Gene finding:

1

• Gene finding
• Software de predicción de genes

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
2
Gene finding
INTRODUCCIÓN

• Secuenciación de cada vez mas Genomas
• 809 genomas completos en mayo del 2008
• 53 archeas, 662 bacterias, 94 ecuariotas
• (GOLD Genomes OnLine Database)

• Diferenciar entre
• secuencia funcional ?? funcionalidad de un gen
  o producto génico

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
3
Gene finding
INTRODUCCIÓN
POSTomics
PREomics

• Computacional
• Grandes bases de datos
• Algoritmos de búsqueda
• Automatización
• Regiones grandes (Genomas)
• Muchos organismos
• Muchos (posibles) genes

• Experimental
• Cultivos
• Hibridaciones
• Recombinación y Mapas Genéticos
• Regiones Concretas
• Organismos Concretos
• Genes Concretos

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
4
Gene finding
INTRODUCCIÓN
POSTomics

• Computacional
• Grandes bases de datos
• Algoritmos de búsqueda
• Automatización
• Regiones grandes (Genomas)
• Muchos organismos
• Muchos (posibles) genes

• Experimental
• Cultivos
• Hibridaciones
• Recombinación y Mapas Genéticos
• Regiones Concretas
• Organismos Concretos
• Genes Concretos

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
5
Gene finding
ESTRATEGIAS ACTUALES

• Métodos de similaridad

• Métodos Ab Initio

• Genómica Comparativa

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
6
Gene finding
ESTRATEGIAS ACTUALES

• Métodos de similaridad

( Lookup , Evidence based or Extrinsec Methods )

• Comparación de Secuencia y Búsquedas por
  similaridad
• (Blast, CLUSTAL)

• Alineamiento con Proteínas

• Alineamiento con mRNA/cDNA

• Alineamiento con ESTs

• Comparación Intra-genómica

• Comparación Inter-genomica (Genómica Comparativa)

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
7
Gene finding
ESTRATEGIAS ACTUALES

• Métodos de similaridad

Nucleic Acids Res. 304103-4117, 2002.
Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
8
Gene finding
ESTRATEGIAS ACTUALES

• Métodos de similaridad

?

• Capacidad limitada para encontrar nuevos genes,
  se estima que se pueden
• Encontrar el 50 de genes.
• Nada será encontrado si la base de datos no
  contiene suficientes
• secuéncias similares
• ESTs solo dan información parcial ya que solo
  reflejan una parte de un mRNA
• Exones pequeños no son detectados (problema
  también en ab initio)

?

• Resultados bastante sólidos al estar basados en
  evidencia
• Comparaciones intra-genómicas aportan
  información de genes parecidos
• (familias génicas)
• ESTs / cDNAs dan mucha información sobre
  divisiones Exon/Intron, y exones
• usados o no en splicing alternativo

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
9
Gene finding
ESTRATEGIAS ACTUALES

• Métodos de similaridad

• Métodos Ab Initio

• Genómica Comparativa

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
10
Gene finding
ESTRATEGIAS ACTUALES

• Métodos Ab Initio

( Intrinsec, Signal , Template Search )
Métodos totalmente computacionales basados en la
busca de patrones o secuencias consenso. El
Gene Prediction real.

• Estratégias
• - Secuencias consenso y ORFs
• - Estadísticos (Codon Bias) y Matrices de
  puntuación
• - Arboles de decisión (HMM - Hiden Marcov
  Models)
• - Otros

• Típos de software
• - Predicción de estructura
• - Detección de Exones/Intrones
• - Detección de lugares de splicing
• - Detección de otras senyales

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
11
Gene finding
ESTRATEGIAS ACTUALES

• Métodos Ab Initio

Secuencias consenso y ORFs

• Tipos de Señales
• Señales Promotoras
• Señales Inicio de Transcripción
• Lugares de Splicing (Intrones/Exones)
• Lugares de poli(A)
• Sitios de unión de TFs

www.cbs.dtu.dk
Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
12
Gene finding
ESTRATEGIAS ACTUALES

• Métodos Ab Initio

Secuencias consenso y ORFs
?

