waldeyr / minicurso_bdbio_bsb_2022

Minicurso Bancos de Dados Biológicos

🏫 Brazilian Symposium on Bioinformatics

👉 Minicurso de Bancos de Dados Biológicos

Waldeyr Mendes Cordeiro da Silva

📔 Introdução à Biologia Molecular

Dogma

---

---

---

---

Sequenciamento de DNA

• Obter string(s) representando as moléculas que compõem o DNA
• Ainda não é possível sequenciar toda a molécula diretamente
• Sequenciar pedaço da molécula começando em alguma posição na direção 5' → 3'
• Fragmento (read): substring de uma das fitas da molécula alvo de DNA

Não sabemos:

• A que fita pertence
• A posição relativa ao início da fita

📔 Dados de Sequenciamento

FASTQ

Exemplo de identificador Illumina:

• @HWUSI-EAS100R:6:73:941:1973#0/1

• HSWUSI-EAS100R → Unique instrument name

• 6 → Flowcell lane

• 73 → Tile number within the flow cell lane

• 941 → x-coordinate of the cluster within the tile

• 1973 → y-coordinate of cluster within the tile

• #0 → Index number for multiplexed sample

• /1 → Member of a pair

---

---

A qualidade de cada nucleotídeo sequenciado é representada pelo caractere correspondente da tabela ASCII (33 a 126). Os valores sofreram um shift down para 0 a 93 por compatibilidade com a escala PHRED de qualidade que varia de 0 a 60.

É possível gerar relatórios de qualidade das sequências e filtrá-las com softwares como o fastqc, quast, sickle e trimmomatic.

---

FASTA

---

Pode ser usado para nucleotídeos ou aminoácidos e consiste basicamente de 2 partes:

• Um cabeçalho iniciado por > seguido de um identificador da sequência e outras informações. Alguns bancos de dados tem padrões para este cabeçalho.
• Na linha seguinte ao cabeçalho aparece a sequência em si.

Pode haver várias sequências em um meesmo arquivo (multifasta).

SAM/BAM

Alinhamentos pós-processados de reads.

SAM (Sequence Alignment/MAP) guarda o alinhamento das reads e pode ser lido por diversos softwares como o IGV (Integrated Genome Viewer).

BAM (Binary Alignment/MAP) é uma versão comprimida de um alinhamento das reads. Pode ser obtido diretamente do alinhamento ou convertido a partir de um arquivo SAM.

---

BED

---

BED é um arquivo organizado em colunas separadas por tabulação (tab) com anotações da sequência e também pode ser aberto em um genome browser como o IGV.

Arquivos BED têm 12 colunas, 1-3 obrigatórias, 4-12 opcionais

1. chrom → nome do cromossomo no qual a feature existe
2. start → posição inicial na sequência
3. end → posição final na sequência
4. name → nome da feature
5. score → 0 and 1000 determina o nível de cinza mostrado, sendo 1000 mais escuro. Pode ser usado para outras medidas, como p-values, up/down, enriquecimento
6. strand → direção da fita “+” ou “-”
7. thickStart → posição inicial onde a feature é desenhada
8. thickEnd → posição final onde a feature é desenhada
9. itemRgb → determina a cor dos dados
10. blockCount → número de bloco (exons)
11. blockSizes → lista de blocos separados por vírgula
12. blockStarts → lista de posições iniciais dos blocos

GFF

Arquivos GFF são similares aos BED e têm 9 colunas, todas obrigatórias:

1. seqname → nome da sequência
2. source → origem da feature
3. feature → tipo de feature, equivalente ao campo name do BED
4. start → posição inicial
5. end → posição final
6. score → assim como o arquivo BED permite níveis de valores representando a expressividade da anotação
7. strand → direção da fita “+” ou “-”
8. frame → frame da sequência codificadora: “0”,“1”,“2” ou “.”,
9. attribute → muda conforme a versão do GFF (GFF1, GFF2, GFF3) e denota texto descritivo do significado biológico

📔 Bancos de Dados Biológicos

Vamos explorar os bancos de dados biológicos a partir de um problema dado:

Vitaminas são compostos orgânicos que precisam ser obtidos através da dieta. A vitamina C é produzida no fígado por mamíferos e alguns pássaros e nos rins por peixes, anfíbios, repteis e alguns pássaros. Ela é solúvel em água, tem propriedades antioxidantes e é essencial na síntese de colágeno. Vitaminas que humanos não sintetiza ou não sintetiza em quantidade suficiente: A, B1 (thiamine), B2 (riboflavin), B5 (pantothenic acid), B6 (pyridoxine), B7 (biotin), B9 (folate), B12 (cobalamin), E, K.

• O organismo não produz as enzimas necessárias para sintetizá-la
• Não são produzidas em quantidade suficiente

---

---

Qual a matéria prima para a vitamina C ?

Como essa materia prima é transformada no organismo ?

Qual a enzima que inicia o processo ?

Como é identificada uma e de onde vem a enzima UTP---glucose-1-phosphate uridylyltransferase?

Aqui uma série de links para diversos bancos de dados de onde é possível obter essas respostas.

1. BRENDA Database: 2.7.7.9
2. KEGG pathway Amino sugar and nucleotide sugar metabolism
3. KEGG Reaction
4. KEGG Compounds (Uridine triphosphate)
5. PubChem (Uridine triphosphate)
6. KEGG Compounds (D-Glucose 1-phosphate)
7. PubChem (D-Glucose 1-phosphate)
8. KEGG Enzyme UTP---glucose-1-phosphate uridylyltransferase: 2.7.7.9
9. KEGG Gene UGP2
10. Uniprot
11. PDB
12. Uniprot API

Aqui um Python notebook com exemplos de acesso aos dados de alguns desses bancos via scripts

Python notebook