Resumo Bioinformática

Prévia do material em texto

Prova Bioinfo:
1. Explique as diferenças entre o RefSeq e o GenBank.
Em suma, as bases de dados primárias armazenam dados brutos e
redundantes, enquanto que, as secundárias, informações não redundantes, derivadas
das primárias, em que várias entradas da mesma sequência lá são mescladas, a fim de
criar uma única sequência na base de dados secundária com anotações extensas
derivadas de todas as informações disponíveis na sequência. Como já dito
anteriormente, o GenBank é uma base de dados primária e o RefSeq, secundária.
No GenBank é disponibilizada a sequência anotada de nucleotídeos e suas
traduções em proteínas. O RefSeq é um banco de dados de sequências de DNA, RNA
e suas proteínas, com grandes sequências de diversas espécies, apresentando
registros únicos para cada biomolécula para cada organismo, de genomas às
transcrições e produtos de tradução.
2. Explique as diferenças entre as matrizes Blosum e PAM.
As matrizes PAM (Acetilação de mutação pontual) nos mostram a probabilidade
de uma alanina alinhar-se com outra alanina. A hipótese tomada é a seleção natural,
logo, o padrão de mudança não é aleatório.
As matrizes BLOSUM são para regiões conservadas dentro do alinhamento de
proteínas não tão similares.
Comparando PAM vs. BLOSUM temos que altos valores da BLOSUM e baixos
valores de PAM são matrizes mais adequadas para estudo de proteínas mais
conservadas. Já baixos valores de BLOSUM e altos de PAM, para detectar proteínas
distantes que se relacionam. Na PAM a mutação diminui, enquanto que na BLOSUM, a
identidade.
3. Discuta sobre homologia e similaridade.
A homologia remete à ancestralidade compartilhada, identidade, aos mesmos
aminoácidos compartilhados e similaridade, às mesmas classes de aminoácidos.
4. Explique as razões de se utilizar a medida de e-value para avaliar os resultados do
Blast.
O “valor de esperança” compara resultados do alinhamento obtido com outros da base
de dados. Os e-value são gerados após vários testes e correspondem ao número
distinto de alinhamentos, com pontuação igual ou melhor, que se espera retornar na
busca por sequências similares aleatoriamente. Quanto menor o e-value, menor o
número de chances de uma determinada sequência ser alinhada aleatoriamente com
outras e, portanto, mais significante é o resultado.
8. Explique como mineração de dados pode ser empregada em problemas
Biológicos.
A mineração de dados explora banco de dados e extrai um padrão. Em aplicações
biológicas, um gene pode ser identificado através de certas sequências de
nucleotídeos na fita de DNA e, a partir disso, pode-se comparar diferentes organismos
em busca de homologia, por exemplo.
9. Discuta complexidade no contexto da Biologia de Sistemas.
A complexidade é essencial à biologia, ao funcionamento do nosso organismo e à
natureza. (remete à precisao*) - complexidade é definida como a condição de
elementos de um sistema e a relação entre esses elementos em um determinado
momento.
As bases de dados reúnem conteúdo bruto a partir do qual é possível gerar
informação e aplicá-la em determinado interesse.
As bases de dados primárias armazenam os resultados experimentais, os quais
podem conter alguma informação mais concreta, porém sem estarem organizados em
uma determinada coleção.
Existem três bancos de dados primários que contêm todos os sequenciamentos
gerados até agora. São esses: GenBank, EMBL e DDBJ.
As bases de dados secundárias contêm os dados curados, ou seja,
armazenados em coleções, sem redundância e derivados das bases de dados
primárias.
Quando buscas são realizadas, o Google Scholar retorna mais resultados que
o Pubmed, porém, este retorna um conjunto bem definido de periódicos, enquanto a
ferramenta do Google não é tão específica quanto a isso.
Os bancos de dados, como visto em aula, são úteis tanto na hora de auxiliar a
pesquisa, coletando informações para serem utilizadas ou verificando se o que está
sendo pesquisado já foi feito.
A quantidade de informações que se pode ter acesso através desses bancos e
os diversos recursos que se pode explorar nestes, fazem deles um importante aliado à
ciência e une laboratórios do mundo todo.
Quanto maior a nota do alinhamento, maior a probabilidade deste ser
verdadeiro. Pelo esquema de notas podemos organizar dados para comparação de
resultados. O esquema de cores nos mostra a polaridade dos aminoácidos, por
exemplo, importante para sabermos mais sobre a função da proteína.
A comparação de estruturas de proteínas pode nos fornecer dados sobre a
conservação destas. Comparando proteínas ortólogas, com sequências de organismos
diferentes, podemos observar como a proteína evolui. No caso das parólogas,
proteínas similares do mesmo organismo, pode-se fazer o mesmo.
