Využití internetových databází v Využití internetových databází v DNA diagnosticeDNA diagnostice

MUDr. Marek TurnovecMUDr. Marek Turnovec

Ústav biologie a lékařské genetikyÚstav biologie a lékařské genetikyUK 2. LF a FN MotolUK 2. LF a FN Motol

Pondělí 5. listopadu 2012Pondělí 5. listopadu 2012

Specializační odborná stáž v molekulární geneticeSpecializační odborná stáž v molekulární genetice

OsnovaOsnova

● základní pojmy, historiezákladní pojmy, historie

● databázové modely, relační databáze, SQLdatabázové modely, relační databáze, SQL

● klient-server, webklient-server, web

● sekvenční a genomové databáze, variace, NGSsekvenční a genomové databáze, variace, NGS

● lokus-specifické databáze, proteinové databázelokus-specifické databáze, proteinové databáze

● OMIM, PubMed, Entrez, API, toolkityOMIM, PubMed, Entrez, API, toolkity

● cytogenetické databázecytogenetické databáze

● klinicko-genetické databáze, Orphanetklinicko-genetické databáze, Orphanet

● databáze laboratoří v ČRdatabáze laboratoří v ČR

Definice pojmu „databáze“Definice pojmu „databáze“

● uspořádaná uspořádaná množina informacímnožina informací na paměťovém na paměťovém médiumédiu

● dnes obvykle v dnes obvykle v elektronické/digitální podoběelektronické/digitální podobě● systém pro správu datsystém pro správu dat

● ukládáníukládání● získávánízískávání● vyhledávánívyhledávání● (odstraňování)(odstraňování)● filtrování, sestavy, výpočty, statistika, etc.filtrování, sestavy, výpočty, statistika, etc.

● Create● Read● Update● Delete

„„Analogové“ databázeAnalogové“ databáze

obrázky: sxc.hu

● Různé seznamy – např. soupis adres, telefonní Různé seznamy – např. soupis adres, telefonní seznamseznam

● KatalogyKatalogy● Kartotéka („lístkovnice“) - 18. století, Carl LinnéKartotéka („lístkovnice“) - 18. století, Carl Linné● Děrné štítky, děrné páskyDěrné štítky, děrné pásky

Elektronické/digitální databázeElektronické/digitální databáze

● Elektromechanické stroje zpracovávaly děrné štítky již na Elektromechanické stroje zpracovávaly děrné štítky již na konci 19. stoletíkonci 19. století

● 1890 – sčítání lidu v USA1890 – sčítání lidu v USA

● Další rozvoj od poloviny 20. století společně s vývojem Další rozvoj od poloviny 20. století společně s vývojem počítačůpočítačů

● 1960 – COBOL1960 – COBOL● 1965 – síťové databáze pro sálové počítače1965 – síťové databáze pro sálové počítače● 1970 – E. F. Codd – relační databáze1970 – E. F. Codd – relační databáze● 1975 – SQL1975 – SQL

Univac 1108, rok 1964(Zdroj Wikipedia)

SŘBD?

Databázové modelyDatabázové modely

● „„plochý“ - flatplochý“ - flat● hierarchickýhierarchický● síťovýsíťový● relačnírelační● objektovýobjektový

SŘBD = systém řízení báze dat

DBMS = database management system

Flat fileFlat filevzorek jméno mutace1 mutace2

1 Jan N. F508del nenalezena

2 Petr V. F508del F508del

3 Eva M. nenalezena nenalezena

4 Josef P. CFTR del2,3 nenalezena

Relační modelRelační modelvzorek jméno mutace1 mutace2

1 Jan N. 2 1

2 Petr V. 2 2

3 Eva M. 1 1

4 Josef P. 3 1

mutace_id mutace_nazev

1 nenalezena

2 F508del

3 CFTR del2,3

CSV – comma separated valuesCSV – comma separated values

Příklady relačníchPříklady relačníchdatabázových systémůdatabázových systémů

● DB2 (IBM)DB2 (IBM)● InformixInformix● OracleOracle● Sybase SQL ServerSybase SQL Server● MySQL / MariaDBMySQL / MariaDB● PostgreSQLPostgreSQL● Microsoft SQL ServerMicrosoft SQL Server● JET Engine (Microsoft Office JET Engine (Microsoft Office AccessAccess))