• Métodos muy útiles en procariotas, pero no tanto
  en eucariotas con estructuras de
• genes complejas
• (ejemplo ORFs)
• Incluso en procariotas, podemos encontrar genes
  solapando con otros genes
• Secuencias consenso , por si solas no son 100
  fiables en todas las bases

?

• Aproximación muy rápida, que puede definir
  posteriores procesos
• Paso previo de ORFs necesario

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
13
Gene finding
ESTRATEGIAS ACTUALES

• Métodos Ab Initio

Estadísticos y Matrices

• Estadísticos
• Codon Bias
• K-meros Hexameros, etc
• Otros

?

• Puntuaciones, índices, valoresde fácil
  tratamiento computacional
• Codon Bias puede ser muy indicativo para separar
  regiones codificantes del resto

?

• Las matrices y estadísticos provienen de datos
  previos, se deben de optimizar.
• Se puede hacer a partir de los datos propios pero
  requiere iteraciones

• Trainig Sets (matrices, codones, secuencias
  señal)

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
14
Gene finding
ESTRATEGIAS ACTUALES

• Métodos Ab Initio

HMM Hidden Markov Models

• Método estadístico (bayesiano ? demostrar
  hipotesis cierta )
• No se conoce previamente el estado de un grupo de
  elementos observado (Hidden state)
• Mediante arboles de decisiones, se intenta
  inferir el estado del elemento a partir de lo
  observado

?

• (Muy) Usado en eucariotas, donde las señales
  consenso no están tan
• claramente definidas

?

• Cualquier algoritmo de este tipo necesita de
  datos previos para poder tener un
• criterio y poder hacer decisiones. Resultan
  necesarios mecanismos de autoaprendizaje

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
15
Gene finding
ESTRATEGIAS ACTUALES

• Métodos Ab Initio

Otras Aproximaciones

• Autoaprendizaje (SPV Suport Vector Machines)
• Redes Neurales
• Estructuras secundarias del mRNA

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
16
Gene finding
ESTRATEGIAS ACTUALES

• Métodos Ab Initio

• Autoaprendizaje (SPV Suport Vector Machines)
• Redes Neurales
• Estructuras secundarias del mRNA

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
17
Gene finding
ESTRATEGIAS ACTUALES

• Métodos de similaridad

• Métodos Ab Initio

• Genómica Comparativa

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
18
Gene finding
ESTRATEGIAS ACTUALES

• Genómica Comparativa

• Algún software especializado (Rosetta para Humano
  y Ratón, SPG1 para Vertebrados y Angiospermas)

• Aproximación Mixta
• (intentar buscar genes representativos del grupo
  de organismos estudiado)
• 1- Usar evidencia experimental (por homologia)
• Protein Coding cDNA
• Similaridad con proteinas
• 2- Predicción ab Initio
• 3- Filtro de los resultados para descartar
  redundancia,
• pseudogeneso errores
• 4- Ampliar con otras fuentes de evidencia
  (ESTs,)

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
19
Gene finding
ESTRATEGIAS ACTUALES

• Software principalmente centrado en regiones que
  codifican para proteina
• Por el momento otras secuencias que transcriben
  son poco tratadas.
• Definido a priori que un gen es la región que
  transcribe entre señal de inicio y final
• Poco consenso entre los desarrolladores, falta
  de standards definidos (GFF
• General Feature Format). Programas confusos para
  el usuario
• Detalles a mejorar su detección
• Genes solapantes (por extremo 3 o genes dentro
  de intrones)
• Genes Policistrónicos (varios genes codificados
  en un mRNA)
• Frameshifts (perdida de nucleótidos en la
  secuenciación o bases de datos)
• Intrones en secciones no codificantes / Exones no
  traducidos
• Exones pequeños (estructuras secundarias)
• Sitios de splicing no canonicos
• Procesados alternativos
• Otros inicios de transcripción
• Splicing alternativo
• Sitios de Poly(A) diferentes

?
Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
20
Gene finding
ESTRATEGIAS ACTUALES
?