As matrizes mostram a probabilidade de um resíduo de aminoácido ser
substituído por outro durante a divergência das sequências na evolução.
O algoritmo de programação dinâmica de Needleman & Wunsch (1970)
relaciona duas sequências numa matriz para alinhamento global, seguindo um caminho
diagonal e, se necessário, pode-se desviar o caminho verticalmente ou
horizontalmente, indicando a introdução de gaps. O sistema de notas penaliza se há
alinhamento errado, diminuindo o score.
Já o algoritmo de Smith & Waterman (1981) é para alinhamento local, ou seja,
seleciona regiões de alta similaridade entre as sequências. É um caso especial de
Wunsch; quando a nota diminui muito, o algoritmo para.
Comparando-se alinhamento local e global, temos que, enquanto o primeiro
identifica subsequências no genoma, o segundo faz uso de filogenias para comparar
substituição de aminoácidos.
As alternativas ao algoritmo de Smith e Waterman são o BLAST e FASTA. O
BLAST busca por pares de palavras usadas em vez de resíduos, selecionando os que
tenham a nota (score - S) maior que o corte (T). A avaliação dos alinhamentos obtidos
com o BLAST é feita por meio do E-value - “valor de esperança”, o qual compara
resultados do alinhamento obtido com outros da base de dados.
Referente ao programa Python, nesta aula, trabalhamos os conceitos de
strings, tuplas, listas e dicionários. As strings são utilizadas quando precisamos de
estruturas textuais, são letras, símbolos, espaços ou dígitos colocados entre aspas
simples ou duplas. As tuplas são sequências ordenadas de elementos que podem ser
de diferentes tipos, mas seus valores não podem ser trocados, são imutáveis. Já as
listas são sequências ordenadas de elementos, os quais podem ser alterados. É
possível realizar a conversão entre strings, tuplas e listas.
Os dicionários constituem um meio de guardar dados e obter informações de
uma maneira melhor e mais limpa, indexa o que nos interessa diretamente e podemos
utilizar uma única estrutura, sem listas separadas.
alinhamentos, sabemos que estes são comparações entre duas ou mais
sequências biológicas e que são fundamentais para a análise destas; buscam séries de
caracteres individuais que se encontram na mesma ordem nas sequências analisadas,
objetivando a melhor correspondência e criando gaps para que, ao final, todas as
sequências tenham o mesmo comprimento. Isto torna visualizável a similaridade e
identidade, ao mesmo tempo, diminui as diferenças.
BLAST (Basic Local Alignment Search Tool) é o mais importante quando se
trata de alinhamento local; este algoritmo visa comparar uma sequência alvo (query)
com as disponíveis nos banco de dados (target), fornecendo um valor de significância
estatística associada a essa comparação de similaridade (VERLI, 2014). A ideia
principal por trás da pesquisa do BLAST é que sequências homólogas provavelmente
contêm uma região de similaridade curta e de alta pontuação, chamada word ou hit (W)
(CHOUDHURI, 2014). O alinhamento local é representado pelos HSPs (high-scoring
segment pairs).
O alinhamento múltiplo utiliza duas ou mais sequências que são
completamente ou parcialmente alinhadas para encontrar a melhor combinação.
Presume-se a homologia de resíduos e também a posiçãoestrutural com base no
alinhamento, tendo em vista que os resíduos alinhados tendem a ocupar posições
correspondentes na estrutura tridimensional de cada proteína alinhada.
Características dos dados biológicos:
- Heterogeneidade; compostos por partes distintas
- Complexidade* de relacoes; a complexidade é essencial à biologia, ao
funcionamento do nosso organismo e à natureza. (remete à precisao*) -
complexidade é definida como a condição de elementos de um sistema e
a relação entre esses elementos em um determinado momento.
- Alta variabilidade; abrange muitos elementos
- Dependente de contexto; ex. Perfil de expressão gênica
- Analises complexas e variadas
- Níveis hierarquicos
O que fazer com tantos dados biológicos?:
- Já passou da fase de acúmulo de dados. Grande quantidade de dados
gerados demanda análise. Os desafios são integrar o organismo e
identificar os ruídos
Características dos sistemas biológicos:
- Integração: é um sistema composto de partes interconectadas
- Ligacao: exibe uma ou mais propriedades que não seriam observadas a
partir das propriedades dos componentes individuais
- Emergência: observação de novos fenômenos. Ex: integração de
sistemas complexos emergem propriedades - ex: viscosidade
- Interferencia: como estas interações influenciam a função e o
comportamento do sistema.
