1. Mi a bioinformatika?

Vázlat: Ez a kurzus. Mi a bioinformatika? Bioinformatika a szakirodalomban. A bioinformatika céljai. A biológiai információ típusai és elemzési módszerei. Az adatok csoportosítása hasonlóságok alapján. A bioinformatikai "spektrum". A szekvencia/szerkezet deficit. Genomprojektek. Miért fontos a bioinformatika? Szekvenciaanalízis. Az ördög a részletekben lakozik. Pár jótanács. Bioinformatikai webhelyek.

Ez a kurzus

• Anyag a weben: http://www.enzim.hu/~szia/bioinformatika
• Felépítés (kb.):
  • Mi a bioinformatika?
  • Adatbázisok
  • Páronkénti szekvencia-összerendezés
  • Többszörös szekvencia-összerendezés, filogenetikai analízis
  • Másodlagos adatbázisok
  • Nukleotidszekvenciák analízise
  • Fehérjeszekvenciák analízise
  • Fehérjeszerkezetek elemzése
  • Fehérjék térszerkezetének jóslása
  • Genomika
  • Bioinformatikai stratégiák. Bioinformatikai programcsomagok.
• Fontos fogalmak bemutatása, nem a konkrét eszközökre koncentrálunk (ezek változnak)
• Előadás utolsó része: gyakorlati példák
• Irodalom:
  • Attwood TK & Parry-Smith DJ: Introduction to bioinformatics. Addison-Wesley Longman 1999. Az alapfogalmakat mutatja be.
  • Baxevanis AD & Oulette BFF (eds.): Bioinformatics. A practical guide to the analysis of genes and proteins. John Wiley & Sons 1998. ( Újabb kiadása is van már!) Főleg a szoftverek használatára koncentrál.
  • Legújabb kézikönyv: Mount D: Bioinformatics: Sequence and Genome Analysis. Cold Spring Harbor Laboratory Press, 2001.
  • cikkek

Mi a bioinformatika?

• A szót az 1980-as évek közepén találták ki, legtágabb értelemben: minden, amit számítógéppel csinálnak, és köze van a biológiához.
• Szűkebb értelemben: a biológiai szekvenciaadatok kezelése és elemzése, ill. a 3D szerkezeti információ kezelése és elemzése.

Egy újabb definíció az Oxford English Dictionaryból:

Bioinformatics is conceptualizing biology in terms of molecules (in the sense of physical-chemistry) and applying "informatics techniques" (derived from disciplines such as applied maths, computer science and statistics) to understand and organise the information associated with these molecules, on a large scale. In short, bioinformatics is a management information system for molecular biology and has many practical applications.

(Hevenyészett fordításban) A bioinformatika a biológia fogalmi megragadása a (fizikai-kémiai értelemben vett) molekulák segítségével, és (az alkalmazott matematikából, a számítógéptudományból, a statisztikából és más tudományágakból származó) "informatikai módszerek" alkalmazása az ezekkel a molekulákkal kapcsolatos információ megértésére és megszervezésére, nagy léptékben. Röviden, a bioinformatika egy információmenedzselési rendszer a molekuláris biológia számára, és sok gyakorlati alkalmazása van.

Bioinformatika a szakirodalomban

A bioinformatikai témájú cikkek aránya nő, mára kb. 2%. Egyes vélemények szerint lassan már nem lesz szükség kísérletekre, mindent szimulálni fogunk.

A bioinformatika céljai

1. Adatbázisok létrehozása és karbantartása. Az adatok megszervezése, rendezése oly módon, hogy a kutatók könnyedén hozzáférhessenek a meglévő információhoz, és hozzátehessenek újat.
2. Eszközök, módszerek kifejlesztése az adatok elemzésére. Az adatok haszontalanok, amíg nem elemeztük őket.
3. Az eszközök és módszerek alkalmazása az adatok elemzésére, és az eredmények értelmezése a biológia szempontjából.

