Palabras clave en el ADN y predicción computacional de elementos reguladores.

Otros codigos Clusterizacion ADN Retos Grupo

Palabras clave en el ADN y prediccioncomputacional de elementos reguladores

Jose L. Oliver

Grupo de Genomica Evolutiva y BioinformaticaDpto. de Genetica

Universidad de Granadahttp://www.ugr.es/˜oliver/

Jose L. Oliver Palabras clave y prediccion computacional de elementos reguladores

Otros codigos Clusterizacion ADN Retos Grupo Evidencias Funcion y ADN no-codificador

Evidencias de otros codigos en el ADN

Tras la secuenciacion del genoma humano, sabemos que:

Solo hay 20.000-25.000 genes para proteınas

Equivalen al 2 % del genoma

Sin embargo, el 57-80 % del genoma se transcribe

Evidencias indirectas:

ADN no-codificador pero conservado evolutivamenteSeleccion purificadora en el 20-30 % del ADN no-codificador

Hay otras capas de informacion en el genoma

Codigo regulador: promotores, sitios de union a factores detranscripcion o TFBSs, enhancers, represores, microRNAs, RNAi,orıgenes de replicacion, secuencias centromericas, elementos separadores,etc... y los que no conocemos.



Tres principios para predecir funcion

Sobre-abundancia de ciertas palabras (motifs).

Problema: se asume su independencia, ignorando las relacionesespaciales entre diferentes motivos. Es decir, solo se toman en cuentalas frecuencias de las palabras, pero no su organizacion espacial.

Conservacion evolutiva: las regiones conservadas en distintas especiesdeben tener un papel funcional.

Problema: casi la mitad de los elementos funcionalesno-codificadores en las regiones ENCODE no estan conservadosevolutivamente.

Grupos de genes co-regulados: los genes con el mismo perfil de expresion(activacion/silenciamiento) comparten elementos reguladores.

Problema: incertidumbre en cuanto al numero de grupos,naturaleza combinatoria de la regulacion.



Un nuevo principio para predecir funcion

Basado en la extrapolacion a textos de una tecnica para medir desordenen sistemas cuanticos (Carpena et al., Physical Review E 79, 035102-4, 2009):

Las palabras relevantes/funcionales estan clusterizadas, mientras quelas palabras comunes se distribuyen al azar.

Se tienen en cuenta tanto la composicion (frecuencias) como laestructura (distribucion espacial) del texto genetico.

Genes, islas CpG, y sitios de union a factores de transcripcion estanclusterizados ⇒ este principio podrıa funcionar tambien en elgenoma.

El metodo para extraer palabras clave en el ADN se basa en lo quehemos aprendido analizando textos literarios normales y textos ”sincomas”(como el ADN!):tatcattcactttcagccaccaattcactttca...


Otros codigos Clusterizacion ADN Retos Grupo Espectros Medida Textos Sin comas

El espectro de una palabra en un texto

Para cada palabra, se determinan sus posiciones en el texto (suespectro).

Por ejemplo, en la siguiente frase el espectro de la palabra a serıa(1,6,10):

A great scientist must be a good teacher and a goodresearcher



El espectro de dos palabras equifrecuentes

Espectros de las palabras Quixote y but en las 50.000 primeras palabrasde la version inglesa del Quijote:

0 10000 20000 30000 40000 50000

(248 occurrences)

(288 occurrences)

'but'

'Quixote'

position (words)

Frequencia similar pero estructura muy diferenteLas palabras relevantes estan clusterizadas



Cuantificando la clusterizacion: σ y σnor

Ortuno, Carpena, Bernaola et al. (Europhysics Letters 57, 759-764, 2002):

σ ≡ s/〈d〉 (1)

siendo 〈d〉 la distancia media y s =√〈d2〉 − 〈d〉2 la desviacion standard

de P(d).

Sin embargo, σ depende de la frecuencia de la palabra. Dichadependencia se elimina mediante normalizacion (Physical Review E 79: 035102-4,2009):

σnor =σ√

1− p(2)

siendo p = n/N la probabilidad de la palabra en el texto.



Efecto de la normalizacion de σ

Simulacion de textos aleatorios:

0 100 200 300 400 500 600 700 800 900 10000.86

0.88

0.90

0.92

0.94

0.96

0.98

1.00a)

0 200 400 600 800 1000

0.84

0.88

0.92

0.96

1.00

<σ>

n (word count)

p = 0.01 p = 0.05 p = 0.1

<σ

nor>

n (word count)

Las lıneas horizontales son los valores esperados√

1− p.