Mineracao de dados:
- Analisar relacoes entre elementos diferentes
- Correlação de variáveis
- Utiliza dos estudos de regra de associação
Estudos de análise de grupos:
- Procurar semelhancas entre elementos
Métodos nao-hierarquicos:
- Definir critérios para aproximar os centróides; demanda
refinamento dos dados e definir quantos grupos têm nos dados.
Métodos hierarquicos:
- Estrutura definida dos dados
Descartes: a divisão do problema em pequenas partes
-
Uma das posturas metodológicas mais significativas do pensamento científico
contemporâneo consiste em reduzir o todo a suas partes componentes. é fruto das
idéias introduzidas pelo filósofo Rene Descartes em meados do século XVII, indicando
que cada problema encontrado deve ser dividido em tantas pequenas partes quanto for
necessário para resolvê-lo de maneira mais parcimoniosa. neste processo tem-se uma
redução da complexidade característica dos fenômenos naturais, o que pode
comprometer nossa capacidade de entendê-los.
- Redução de complexidade: analisa-se partes das relações do sistema;
aplicação da metodologia de descartes
- a BS depende de ferramentas interdisciplinares para obter, integrar e
analisar diversos tipos de dados. Inclui bioinformatica e várias “omicas”
Biologia de sistemas: surge da premissa da construção de uma
abordagem que inclua esta complexidade, de forma sis- têmica; que
interligue as diversas interações presentes e que, ao confrontá-las,
consiga encontrar relações mais infor- mativas e completas. Biologia de
Sistemas (BS). Essa área, pautada nos conceitos de sistema e de
complexidade, en- volve um estudo sistemático de interações em um
sistema biológico, buscando contribuir no entendimento de como estas
interações influenciam a função e o comportamento do sistema.
a grande vanta- gem da biologia de sistemas é permitir a visualização dos
componentes moleculares de um sistema biológico de forma dinâmica e
global.
- Teoria dos Grafos: análise matemática de redes. o termo “rede”
representa as interações funcionais de um sistema, enquanto que o termo
“grafo” enfatiza as análises matemáticas deste sistema/ utilizados como
sinônimos.
- Historicamente, a teoria de grafos foi desenvolvida em 1736 pelo
matemático suíço Leonard Euler na resolução do problema das
sete pontes de Königsberg, atualmente co- nhecida como
Kaliningrado, na Rússia. A cidade de Königsberg é atravessada
pelo Rio Pregel e consiste de duas grandes ilhas que eram
conectadas entre si e com as margens opostas por sete pontes
(Figura 1A-6). O pro- blema apresentado a Euler consistia em
descobrir como caminhar pela cidade atravessando cada ponte
apenas uma vez. A técnica desenvolvida pelo matemático suíço foi
adaptar o mapa de Königsberg, transfor- mando as margens e ilhas
em nós e as pontes em conectores (Figura 1B-6). Euler submeteu
a rede que desenvolveu a análises matemáticas, porém não
encontrou solução para o problema. Contudo, a metodologia de
análise de Euler foi um marco histórico na análise de problemas
combinatórios, além de estabelecer o conceito de topologia que é
usado em BS.
- Em suas análises, a BS relaciona partes individuais de um sistema
como representações gráficas de conjuntos de nós ou vértices (V),
conectados entre si por conectores ou arestas (E, do inglês edge).
Os nós podem representar indivíduos, proteínas ou mesmo lu-
gares, enquanto que os conectores representam a conexão que
está presente entre cada par de nós. Esta representação gráfica é
denominada de rede.
- O emprego da teoria de grafos e suas aplicações têm
apresentado um crescimento explosivo devido a sua
multidisciplinaridade e ao seu conceito de modelo que permite
estudar um objeto específico sem negligenciar o meio em que
este objeto se encontra.
- Conceitos basicos de grafos:
- Uma rede (ou grafo) G = (V, E) representa uma combinação
de nós (V) e conectores (E) que ligam os nós.
- As redes podem apresentar conectores diretos, ou seja, um
conector orientado em determinada direção (exemplo a→b,
b→c), sendo assim chamadas de redes direcionadas. Nos
conectores E = (a, b) e E = (b, c), podemos dizer que a é
ante- cessor a b, e b é antecessor a c. Da mesma forma, b é
sucessor de a e c é sucessor de b. Ex: via de degradação
ubiquitina-proteassoma, uma vez que não é possível
reverter a degradação da proteína.