SQL - SQL - SStructured tructured QQuery uery LLanguageanguage

SELECT * FROM SELECT * FROM vysledkyvysledky WHERE WHERE vzorekvzorek=1;=1;

SELECT * FROM SELECT * FROM vysledkyvysledky WHERE WHERE mutace1mutace1="nenalezena" AND ="nenalezena" AND mutace2mutace2="nenalezena";="nenalezena";

SELECT vzorek FROM SELECT vzorek FROM vysledkyvysledky WHERE WHERE mutace1mutace1="F508del" OR ="F508del" OR mutace2mutace2="F508del";="F508del";

INSERT INTO INSERT INTO vysledkyvysledky ( (vzorekvzorek, , jmenojmeno, , mutace1mutace1, , mutace2mutace2)) VALUES ("5", "Tereza M.", "nenalezena", "nenalezena") VALUES ("5", "Tereza M.", "nenalezena", "nenalezena")

vzorek jméno mutace1 mutace2

1 Jan N. F508del nenalezena

2 Petr V. F508del F508del

3 Eva M. nenalezena nenalezena

4 Josef P. CFTR del2,3 nenalezena

tabulka "vysledky"

NoSQL databázeNoSQL databáze

● pro dotazy se nepoužívá jazyk SQLpro dotazy se nepoužívá jazyk SQL● pro uchování velkých objemů dat, kde relace pro uchování velkých objemů dat, kde relace

nejsou tak důležiténejsou tak důležité● každý záznam může mít různou strukturukaždý záznam může mít různou strukturu● dobře škálovatelné (replikace na více strojů)dobře škálovatelné (replikace na více strojů)● kde se používají: Google, Amazon, Facebook, kde se používají: Google, Amazon, Facebook,

Twitter...Twitter...● CouchDB, MongoDBCouchDB, MongoDB

Nejrozšířenější databáze na světě... MS Excel :-)Nejrozšířenější databáze na světě... MS Excel :-)

● nějaký pěkný obrázek Excelu?nějaký pěkný obrázek Excelu?

Architektura klient-serverArchitektura klient-server

● Databáze běží centrálně na serveru● jednodušší správa (např. zálohování)● menší nároky na klientské počítače

● Přístup možný z více míst současně

Online a webové databázeOnline a webové databáze

● architektura klient-serverarchitektura klient-server● možnost přístupu odkudkolivmožnost přístupu odkudkoliv● obvykle stačí obyčejný prohlížečobvykle stačí obyčejný prohlížeč● API pro přístup z jiných systémůAPI pro přístup z jiných systémů

Genomové databázeGenomové databáze

● databáze tzv. referenčních sekvencídatabáze tzv. referenčních sekvencí● data z laboratoří z celého světa jsou zasílána data z laboratoří z celého světa jsou zasílána

do jedné ze 3 databází:do jedné ze 3 databází:● EMBL-Bank (Cambridge) - EMBL-Bank (Cambridge) - www.ebi.ac.uk/emblwww.ebi.ac.uk/embl● GeneBank (USA) - GeneBank (USA) - www.ncbi.nlm.nih.gov/genbankwww.ncbi.nlm.nih.gov/genbank● DDBJ (Japonsko) -DDBJ (Japonsko) - www.ddbj.nig.ac.jpwww.ddbj.nig.ac.jp

● dohoda na společném/kompatibilním formátudohoda na společném/kompatibilním formátu● obsah databází se každý den synchronizujeobsah databází se každý den synchronizuje

International Nucleotide Sequence International Nucleotide Sequence Database Collaboration Database Collaboration

www.insdc.orgwww.insdc.org

● ENA/EMBL/EBIENA/EMBL/EBI● European Nucleotide ArchiveEuropean Nucleotide Archive● European Molecular Biology LaboratoryEuropean Molecular Biology Laboratory● European Bioinformatics InstituteEuropean Bioinformatics Institute