A biológiai információ típusai és elemzési módszerei

Az adatok csoportosítása hasonlóságok alapján

Fontos: Az információ nagy része csoportokba rendezhető, értelmes biológiai hasonlóságok alapján. Ez számos bioinformatikai módszer alapja. Pl.:

• a genomban sok ismétlődő szekvenciarészlet van
• a gének csoportosíthatóak funkciójuk (pl. enzimhatás) szerint vagy az anyagcsere-útvonalak szerint
• különböző fehérjéknek gyakran hasonló a szekvenciájuk
• véges számú különböző alapvető fehérjeszerkezet létezik (becslések 1000 és 10 000 közé teszik)

--> "véges alkatrészlista" (az élőlények véges számú alkatrészből épülnek fel)

Mintázatfelismerés és predikció

Két alapvető művelet a bioinformatikában

• Mintázatfelismerés: a hasonlóságok megtalálása
  • A már ismert, hasonló funkciójú/szerkezetű fehérjéket megvizsgálva megkeresünk valamely, a funkcióra/szerkezetre jellemző, konzerválódott sajátosságot
  • Ezt használjuk fel új szekvenciák funkciójának/szerkezetének azonosítására
  • Feltétel: az új szekvencia olyan fehérjéhez tartozzon, amihez hasonlót már "láttunk"
• Predikció:
  • A funkció vagy a térszerkezet megjóslása, hasonlóság alapján vagy másképpen
  • A bioinformatika "Szent Grálja": a szekvenciából megjósolni a térszerkezetet

    MFENITAAPADPILGLADLFRADERPGKINLGIGVYKDETGKTPVLTSVKKAEQYLLENETTKNYLGIDGIPEFG RCTQELLFGKGSALINDKRARTAQTPGGTGALRVAADFLAKNTSVKRVWVSNPSWPNHKSVFNSAGLEVREYAYY DAENHTLDFDALINSLNEAQAGDVVLFHGCCHNPTGIDPTLEQWQTLAQLSVEKGWLPLFDFAYQGFARGLEEDA EGLRAFAAMHKELIVASSYSKNFGLYNERVGACTLVAADSETVDRAFSQMKAAIRANYSNPPAHGASVVATILSN DALRAIWEQELTDMRQRIQRMRQLFVNTLQEKGANRDFSFIIKQNGMFSFSGLTKEQVLRLREEFGVYAVASGRV NVAGMTPDNMAPLCEAIVAVL

    ==>

  • A felgombolyodás problémája: az aminosavsorrend meghatározza a térszerkezetet (Anfinsen-kísérlet óta tudjuk), de még ma sem értjük, hogyan [chaperonok nem számítanak]
  • Csak másodlagosszerkezet-jóslás megy, korlátozott megbízhatósággal
  • Várhatóan így marad még pár évtizedig

Homológia és analógia

Homológia = közös evolúciós eredet (szekvenciák esetében). Nincs mértéke (nem fejezhető ki %-ban!!!), két szekvencia vagy homológ, vagy nem.

Analógia: hasonlóság, közös evolúciós eredet nélkül

Két fehérje analóg lehet, ha:

• szerkezetük hasonló, de nincs közöttük szekvenciális hasonlóság, vagy
• azonosak a katalitikus csoportjaik, de térszerkezetük különböző

Ilyenkor közös evolúciós eredetre nem lehet következtetni. Inkább konvergens evolúció állhat a háttérben.

Pl. szubtilizin és kimotripszin: mindkettő szerin proteáz, a His/Asp/Ser katalitikus triáddal, de térszerkezetük teljesen eltérő:

Ortológia és paralógia

A homológia két típusa

• Ortológia: két gén ortológ, ha két különböző fajban találhatóak, és egy közös ős-génből származnak, mely a két faj közös ősében volt jelen. Ugyanazt a funkciót szolgálják, a két fajban. Példa: laktát dehidrogenáz (ill. génje) az emberben és az egérben.
• Paralógia: két gén paralóg, ha ugyanabban az organizmusban találhatóak, és egy közös ős-génből génduplikáció és azt követő divergens evolúció útján alakultak ki. Többnyire különböző, de egymással összefüggésben lévő funkciójuk van. Példa: a hisztidin-bioszintézis enzimei (ill. ezek génjei) emberben (nagyon hasonló szerkezetűek, de más-más reakciót katalizálnak).