- redes não direcionadas, que apresentam conectores
orientados em ambas as direções (a↔b, b↔c), não sendo
possível assim estabelecer antecessor ou sucessor. Ex: a
reação AMP↔ADP↔ATP
- Em alguns casos, podem existir dois ou mais
conectores que ligam os mesmos nós na rede. Esse
tipo de interação é chamado multiconector, onde
diferentes informações são representadas por cada
conector, caracterizando assim um multidígrafo
- Redes ponderadas: Redes que apresentam nós e
conectores com atributos são chamadas de redes
ponderadas. O conjunto de nós e conectores pode ser
apresentado em uma representação mais complexa e
informativa, agregando pesos (atributos) associados aos
nós e conectores. Por exemplo, pode-se representar uma
rede neural onde o atributo indica a distância que um sinal
neural deve percorrer em relação ao local de origem. Redes
ponderadas são amplamente usadas na bioinformática,
representar a quantidade e a fidelidade de informações
armazenadas em bancos de dados a respeito de
interaçaoes. Ex: cada grupo pode representar duas
linhagens diferentes de E. coli. Para avaliar a eficiência de
transformação das linhagens, estas foram divididas em
quatro amostras (representadas pelos nós) e cada amostra
foi incubada com diferentes plasmídeos. Os conectores
apresentam os plasmídeos que obtiveram sucesso na
transformação e são comuns entre as duas linhagens.
- Hipergrafos: são caracterizados pela presença de
hipervértices, que conectam mais de dois nós com
propriedades distintas. são frequentemente usados em
organizações bioquímicas, devido à intersecção de
componentes com atividades em diferentes rotas
metabólicas. Ex: cada cor estaria representando diferentes
vias metabólicas (A, B e C). Os nós da rede indicam
componentes presentes em cada uma das vias metabólicas
e/ou participando de vias distintas nas regiões
intersectadas.
- Subredes: Geralmente, as redes biológicas são exten- sas,
apresentando um grande número de nós. Contudo, análises
estatísticas indicam que, dentro de uma rede maior (Figura
10A-6), podem existir redes menores que participam da
composição geral e possuem maior conectivi- dade entre si
quando comparados à rede maior
- Estrutura das redes:
- Conectividade: Também conhecida por grau de uma rede.
O nó que originouo caminho é chamado de nó inicial,
enquanto que o último nó do caminho é chamado de nó
final. Um caminho onde o nó inicial coincide com o nó final,
sem repetições de conexões intermediárias, é chamado de
circuito. O comprimento de um caminho ou circuito consiste
do número de conectores que pertencem ao caminho (ou
circuito) ou, no caso de uma rede ponderada, pela soma dos
atributos (ou pesos) dos conectores.
- Uma importante análise em uma rede consiste em
caracterizá-la conforme sua distribuição de caminhos
geodésicos. Um caminho geodésico é definido como
a via mais curta dentro de uma rede entre dois nós
quaisquer
- Efeito mundo pequeno: estabelece que as redes
apresentam nós conectados entre si formando um
caminho mais curto entre todos os nós.
- Densidade: Avaliar a densidade de uma rede representa
avaliar o nível de conectividade. Ex: ao analisarmos a rede
de inte- ração de uma doença contagiosa, a possibilidade
desta doença até então controlada tornar-se uma epidemia
depende principal- mente de duas variáveis: o tipo de
agente infeccioso e a alta densidade de conexões (rotas de
transmissão).
- Clusterização: Tendência dos nós em se agruparem dentro
de uma rede. Isso significa que se um nó A se liga ao nó B,e
o nó B se liga ao nó C, então há grandes chances de A se
ligar a C também. Assim, a rede é composta de centenas de
triângulos, ou seja, grupos de três nós conectados entre si,
onde cada lateral de um triângulo pode pertencer a outro
triângulo.
- Resiliencia: A capacidade de uma rede de tolerar a deleção
de nós
- Assortatividade: A tendência de conexão que uma rede
apresenta pode ser chamada de assortatividade e
desassortatividade. Em uma rede é preciso considerar o
padrão de correlação do grau dos nós, onde a conectivi-
dade de um nó reflete nas suas possibilidades de ligação. A
assortatividade significa que os nós de uma rede
apresentam uma tendência a interagirem com outros nós
semelhantes - mais resilientes e apresentam hubs bem
conectados. Desassortatividade se os nós de uma rede
interagem preferencialmente com nós diferentes dele
mesmo
- Propriedades da Rede: fornece informação sobre as interações
e/ou componentes de um determinado sistema. Estas
propriedades podem ser referentes a nós individuais, isto é, grau
de nó ou node degree, ou podem contemplar a rede como um todo
como é, por exemplo, o caso da modularização e do diâmetro da
rede. possui papel crítico na geração de dados conclusivos e
confiáveis, constituindo-se assim em redes capazes de descrever
com alto grau de fidelidade um determinado modelo biológico, de
identificar alvos proteicos críticos na rede ou no desenvolvimento
de caminhos moleculares.