● GeneBank / NCBI / NIHGeneBank / NCBI / NIH● National Center for Biotechnology InformationNational Center for Biotechnology Information● National Institute of HealthNational Institute of Health

● DDNJDDNJ● DNA Databank of JapanDNA Databank of Japan

„„Genome browsers“Genome browsers“

● slouží k prohlížení dat z genomových databázíslouží k prohlížení dat z genomových databází● „„stand-alone“ aplikacestand-alone“ aplikace● „„web-based“web-based“

● Ensembl (Sanger Institute a EBI)Ensembl (Sanger Institute a EBI)www.ensembl.orgwww.ensembl.org

● NCBI Map ViewerNCBI Map Viewerwww.ncbi.nlm.nih.gov/projects/mapviewwww.ncbi.nlm.nih.gov/projects/mapview

● UCSC Genome BrowserUCSC Genome Browsergenome.ucsc.edugenome.ucsc.edu

ArgoArgo

www.broadinstitute.org/annotation/argo/

EnsemblEnsembl

Ensembl – Homo SapiensEnsembl – Homo Sapiens

Ensemble Genomes (2009)Ensemble Genomes (2009)

BioMart

Download dat

Human Genome ProjectHuman Genome Project

● mezinárodní projekt pro určení sekvence mezinárodní projekt pro určení sekvence celého lidského genomu a mapování všech asi celého lidského genomu a mapování všech asi 20000 genů20000 genů

● 1990 zahájení projektu, plán byl na 1990 zahájení projektu, plán byl na 15 let15 let● rozpočet rozpočet 3 miliardy USD3 miliardy USD● 2000 první pracovní verze lidského genomu2000 první pracovní verze lidského genomu● 2003 „konečná“ verze2003 „konečná“ verze● 2006 sekvence posledního chromosomu (1) 2006 sekvence posledního chromosomu (1)

publikována v publikována v NatureNature

www.ncbi.nlm.nih.gov/snpwww.ncbi.nlm.nih.gov/snp

● spuštěno 1998, jako doplněk k GenBankspuštěno 1998, jako doplněk k GenBank

● databáze variací:databáze variací:● SNP (single nucleotide polymorphism)SNP (single nucleotide polymorphism)● short indels (insertion/deletion)short indels (insertion/deletion)● STR (short tandem repeat)STR (short tandem repeat)● MNP (multinucleotide polymorphism)MNP (multinucleotide polymorphism)● heterozygotní sekvenceheterozygotní sekvence● pojmenované variantypojmenované varianty

● přes 50 různých druhůpřes 50 různých druhů

● pro člověka více než 187 miliónů záznamůpro člověka více než 187 miliónů záznamů

● data je možné stáhnout pomocí FTPdata je možné stáhnout pomocí FTP

www.hapmap.orgwww.hapmap.org

● 2002 zahájení projektu2002 zahájení projektu

● USA, Kanada, VB, Čína, Japonsko, NigérieUSA, Kanada, VB, Čína, Japonsko, Nigérie

● 269 jedinců:269 jedinců:● 30x dítě + oba rodiče z Nigérie30x dítě + oba rodiče z Nigérie● 30x dítě + oba rodiče z Evropy30x dítě + oba rodiče z Evropy● 44 nepříbuzných Japonců (Tokyo)44 nepříbuzných Japonců (Tokyo)● 45 nepříbuzných Chanů 45 nepříbuzných Chanů

● SNP s frekvencí vyšší než 1 %SNP s frekvencí vyšší než 1 %

● možnost data stáhnout,možnost data stáhnout,prohlížeč na stránkách projektuprohlížeč na stránkách projektu

obrázky: Wikimedia Commons

http://www.broadinstitute.org/scientific-community/science/programs/medical-and-population-genetics/haploview/haploview

