgt cgccacggca 60 cttgaggcag ccggagatac tctgagttac tcggagcccg acgcctgagg gtgagatgaa 120 cgcgctggcc tccctaaccg tccggacctg tgatcgcttc tggcagaccg aaccggcgct 180 cctgcccccg gggtgacgcg cagctcccag ccgcccagac acatggcccc aggccaagca 240 ccccatcagg ctaccccgtg gagggatgcc caccctttct tcctcctgtc cccagtgatg 300 ggcctcctca gccgcgcctg gagccgcctg aggggcctgg gacctctaga gccctggctg 360 gtggaagcag taaaaggagc agctctggta gaagctggcc tggagggaga agctaggact 420 cctctggcaa tcccccatac cccttggggc agacgccctg aagaggaggc tgaagacagt 480 .

.

cgggatcgca gccgcttcgc acgccgcatc acccaggccc aggaggagct gagcccctgc 2040 ctcacccctg ctgcccgggc cagagcctgg gcacgcctca ggaacccacc tttagccccc 2100 atccctgccc tcacccagac cttgccttcc tcctctgtcc cttcgtcccc agtccagacc 2160 acgcccttga gccaagctgt ggccacacct tcccgctcgt ctgctgctgc agcggctgcc 2220 ctggacctca gtgggaggcg tggctgagac caactggttt gcctataatt tattaactat 2280 ttattttttc taagtgtggg tttatataag gaataaagcc ttttgatttg t 2331 //

BD Bibliográficas

Acesso livre e universal

Títulos, autores,

palavras-chave, sumários, referências

12 M registos

Vocabulário controlado (MESH)

Pesquiza com ENTREZ

(16)

Vocabulário controlado MESH

Organização hieráriquica

Decisão consensual

Hemoglobin ou h

a

emoglobin?

NMR

é uma técnica de espectroscopia

Nuclear Magnetic Resonance

é uma técnica de imagiologia

Mais BD Bibliográficas

Web of Knowledge, ISI, b-on

PubCrawler (alertas)

(17)

BD Estruturais

Para cada proteína, as coordenadas 3D dos átomos tal como são

submetidas por experimentalistas (difracção dos raios X, NMR).

Estas coordenadas permitem a visualização como objecto gráfico

usando software apropriado (RasMol, Swiss PDB Viewer, VMD,

Chemscape Chime, etc.)

1FGB

ATOM 1 N ALA D 1 14.023 -18.754 3.091 1.00 14.50 N ATOM 2 CA ALA D 1 13.751 -18.777 4.557 1.00 13.42 C ATOM 3 C ALA D 1 12.429 -19.500 4.748 1.00 15.38 C ATOM 4 O ALA D 1 11.631 -19.583 3.809 1.00 15.75 O ATOM 5 CB ALA D 1 13.655 -17.368 5.099 1.00 12.17 C ATOM 6 N PRO D 2 12.204 -20.112 5.928 1.00 15.99 N ATOM 7 CA PRO D 2 10.940 -20.819 6.172 1.00 18.53 C ATOM 8 C PRO D 2 9.793 -19.836 6.031 1.00 18.62 C 18-9-2006 LEBM - Bioinformática 34