A bioinformatikai "spektrum"

Bioinformatikai módszerek két dimenziója:

• mélység: (függőleges tengely): fizika
  veszünk egy fehérjét, és azt igyekszünk minél mélyebben megérteni. Génszekvencia-fehérjeszekvencia-térszerkezet-geometria-kötőhelyek-gyógyszertervezés
• szélesség: (vízszintes tengely) informatika
  a gén összehasonlítása más génekkel. Páronkénti, majd többszörös szekvenciaillesztés, szekvenciamintázatok azonosítása, filogenetikai elemzés, teljes genom elemzése, stb.

A szekvencia/szerkezet deficit

Az ismert fehérjeszekvenciák és az ismert térszerkezetek számának növekedése az utóbbi években:

• Mintegy 200-szor több a szekvencia, évente megduplázódik.
• 1998: kb. 300 000 ismert szekvencia (sőt, az ún. EST adatbázisokat is figyelembe véve milliók), kb. 1500 egyedi térszerkezet
• A helyzet a genomprogramokkal csak rosszabbodik
• Percenként egy új szekvencia. A későbbi nagy szerkezetmeghatározó projektek is max. napi 5 új szerkezetet szolgáltatnak majd.
• Nagy információs deficit, itt van szerepe a bioinformatikának.

Genomprojektek

Már megszekvenált genomok (ld. http://www.ebi.ac.uk/genomes/:

• Eukarioták:
  • Élesztő
  • Caenorhabditis elegans (féreg)
  • Drosophila melanogaster (muslica)
  • Arabidopsis thaliana (lúdfű)
  • Ember
• Egyéb:
  • kb. 50 baktérium
  • 11 archeon
  • >100 organellum
  • több száz vírus és fág

Folyamatban lévő fontos genomszekvenálási projektek (ld. http://www.ebi.ac.uk/~sterk/genome-MOT/):

• ember
• egér
• kutya
• patkány
• stb.

A humán genom projekt

• Hivatalosan 1990-ben indult, az USA Dept. of Energy és National Institutes of Health irányításával
• Tervezett befejezés: 2003
• Célok:
  • azonosítani az emberi DNS mintegy 100 000 (újabb infók szerint csak 30 000) génjét
  • meghatározni a kb. 3 milliárd bázis pontos sorrendjét
  • ezt adatbázisokban tárolni
  • fizikai géntérképet készíteni
  • meghatározni a szekvencia variációit (polimorfizmusok)
  • modellorganizmusok genomját szekvenálni (muslica, egér)
  • gyorsabb, hatékonyabb szekvenáló módszereket kifejleszteni
  • új adatelemző módszereket kifejleszteni
  • a projekt etikai, jogi és társadalmi vonatkozásaival foglalkozni
• 1996-ig: térképezés, ezután szekvenálás
• Állami projekt: a kromoszómákat egyre kisebb szakaszokra darabolva, a darabokat vektorokba klónozva úgy szekvenálnak, hogy mindig tudják, melyik darabot vizsgálják.
• 1998: Craig Venter céget alapít: teljes genom shotgun szekvenálását alkalmazva gyorsabban és olcsóbban akar elkészülni, mint az állami projekt
• Shotgun módszer: a genomot átfedő módon apró darabokra tördelve a darabokat megszekvenáljuk, majd az átfedések alapján számítógéppel összerakjuk. Teljes genom esetén (térkép nélkül) kétséges a repetitív szekvenciák miatt.
• 1999. december: 22. kromoszóma készen van
• 2000. május: 21. kromoszóma
• 2000. június: durva vázlat (90% lefedve, töredékesen)
• 2001. február: a durva vázlat (draft) teljesen kész
• Ma: a genomszekvencia kb. 60%-a véglegesített, a többi csak vázlat (darabkák orientációja és sorrendje bizonytalan, hibaarány nagy)

Miért fontos a bioinformatika?