Significacion estadıstica: la medida C

Otra mejora importante que hemos incorporado ha sido asociar aσnor una significacion estadıstica.

Para ello, dada una palabra con frecuencia n, definimos la medida Ccomo un z-score:

C (σnor, n) ≡ σnor − 〈σnor〉(n)

sd(σnor)(n)(3)

C mide la desviacion de σnor con respecto al valor esperado en untexto aleatorio (〈σnor〉(n)) en unidades de la desviacion standardesperada (sd(σnor)(n)).

C = 0→ Distribucion aleatoria

C > 0→ Clusterizacion

C < 0→ Repulsion



Palabras clave en textos literarios

La medida C permite extraer palabras clave de textos literarios(novela, poesıa, libros cientıficos...)

Por ejemplo, en el libro The Origin of Species...

word Counts σnor C

sterility 122 6.018 58.00hybrids 152 5.14 53.04varieties 486 3.13 47.64instincts 100 4.87 40.93species 1922 1.91 39.87plants 471 2.64 36.23crossed 116 3.97 33.65bees 92 4.18 32.36island 69 4.57 32.01instinct 79 4.33 31.65pollen 121 3.66 30.73fertility 93 3.97 30.38selection 559 2.27 30.37organs 224 2.97 30.30forms 565 2.22 29.37



Textos ’sin comas’

El metodo funciona tambien en textos ’sin comas’ (sin espacios nisenales de puntuacion).

Era de esperar porque, aunque se eliminen los espacios, las distanciasentre palabras relevantes y comunes siguen siendo diferentes.

Puesto que se desconoce la longitud de palabra, se toman todos losk-mers con longitud entre 2 y 35.

El resultado son linajes de palabras: cada palabra contiene palabrasmas cortas y esta contenida a su vez en otras palabras mas largas.

Por ejemplo, para la palabra ventero en El Quijote encontramosventer o entero (hijos) y lventero o venteroy (padres).

Para eliminar la redundancia, cada linaje se organiza en un graficoacıclico dirigido (DAG) y se eligen las palabras que sobrepasan ciertoumbral de C (percentiles 50, 75 o 95).



Relativity: The Special and General Theory, by A. Einstein

Palabras clave extraıdas tras eliminar del texto los espacios y las senalesde puntuacion:

word Counts σnor C

energy 23 4.29 19.10theuniverse 20 3.84 15.76erical 26 3.25 13.74project 35 2.73 11.85alongthe 17 2.92 10.28econtinuum 23 2.70 10.04thegravitationalfield 27 2.60 10.01sphere 16 2.8 9.79electron 13 2.92 9.54geometry 31 2.45 9.54theprincipleofrelativity 33 2.41 9.48specific 11 2.91 9.11theembankment 40 2.25 9.09square 28 2.41 8.92thetheoryofrelativity 32 2.31 8.78velocityv 17 2.60 8.63referencebody 56 2.01 8.50materialpoint 12 2.69 8.29thelorentztransformation 33 2.22 8.26fourdimensional 26 2.33 8.25



http://bioinfo2.ugr.es/TextKeywords/

Libros analizados, con y sin espacios (tomados del proyecto Gutenberg):

EspanolDon Quijote, Miguel de CervantesLa Celestina, Fernando de Rojas

InglesRelativity: the especial and general theory, Albert EinsteinThe Origin of Species by means of Natural Selection, Charles DarwinDon Quixote, Miguel de CervantesThe Odyssey, HomeroThe Jungle Book, Rudyard KiplingMoby Dick, Herman MelvilleThe Three Musketeers, Alejandro Dumas

AlemanFaust: Der Tragodie erster Teil, Johann Wolfgang von GoetheFaust: Der Tragodie zweiter Teil, Johann Wolfgang von Goethe

ItalianoLa Divina Commedia di Dante, Dante Alighieri

LatınDe Bello Gallico, Julio Caesar


http://bioinfo2.ugr.es/TextKeywords/

Otros codigos Clusterizacion ADN Retos Grupo Unfolding DNAKeywords Funcion biologica Sobreabundancia

Clusterizacion en el ADN

La analogıa entre textos ’sin comas’ y ADN es solo aproximada:

Diferencia de tamano: 2-3 Mb en textos frente a los 150 Mb de uncromosoma medio.

