Upload
abella-siguenza
View
294
Download
2
Embed Size (px)
Citation preview
Alineamiento de secuenciasO (m × n)
Alineamiento de secuencias
Dot-plot (Gibbs and McIntyre, 1970)
Alineamiento de secuencias
2.- Se escribe la secuencia A en la fila superior y la secuencia B (longitud = n) en la columna de la izquierda.
El algoritmo
3.- Se construye una matriz con m columnas y n filas (m n).
4.- Se compara cada letra de la secuencia A con cada letra de la secuencia B. Si coinciden los caracteres se marca esa posición con un punto. Si no, se deja en blanco.
1.- Se necesitan dos secuencias: A (de longitud = m) y B (de longitud = n).
Alineamiento de secuencias
Construcción de la matriz
Alineamiento de secuencias
Rellenado de la matriz
Alineamiento de secuencias
Características del dot plot
- Es un método visual que detecta todas las coincidencias posibles entre dos secuencias. Es tarea del investigador determinar cuáles son relevantes.
- No proporciona un alineamiento de las secuencias pero nos da una idea de qué regiones deberían estar alineadas después de utilizar cualquiera de los otros métodos y nos puede ayudar a decidir cuál es el alineamiento óptimo.
- Detecta relaciones entre las secuencias, o dentro de una misma secuencia que, de otra forma, serían muy difíciles de encontrar
Alineamiento de secuenciasSecuencia horizontal: gen/proteína c2 del fago P22Secuencia vertical: gen/proteína cI del fago
Como sólo hay 4 nucleótidos, aparecen muchas coincidencias por mero azar que generan ruido
DNA
Como hay 20 aminoácidos, hay muchas menos coincidencias por
azar y presenta mucho menos ruido
Proteína
DNA vs. proteína
Alineamiento de secuencias
Filtrado de los datos
Se puede eliminar el ruido mediante un filtrado- Secuencia horizontal: gen c2 del fago P22- Secuencia vertical: gen cI del fago
Sin filtrar Tras aplicar un filtro
Alineamiento de secuencias
Reducción del ruido: filtrado mediante ventanas deslizantes
Se colocará un punto en la posición correspondiente al centro de la ventana cuando entre ambas
ventanas exista, como mínimo, el número de coincidencias indicado
por el parámetro r.
La ventana deslizante se define mediante dos parámetros:
- TAMAÑO (t): es el número de símbolos que abarca la ventana. Suele ser 15 en el caso del DNA y 2 ó 3 en el caso de proteínas.
- RIGOR (r): es el mínimo número de coincidencias que debe haber entre las dos ventanas para colocar un punto en la matriz
(t = 11 y r = 7)
Ventanas deslizantes
Alineamiento de secuencias
Ejemplo de la reducción del ruido
Secuencia horizontal: gen c2 del fago P22
Secuencia vertical: gen cI del fago
(t = 1 y r = 1)
(sin filtrado)
(t = 11 y r = 7) (t = 23 y r = 15)
Alineamiento de secuencias
Valores apropiados para los parámetros de filtrado
En general, hay que utilizar una ventana del tamaño del elemento que quiero localizar
- Al comparar secuencias de ácidos nucleicos:
- Se utilizan ventanas largas y con rigor elevado (t = 15 y r = 10, por ejemplo)
- Al comparar secuencias de proteínas:
- Muchas veces no se filtra la matriz (t = 1 y r = 1).
- Si intento buscar dominios cortos con similitud parcial en secuencias largas usaré una ventana larga y un rigor medio (t = 20 y r = 5, por ejemplo)
- A la hora de filtrar se pueden utilizar matrices de puntuación o se puede tener en cuenta la similitud entre las cadenas laterales de los aminoácidos.
- Si se filtra, se utilizan ventanas cortas con un rigor muy pequeño: (t = 2 y r = 2), (t = 3 y r = 2)
Alineamiento de secuenciasSe coloca la secuencia A en la parte superior y la secuencia
B en el costado izquierdo. Se coloca un punto allí donde ambas coordenadas contengan un mismo símbolo.
Es un método visual que detecta rápidamente todas las coincidencias
- Las regiones similares aparecen como diagonales (puede haber más de una)
- Los indel provocan desplazamientos de la diagonal (en sentido vertical u horizontal)
- Las transposiciones y las secuencias repetidas aparecen como diagonales paralelas a la principal
- Las repeticiones inversas y las secuencias palindrómicas aparecen como líneas perpendiculares a la diagonal principal
- Las regiones con poca complejidad aparecen como regiones con una elevada densidad de puntos
Lo que se puede detectar con un dot-plot
Alineamiento de secuencias
Comparación de dos secuencias similares
(de DNA o de proteína), pero no idénticas
Alineamiento de secuencias
Dominios conservados
- La diagonal principal corresponde a las regiones similares que pueden alinearse
- Los huecos corresponden a las regiones que no son similares y que no podrían alinearse
Diagonal principal
Huecos- Con frecuencia, estas regiones corresponden a dominios proteicos conservados
Alineamiento de secuencias
Indels (insertion/deletions)
- Un indel provoca un desplazamiento de la diagonal
- El desplazamiento de la diagonal es paralelo a la secuencia que presenta la inserción
- Comparando cDNA con el DNA genómico, se pueden identificar los intrones y los exones
Región insertada
Alineamiento de secuencias
Secuencia repetida en tándem
Región repetida
Región repetida
Región repetida
- Una región repetida provoca un solapamiento en las diagonales
Alineamiento de secuencias
Repetición invertida o secuencia palindrómica
- Una repetición invertida o una secuencia palindrómica provoca una línea perpendicular a la diagonal
Alineamiento de secuencias
Comparación de una secuencia
consigo misma (de DNA o de proteína)
Alineamiento de secuencias
- Aparece una diagonal de lado a lado
- Hay simetría respecto a esa diagonal
- Las líneas paralelas a ambos lados de la diagonal corresponden a repeticiones de la secuencia.