• Genomprojektek --> Óriási tömegű szekvenciaadat: megfejtetlen kód
• Bioinformatika feladata: a szekvenciákban kódolt információ megfejtése:
  • térszerkezetek
  • funkciók
  • evolúciós összefüggések
• funkció és evolúciós összefüggések térszerkezetből is

Szekvenciaanalízis

• Legfontosabb eljárás a bioinformatikában: egy új (ismeretlen szerkezetű/funkciójú fehérjéhez tartozó) szekvenciához próbálunk hasonlót találni a már ismert szerkezetű/funkciójú fehérjék szekvenciái között.
• Szekvenciák összerendezése (vagy -illesztése) (alignment):
  

   _aln.pos         10        20        30        40        50        60
  1frf      KHRPSVVWLHNAECTGCTEAAIRTIKPYIDALILDTISLDYQETIMAAAGETSEAALHEA 
  2frv      KKRPSVVYLHNAECTGCSESVLRTVDPYVDELILDVISMDYHETLMAGAGHAVEEALHEA 
  
  
   _aln.pos         70        80        90       100       110       120
  1frf      LEGKDGYYLVVEGGLPTIDGGQWGMVAGHPMIETCKKAAAKAKGIICIGTCSAYGGVQKA 
  2frv      IKG--DFVCVIEGGIPMGDGGYWGKVGGRNMYDICAEVAPKAKAVIAIGTCATYGGVQAA 
  
  
   _aln.pos        130       140       150       160       170       180
  1frf      KPNPSQAKGVSEALG---VKTINIPGCPPNPINFVGAVVHVLTKGIPDLDENGRPKLFYG 
  2frv      KPNPTGTVGVNEALGKLGVKAINIAGCPPNPMNFVGTVVHLLTKGMPELDKQGRPVMFFG 
  
  
   _aln.pos        190       200       210       220       230       240
  1frf      ELVHDNCPRLPHFEASEFAPSFDSEEAKKGFCLYELGCKGPVTYNNCPKVLFNQVNWPVQ 
  2frv      ETVHDNCPRLKHFEAGEFATSFGSPEAKKGYCLYELGCKGPDTYNNCPKQLFNQVNWPVQ 
  
  
   _aln.pos        250       260    
  1frf      AGHPCLGCSEPDFWDTMTPFYEQG
  2frv      AGHPCIACSEPNFWDLYSPFYSA-
  

• Szekvenciaazonosság: az összerendezésben az azonos aminosavpárok százalékos aránya
• A szekvenciaazonosság csökkenésével a funkció/szerkezet átvihetősége csökken

  Szekvenciaazonosság	Megjegyzés
  50-100%	Biztosra vehető a homológia és a nagyfokú szerkezeti hasonlóság. Erősen valószínűsíthető az azonos vagy rokon funkció.
  20-50%	Biztosra vehető a homológia és a jelentős szerkezeti hasonlóság. A funkció feltételezhetően azonos vagy rokon.
  20% körül	Alkonyzóna (twilight zone): kétségessé válik a homológia és a szerkezeti hasonlóság. Ekkora hasonlóság véletlenül is kialakulhat, egymással nem rokon fehérjék között is. Kifinomult módszerek szükségesek a homológia detektálásához. A szekvencia sokszor nem elég, térszerkezeti információ is szükségessé válik a rokonság mértékének eldöntéséhez.
  0-10%	Éjfélzóna (midnight zone): Esetleg fennállhat funkcionális és szerkezeti hasonlóság a két fehérje között, de ezt a szekvencia alapján nem lehet eldönteni. Az esetleges rokonságot csak más információk alapján (elsősorban térszerkezet) lehet megállapítani.

Az ördög a részletekben lakozik

A szekvenciaanalízis során számos csapdát kell elkerülni:

• Az ortológia és a paralógia bonyolult viszonyai új szekvenciák vizsgálatánál megnehezítik annak eldöntését, hogy a funkcionális információ mennyire vihető át az új fehérjére (a talált hasonló szekvencia lehet az ortológ paralógja egy másik organizmusban). Emiatt az automatikus funkcióhozzárendelés sok esetben hibás (és ezt adatbázisokban is megtalálni)!
• A szekvenciahasonlóság sokszor csak a szekvencia egy részére vonatkozik, pl. moduláris fehérjék esetében.