El ADN es un texto de autor multiple: se reescribe continuamentepor puntos diferentes y con estilos (sesgos mutacionales) diferentes.⇒ Mezcla de distribuciones ⇒ Clusterizacion trivial

La clusterizacion trivial la eliminamos mediante unfolding: la σ senormaliza usando medias locales (a cierta escala s) en vez de lamedia global (Bohigas et al., Physical Review Letters 52, 1-4, 1984).

En el genoma humano, una escala entre 20 y 50 permite eliminar laclusterizacion trivial.



Un vocabulario para el genoma humano

DNAkeywords contiene datos de clusterizacion para los k-mers (k = 2− 12) de los 24 cromosomasdel genoma humano (hg18, NCBI Build 36.1):



Palabras clave en el genoma humano

Numero de palabras clave en la secuencia de referencia (hg18, NCBIBuild 36.1, k-mers para k = 2− 12)

Escala Umbral de C N (24 cromosomas) No-redundantes

20 50 599.964 207.650” 75 294.475 119.925” 95 52.312 28.145

50 50 592.729 199.860” 75 263.941 102.865” 95 26.532 15.690



Clusterizacion y funcion biologica

k = 2− 8, s = 50

0 1 2 3 4 52 0

3 0

4 0

5 0

6 0

7 0

8 0

% of

words

withi

n the

geno

me el

emen

t

��

��

Muchos elementos genomicos son ricos en palabras clave



En algunos elementos, no se ve tal relacion

k = 2− 8, s = 50

0 1 2 3 4 50

1 0

2 0

3 0

4 0

5 0

6 0

7 0

8 0%

of wo

rds wi

thin t

he ge

nome

elem

ent

��

��



Sobreabundancia estadıstica

Para cada elemento, se determina la frecuencia observada de cadapalabra, y se compara con la frecuencia en 100 segmentos (de la mismalongitud y elegidos al azar) del resto del genoma:



Proporcion de palabras sobreabundantes (z-score > 2.33)

Cromosomas 19-22, N = 2000, s = 50, percentil 95:

1 TFBSs conserved in the human/mouse/rat alignment→ (21.60 %)

2 CpG islands predicted by CpGcluster→ (65.35 %)

3 Promoter region of RefSeq Genes, (200 bp around the TSS)→ (43.80 %)

4 Promoter region from DBTSS (200 bp around the TSS)→ (39.70 %)

5 Curated regulatory regions, TFBSs, and regulatory polymorphisms→ (19.00 %)

6 TSSs predicted by the program Eponine→ (23.95 %)

7 ESPERR Regulatory Potential→ (21.25 %)

8 Vista HMR-Conserved Non-coding Human Enhancers from LBNL→ (0.85 %)

9 Conserved mammalian microRNA regulatory target sites for conserved microRNA families in the 3’ UTR regions of Refseq Genes,as predicted by TargetScanS→ (1.60 %)

10 microRNAs, C/D and H/ACA Box snoRNAs and scaRNAs from miRBase and snoRNABase→ (0.90 %)

11 poly(A) Sites, both reported and predicted→ (1.35 %)

12 Experimentally identified human genomic insulators→ (38.95 %)

13 Exons from RefSeq→ (39.50 %)

14 Introns from RefSeq→ (11.75 %)

15 Repeats by RepeatMasker→ (29.60 %)

16 PhastCons Conserved Elements→ (21.85 %)

El 80 % de las palabras clave detectadas se puede relacionar con alguno de loselementos genomicos conocidos



Para el futuro

Busquedas no-exactas (fuzzy), obteniendo la distribucion compuestade distancias antes de calcular la clusterizacion.

Localizacion y organizacion de los clusters (homo- y heterotıpicos)de palabras en el cromosoma: combinatoria de la regulacion.

Desarrollo de predictores especıficos para distintos elementosfuncionales.



Grupo

Fısica Aplicada II, Malaga:

Pedro BernaolaPedro CarpenaAna V. Coronado

Genetica, Granada:

Michael Hackenberg (posdoctoral)Guillermo Barturen (predoctoral)Teresa Galera (predoctoral)Angel Martın Alganza (administrador del sistema)

GRACIAS!


Palabras clave en el ADN y predicción computacional de elementos reguladores.

Technology

Transcript of Palabras clave en el ADN y predicción computacional de elementos reguladores.