Win/Mac//Linux (Java)

www.1000genomes.orgwww.1000genomes.org

● 2008 – zahájení2008 – zahájení● cíle:cíle:

● nejpodrobnější databáze genetických variacínejpodrobnější databáze genetických variací● do 3 let osekvenovat celý genom alespoň 1000 do 3 let osekvenovat celý genom alespoň 1000

jedincůjedinců

● současný stav: osekvenovat 2000 genomůsoučasný stav: osekvenovat 2000 genomů

Next-generation sequencing (NGS)Next-generation sequencing (NGS)

● Sanger („old generation“) - dideoxynukleotidySanger („old generation“) - dideoxynukleotidy● pyrosekvenování (454)pyrosekvenování (454)● Solexa/Illumina – reverzibilní ukončující bázeSolexa/Illumina – reverzibilní ukončující báze● SOLiD Sequencing – ligaceSOLiD Sequencing – ligace● polovodičové sekvenování (Ion Torrent, Ion polovodičové sekvenování (Ion Torrent, Ion

Proton)Proton)

Genetický kódGenetický kódPrvní báze Druhá báze Třetí báze

U C A G

U UUU - fenylalanin UUC - fenylalanin UUA - leucin UUG - leucin

UCU - serin UCC - serin UCA - serin UCG - serin

UAU - tyrozin UAC - tyrozin UAA - stop kodön UAG - stop kodón

UGU - cystein UGC - cystein UGA - stop kodón UGG - tryptofan

UCAG

C CUU - leucin CUC - leucin CUA - leucin CUG - leucin

CCU - prolin CCC - prolin CCA - prolin CCG - prolin

CAU - histidin CAC - histidin CAA - glutamin CAG - glutamin

CGU - arginin CGC - arginin CGA - arginin CGG - arginin

UCAG

A AUU - isoleucin AUC - isoleucin AUA - isoleucin AUG - methionin

ACU - threonin ACC - threonin ACA - threonin ACG - threonin

AAU - kys. asparagová AAC - kys. asparagová AAA - lysin AAG - lysin

AGU - serin AGC - serin AGA - arginin AGG - arginin

UCAG

G GUU - valin GUC - valin GUA - valin GUG - valin

GCU - alanin GCC - alanin GCA - alanin GCG - alanin

GAU - kys. asparagová GAC - kys. asparagová GAA - kys. glutamová GAG - kys. glutamová

GGU - glycin GGC - glycin GGA - glycin GGG - glycin

UCAG

UniProtUniProt

● Universal Protein resourceUniversal Protein resource● Konsorcium:Konsorcium:

● EBIEBI● Swiss Institute of BioinformaticsSwiss Institute of Bioinformatics● Protein Information ResourceProtein Information Resource

www.uniprot.orgwww.uniprot.org

Specifické databázeSpecifické databáze

● Cystic Fibrosis Mutation DatabaseCystic Fibrosis Mutation Databasegenet.sickkids.on.cagenet.sickkids.on.ca

http://www.cftr2.org/

Z českých luhů a hájůZ českých luhů a hájů

Mendelian Inheritance in Men (MIM)Mendelian Inheritance in Men (MIM)

● katalog všech známých katalog všech známých genetických onemocněnígenetických onemocnění

● odkazy na geny (jsou-li známé)odkazy na geny (jsou-li známé)● Victor A. McKusickVictor A. McKusick● 1. vydání – 19661. vydání – 1966● 12. vydání – 199812. vydání – 1998● fenotypy i genyfenotypy i geny● až na pár výjimek neobsahuje až na pár výjimek neobsahuje

chromosomální aberacechromosomální aberace

Victor A. McKusickFoto: Wikipedia

MIM kódyMIM kódy1. číslice Rozsah Dědičnost

1 100000–199999 AD (před 1994)

2 200000–299999 AR (před 1994)

3 300000–399999 X-vázaná

4 400000–499999 Y-vázaná

5 500000–599999 mitochontriální

6 600000– AD (po 1994)