• Combinación de métodos ofrece resultados más
  fiables
• Puede facilitar pasos previos a la
  experimentación
• Imprescindible para genomas que , quizás, NUNCA
  serán estudiados experimentalmente

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
21
Gene finding
TEST DE SOFTWARE
Programas a prueba

• GenMark-hmm
• GENSCAN
• GeneID

• Genscan se usó en el Proyecto Genoma Humano y en
  el
• Genoma del Ratón

• Genscan y GenMark-hmm tienen las mejores
  valoraciones
• en pruebas de este tipo de software

• Los tres tienen interface web

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
22
Gene finding
TEST DE SOFTWARE

• GenMark-hmm

• Desde 1993
• Instituto tecnológico de Georgia, patrocinado
• por IBM
• Varios programas Procariotas, Eucariotas,
• Heuristicos, EST y cDNA
• GenMark-hmm Usa Hidden Markov Models
• y selftraining

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
23
Gene finding
TEST DE SOFTWARE

• GENSCAN

• Desde 1997
• Dep. Matemáticas de la Universidad
• De Stanford
• (web) Vertebrados, arabidopsis, maíz.
• Usa Hidden Markov Models
• y se basa en información de doble cadena

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
24
Gene finding
TEST DE SOFTWARE

• GENEID

• Desde 2000 (paper en Drosophila)
• Universitat Pompeu Fabra / CRG
• Datos para varios organismos, van
• publicando nuevos sets periodicamente
• Permite añadir datos externos (GFF)
• Opcion de output en formato GFF
• - Web muy explicativa

• Usa 3 passos
• Deteccion de señales Splicing, start-stop
  codons, matrices de puntuación
• Usa los datos anteriores en un modelo HMM
• Integrar todo en una predicción de la estructura

Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
25
Gene finding
TEST DE SOFTWARE

• BRCA1 (Pan troglodytes)

• Cromosoma 17
• Splicing alternativo
• 85 kb
• 24 exons (22 coding)
• Exon 11? 3427 bp
• El resto entre 37-311bp
• - Proteina 1863 aa

Evolution of the tumor suppressor BRCA1 locus in
primates implications for cancer predisposition
Adam Pavlicek , Vladimir N. Noskov et alt. Human
Molecular Genetics 2004 13(22)2737-2751
doi10.1093/hmg/ddh301
Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
26
Gene finding
TEST DE SOFTWARE
Output GeneMark-hmm
2 genes (4 y 7 exones) Gen 1 1246aa Gen 2 350aa
Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
27
Gene finding
TEST DE SOFTWARE
Output GENSCAN
1 gen ( 16 exones ) 1707aa
2 genes (4 y 7 exones)
Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
28
Gene finding
TEST DE SOFTWARE
Output GENSCAN
2 genes (3 y 6 exones) Gen 1 1229 aa Gen 2
323 aa
Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
29
Gene finding
INFORMACIÓN COMPLEMENTARIA
http//www.genefinding.org/
http//www.nslij-genetics.org/gene/programs.html
Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB
30
Gene finding
REFERENCIAS
Evaluation of gene prediction software using
genomic dataset application to Arabidopsis
thaliana sequences . Pavy N, Rombauts S et alt.
Bioinformatics Vol 15 no 11 1999. 887-899
Evaluation of Gene-Finding Programs on Mammalian
Sequences Sanja Rogic, Alan K. Mackworth and
Francis B.F. Ouellette . Genome Res. 2001 11
817-832
Current methods of gene prediction, their
strengths and weaknesses Catherine Mathé,
Marie-France Sagot, Thomas Schiex and Pierre
Rouzé. Nucleic Acids Res. 304103-4117, 2002.
In search of the small ones improved prediction
of short exons in vertebrates, plants, fungi and
protists. Yvan Saeys, Pierre Rouze and Yves Van
de Peer. Vol. 23 no. 4 2007, pages 414420
doi10.1093/bioinformatics/btl639
Miquel Ràmia i Jesús Genòmica i Proteòmica /
Màster de genètica, UAB