- Modularidade: ou clusterização. Conceito de padrões de
conectividade, onde seus elementos constituintes estão
agrupados em subconjuntos altamente conectados. é um
princípio de união entre diferentes tipos de elementos e
conexões naturalmente formadas no meio biológico, como
na interação entre indivíduos de mesma espécie.
- Existem dois tipos distintos de módulos:
- i) Módulo Variacional: apresenta carac- terísticas que
variam entre seus componentes e são relativamente
independentes de outros módulos, porém possuem
um número considerável de ligações com outros
módulos;
- ii) Módulo Funcional: possui elementos que
normalmente atuam juntos em alguma função
fisiológica distinta e são semiautônomos
(quasi-autonomous) de outros módulos. Esses
módulos compreendem a maioria dos módulos vistos
em redes biológicas.
- Hubs: conceito essencial para entender a formação de um
cluster em um sistema biológico é a presença de hubs.
- i) party hubs, proteínas altamente ligadas dentro do
seu próprio módulo, ou seja, ligadas no mesmo
tempo e/ou espaço. são quase independentes de
outros módulos.
- ii) date hubs, que são hubs que se ligam a diferentes
proteínas em diferentes módulos (inter-módulo), ou
seja, diferentes tempo e/ou espaços,
consequentemente apresentando um papel global na
rede. Estes termos podem ainda receber
denominações específicas no contexto do conceito
de centralidades. Se ligam a outros modulos.
- Centralidade para nós: o objetivo da análise de
centralidades é procurar o elementos mais importantes na
topologia geral da rede.
- Grau de nó: referente à quantidade de nós
adjacentes (diretamente conectados) a outro
determinado nó. Esses nós que apresentam uma
grande quantidade de conexões são chamados de
hubs, os quais são conectados a outros hubs ou nós
com menos conexões. Numa visão biológica,
podemos exemplificar um hub como uma proteína
que se liga a várias outras e acaba possuindo uma
função regulatória importante na rede.
- Betweenness: o número de caminhos mais curtos
que passam por um único nó, estimando a relação
entre eles. Ex: Uma proteína com alto valor de
betweenness apresentaria uma elevada capacidade
de interação e/ou sinalização com outras proteínas,
processos biológicos ou clusters. Uma proteína com
tais características é chamada de bottleneck ou
gargalo.
- Closeness: O caminho mais curto entre um nó n e
todos os outros nós da rede, uma tendência de
aproximação ou isolamento de um nó. Um alto valor
de closeness indica que todos os outros nós estão
próximos do nó n, enquanto que um baixo valor
indicaria que os outros nós encontram-se distantes.
Ex: Uma proteína com alto valor de closeness
poderia ser considerada relevante para muitas
proteínas, porém irrelevante para outras. Em termos
biológicos, ela seria importante na regulação de
muitas proteínas, porém sua atividade pode não
influenciar outras.
- Diâmetro: Indica a distância entre dois nós mais
afastados entre si de uma rede. Um baixo diâmetro
pode indicar que as proteínas de uma determinada
rede possuem uma maior facilidade de se comunicar
e/ou influenciar umas as outras, apontando para uma
relação funcional co-evolutiva.
- Edgebetweenness: Frequência de uma aresta que
se coloca sobre caminhos mais curtos entre todos os
pares de nós. Se uma rede contém módulos que são
conectados por poucos conectores intermodulares,
então os caminhos mais curtos entre os diferentes
módulos devem passar por estes poucos conectores.
Assim, os conectores unindo módulos terão altos
valores de edgebetweenness. Em uma rede proteica
uma aresta com alto valor de eB provavelmente
representa o caminho mais curto de comunicação
entre dois processos biológicos.
- Tipos de Redes:
- Aleatória: Sem distribuição preferencial. O grau dos nós
segue uma distribuição de Poisson com máxima em <k> e a
maioria dos nós apresentando aproximadamente o mesmo
número de conexões k ≈ <k>, com grau próximo ao da
média da rede. Apresentam a propriedade “mundo pequeno”
e distribuição de grau ex- ponencial, sendo estatisticamente
homogêneas.
- Livre escala: é definida por uma lei de potenciação, o
que significa que essa rede terá poucos nós altamente
conectados.
- Hierárquica: Combina propriedade livre de escala, alto grau
de agrupamento e modularidade de uma forma interativa.
Hierarquia intrínseca, sendo representada também na sua
arquitetura.