Symbol Význam

* gen o známé sekvenci

# fenotyp

+ gen + fenotyp

% fenotyp, lokus, ale ne sekvence

žádný symbol mendelovská dedičnost nejistá

^ odstraněný či přesunutý záznam

Online Mendelian Inheritance in MenOnline Mendelian Inheritance in Men

● online verze spravovaná NCBIonline verze spravovaná NCBI● časté aktualizacečasté aktualizace● oproti tištěné verzi více odkazů (do jiných oproti tištěné verzi více odkazů (do jiných

databází, literatura...)databází, literatura...)● těsné propojení na další služby NCBI (PubMed, těsné propojení na další služby NCBI (PubMed,

MapViewer...) MapViewer...)

www.ncbi.nlm.nih.gov/omimwww.ncbi.nlm.nih.gov/omim

PubMedPubMed

● online přístup do databáze MEDLINEonline přístup do databáze MEDLINE((MedMedical ical LiLiterature Analysis and Retrieval System Onterature Analysis and Retrieval System Onlineline))

● články od roku 1950články od roku 1950● asi 5000 časopisů (i některé české)asi 5000 časopisů (i některé české)● pro lepší výsledky hledání nutné jisté znalosti:pro lepší výsledky hledání nutné jisté znalosti:

● MeSH slovník, limitování a kombinování MeSH slovník, limitování a kombinování dotazů, etc.dotazů, etc.

www.ncbi.nlm.nih.gov/pubmedwww.ncbi.nlm.nih.gov/pubmed

EntrezEntrez

● portál pro vyhledávání v mnoha portál pro vyhledávání v mnoha biomedicínských databázíchbiomedicínských databázích

● sekvence (DNA, RNA), geny, variantysekvence (DNA, RNA), geny, varianty● proteiny a jejich strukturaproteiny a jejich struktura● OMIM, OMIAOMIM, OMIA● články v odborných časopisechčlánky v odborných časopisech● monografiemonografie

www.ncbi.nlm.nih.gov/Entrez

Bio* toolkityBio* toolkity

● BioPerl (1995)BioPerl (1995)● BioPython (1999)BioPython (1999)● BioJava (1999)BioJava (1999)

POSSUM WebPOSSUM Web

● dysmorfologická databázedysmorfologická databáze● >3000 syndromů>3000 syndromů● metabolické, chromosomální, skeletální i metabolické, chromosomální, skeletální i

vícečetné vadyvícečetné vady● aktualizace každý měsícaktualizace každý měsíc● fotografie, rtgfotografie, rtg● přístup přes web, nutný hardwarový klíčpřístup přes web, nutný hardwarový klíč● roční předplatné roční předplatné $300$300

www.possum.net.auwww.possum.net.au

London Medical DatabasesLondon Medical Databases

● The Winter-Baraitser Dysmorphology Database (WBDD)The Winter-Baraitser Dysmorphology Database (WBDD)

● více než 4450 syndromů – dysmorfologie, vícečetné vrozené více než 4450 syndromů – dysmorfologie, vícečetné vrozené vady, monogenní choroby, mikrodeleční syndromy, mentální vady, monogenní choroby, mikrodeleční syndromy, mentální retardaceretardace

● fotografie, možnost vyhledávání dle příznakůfotografie, možnost vyhledávání dle příznaků

● The Baraitser-Winter Neurogenetics Database (BWND)The Baraitser-Winter Neurogenetics Database (BWND)

● přes 4000 neurogenetických syndromůpřes 4000 neurogenetických syndromů● kromě fotografií i CT, MRI, EEGkromě fotografií i CT, MRI, EEG

● The London Ophthalmic Genetics Database (GENEEYE)The London Ophthalmic Genetics Database (GENEEYE)

● 2750 oftalmologických stavů s genetickým pozadím2750 oftalmologických stavů s genetickým pozadím

● £600 za 1 databázi, další updaty £200 ročně£600 za 1 databázi, další updaty £200 ročně

Seznam syndromůSeznam syndromů

Popis syndromuPopis syndromu

PříznakyPříznaky

Vyhledávání podle příznakůVyhledávání podle příznaků

LiteraturaLiteratura

Obrazová dokumentaceObrazová dokumentace

asi 20000 obrázků:fotografie, RTG,CT, MRI, EEG,mikrofotografie...