Moduláris fehérjék

• Modulok: olyan fehérjedomének, amelyek cserélhető építőkövekként szerepelnek
• Nem (csak) génduplikációval, hanem shuffling révén is terjednek
• Pl.:
  
• funkciójuk változhat attól függően, milyen fehérje részét képezik
• Az evolúció "bütyköl", változatosan használja fel a modulokat. Hasonlat: Rube Goldberg rajzai (a biológia metaforája):

  Az esőcseppek (A) ráhullanak az aszalt szilvára (B), mely megduzzad és meglöki a kart (D), melynek másik végén a műkéz (D) megforgatja a kiürült öngyújtó (F) dörzskerekét. A tűzkőből (E) kirepülő szikrák (G) meggyújtják a gyertyát (H), mely felforralja a kannában (I) lévő vizet. A kilépő gőz (J) megfújja a sípot (K). A cirkuszi majom (L) azt hiszi, hogy ez a jel az attrakció megkezdésére, és átugrik a trapézra (M), mely lengés közben a kés (N) élével elvágja a zsinórt (O), ezzel elengedve a léggömböt (P). A léggömb felszáll, a hozzá kötözött madzag (Q) kinyitja a kalitka ajtaját, s a madarak (R) kirepülnek, zsinórokkal felemelve az esernyő pálcáit.
  

  • Sok ilyen rajzon szerepel majom, ha csak azt látjuk, nem tudunk a többi elemre, sem az egész rendszer funkciójára következtetni.
  • Ha a majom hiányzik, nehezen tudjuk megjósolni, mi lehet a helyén, túl sok lehetőség van
  • A biológiai rendszerek is így épülnek fel részekből.
• Az új szekvenciák kb. egyharmadának egyáltalán nem lehet a funkciójára következtetni az ismert funkciójú fehérjék szekvenciái alapján, mert a funkcionális jellemzés nem képes lépést tartani a szekvenciaadatbázisok növekedésével
• Még a nagy szekvencia- és szerkezeti hasonlóság sem jelent mindig funkcionális azonosságot vagy rokonságot. Példa: alfa-laktalbumin és lizozim: 50% szekvenciaazonosság, lényegében azonos térszerkezet, teljesen más funkció (lizozim baktérium sejtfalát emészti, alfa-laktalbumin a laktóz szintáz szabályozófehérjéje)

  

  Alfa-laktalbumin

  

  Lizozim

A szekvencia és a szerkezet szerepe a funkció meghatározásában

• A szerkezet a váz, amelyre a szekvencia fel van fűzve. A funkció megállapításához szükséges a szekvencia részleteinek ismerete. Analógia: szoba és berendezése (csak a berendezés részleteiből tudhatjuk meg, mire való a szoba).
• A funkció megállapításához a biológiai kontextust is ismerni kell (milyen épületben van a szoba)

A bioinformatikai programok, eljárások, algoritmusok nem végleges, biztos válaszokat adnak, csak segítenek leszűkíteni a lehetőségek körét és kísérleteket tervezni a kérdések eldöntésére. A valódi válaszokat a biológiai háttérismeretek fényében találhatjuk meg.

Pár jótanács

Ne higgyük el mindig:

• ami az adatbázisokban van (félrevezető vagy hibás lehet a szekvencia vagy a funkcióhozzárendelés)
• amit a programok mondanak (a programban hiba lehet, az eredmény félrevezető lehet)
• amit a webszerverek mondanak (dettó)
• amit a szakirodalomban olvasunk (a tévedések nem ritkák)

Továbbá:

• Ne ragadjunk le egy "legjobbnak vélt" módszernél, adatbázisnál. Ne ragadjunk le a részleteknél. Sokféle megközelítést alkalmazva keressünk konszenzusos képet.

Bioinformatikai webhelyek

EMBL, SRS

NCBI (Medline, Genbank, stb.)

Expasy, Swissprot, Amos

CCP11 projekt