- Las áreas con alta densidad de puntos son repeticiones cortas de un mismo nucleótido o aminoácido (regiones de poca complejidad)
- Se ve mejor con un filtrado
Comparación de una secuencia consigo misma (1)
- Las repeticiones invertidas o las secuencias palindrómicas aparecen como líneas perpendiculares a la diagonal principal
(Receptor LDL humano)
Alineamiento de secuenciasRegión de poca
complejidad
Comparación de una secuencia consigo misma (2)
Receptor LDL humano
(sin filtrar)
(t = 1 y r =1) (t = 23 y r =7)
Factor de transcripción
humano
Receptor LDL humano (filtrado)
Regiones repetidas
Repeticiones invertidas
(t = 1 y r =1)
Alineamiento de secuenciasProteína SLIT de Drosophila melanogaster
Secuencias repetidas
- En el extremo amino hay 4 regiones repetidas, ricas en leucina (A)
- Hay otro dominio que se repite unas 6 veces en un tramo pequeño y otra vez más cerca del extremo carboxilo (B). Es el dominio EGF.
Alineamiento de secuencias
Repetición en tándem
Repetición en tándem de un
fragmento de la secuencia
…ABCDEFGEFGHIJKLMNO…
Alineamiento de secuencias
En las repeticiones invertidas (inverted repeats), dos segmentos distintos de la doble hélice se leen igual, pero en sentidos opuestos:
Repeticiones invertidas
5' AGAACAnnnTGTTCT 3'3' TCTTGTnnnACAAGA 5'
Alineamiento de secuencias
Repeticiones invertidas
- Secuencias implicadas en la unión de los factores de transcripción
- Estructuras secundarias (stem-loop) del RNA (horquillas de terminación de la transcripción)
- Transposones de plantas
Las repeticiones invertidas se pueden encontrar en:
- Genes de retrovirus insertados en el genoma del huésped
- Genes duplicados
Alineamiento de secuenciasHorquilla de terminación en la secuencia del gen UTP-
glucosa-1-fosfato uridililtransferasa de Bacillus subtilis
- En las regiones con apareamientos locales (estructuras stem-loop) la secuencia directa coincide con la de la hebra complementaria escrita en sentido inverso
Repeticiones invertidas
Alineamiento de secuencias
Secuencias palindrómicas
En las secuencias palindrómicas, la secuencia de una hebra se lee igual que la de su hebra complementaria:
5' GGCC 3'3' CCGG 5'
Alineamiento de secuencias
Secuencias palindrómicas
- Secuencias reconocidas por enzimas de restricción:
Las secuencias palindrómicas se pueden encontrar en:
Alineamiento de secuencias
Regiones con poca complejidad
Receptor LDL humano
- Las regiones de baja complejidad aparecen como zonas con una elevada densidad de puntos
Alineamiento de secuencias
Regiones con poca complejidad
Proteína P21997 (UniProtKB/Swiss-Prot)
- En las regiones de poca complejidad hay un aminoácido que se repite mucho más de lo normal. En este caso es la prolina.
- En el dot plot, estas regiones aparecen como cuadrados con una elevada densidad de puntos.
Alineamiento de secuencias
Comparación de una secuencia de proteína con
su gen de DNA
Alineamiento de secuencias
Identificación de los intrones y exones
- Secuencia horizontal: gen J05545.1 - Secuencia vertical: proteína P60204 (una calmodulina)
- Al comparar un gen con su producto proteico se pueden diferenciar los exones y los intrones.
* En rojo: exones.
* En azul: intrones.
- También se pueden diferenciar intrones y exones al comparar un cDNA, una EST (expressed sequence tag) o un mRNA con el DNA genómico
Alineamiento de secuencias
El programa Dotlet
http://myhits.isb-sib.ch/cgi-bin/dotlet
Alineamiento de secuencias
El programa Dnadot
http://www.vivo.colostate.edu/molkit/dnadot/
Alineamiento de secuencias
El programa Dotter
Descárgate el programa (varias plataformas)
http://sonnhammer.sbc.su.se/Dotter.html
Alineamiento de secuencias
El programa Dottup
http://emboss.bioinformatics.nl/cgi-bin/emboss/dottup