OrphanetOrphanet

● mezinárodní portál pro vzácná onemocnění mezinárodní portál pro vzácná onemocnění ((rare diseasesrare diseases) a „léčivé přípravky pro léčbu ) a „léčivé přípravky pro léčbu vzácných onemocnění“ (vzácných onemocnění“ (orphan drugsorphan drugs))

● vzácné onemocnění – vzácné onemocnění – prevalence < 1:2000prevalence < 1:2000● původně vznikl ve Francii, dnes projekt na původně vznikl ve Francii, dnes projekt na

Evropské úrovniEvropské úrovni● chtějí se připojit další země – Kanada, chtějí se připojit další země – Kanada,

Japonsko, Maroko...Japonsko, Maroko...● spolupráce na nové revizi MKNspolupráce na nové revizi MKN

www.orpha.net

Co Orphanet nabízí?Co Orphanet nabízí?

● 5954 vzácných onemocnění (k dubnu 2012)5954 vzácných onemocnění (k dubnu 2012)● ≈≈ polovina encyklopedicky zpracovanýchpolovina encyklopedicky zpracovaných

● klasifikaceklasifikace● léčiva pro vzácná onemocnění – ve všech léčiva pro vzácná onemocnění – ve všech

fázích vývoje/výrobyfázích vývoje/výroby● adresáře:adresáře:

● expertní klinická pracovištěexpertní klinická pracoviště● diagnostické a genetické laboratořediagnostické a genetické laboratoře● pacientské organizacepacientské organizace

www.orphanet.cz

Cytogenetické databázeCytogenetické databáze

● ECARUCA ECARUCA - - European Cytogeneticists Association European Cytogeneticists Association Register of Unbalanced Chromosome AberrationsRegister of Unbalanced Chromosome Aberrations

cytogenetické nálezy + klinické příznakycytogenetické nálezy + klinické příznaky

http://umcecaruca01.extern.umcn.nl:8080/ecaruca/http://umcecaruca01.extern.umcn.nl:8080/ecaruca/

● DECIPHERDECIPHER - - Database of Chromosomal Imbalance Database of Chromosomal Imbalance and Phenotype in Humans Using Ensembl Resourcesand Phenotype in Humans Using Ensembl Resources

získává data z různých bioinformatických zdrojů v získává data z různých bioinformatických zdrojů v souvislosti s nerovnováhou nalezenou u konkrétního souvislosti s nerovnováhou nalezenou u konkrétního pacientapacienta

http://decipher.sanger.ac.uk/http://decipher.sanger.ac.uk/

Databáze laboratoří v ČRDatabáze laboratoří v ČR

● cytogenetickécytogenetické laboratoře laboratoře● kontaktní údaje, prováděná vyšetřeníkontaktní údaje, prováděná vyšetření

● molekulárně-genetické molekulárně-genetické laboratořelaboratoře● kontaktní údajekontaktní údaje● vyšetřované geny, včetně OMIM kóduvyšetřované geny, včetně OMIM kódu● informace o akreditaci/certifikaci, kontrole kvalityinformace o akreditaci/certifikaci, kontrole kvality

● pracoviště pracoviště klinické genetikyklinické genetiky

www.slg.cz/pracovistewww.slg.cz/pracoviste

www.eddnal.com

GeneTestsGeneTests

● GeneReviewsGeneReviews● Laboratory DirectoryLaboratory Directory● Clinic directoryClinic directory● Educational materialsEducational materials

http://www.ncbi.nlm.nih.gov/sites/GeneTests/http://www.ncbi.nlm.nih.gov/sites/GeneTests/

Děkuji za pozornost.Děkuji za pozornost.

marek.turnovec@lfmotol.cuni.czmarek.turnovec@lfmotol.cuni.cz

marek@turnovec.czmarek@turnovec.cz