Introdução à Montagem de Genomas

Apresentação em tema: "Introdução à Montagem de Genomas"— Transcrição da apresentação:

1 Introdução à Montagem de Genomas
Gustavo Gilson Lacerda Costa

2 Histórico 1995, Haemophilus influenzae 1996, Methanococcus jannaschii
1997, Saccharomyces cerevisiae 1997, Escherichia coli 1998, Caenorhabditis elegans 2000, Drosophila melanogaster 2000, Arabidopsis thaliana 2001, Homo sapiens 2002, Schizosaccharomyces pombe 2002, Oryza sativa 2002, Mus musculus 2005, Pan troglodites

3

4 Onde sequenciar seu genoma
Illumina ( $9500 por indivíduo $7500 para grupos de 5 Serviço contratado sempre através do médico do paciente O médico recebe um notebook com um navegador genômico carregado com os dados do paciente

5 Onde sequenciar seu genoma
DNAVision (

6 Onde sequenciar seu genoma
Complete Genomics ( Para grandes lotes, preço por genoma pode chegar a $5000 Serviço voltado para empresas e instituições acadêmicas

7 Montagem de genomas

8 Whole Genome Shotgun (WGS)
Quebrar o DNA original em fragmentos aleatórios e selecionar os fragmentos de determinado tamanho (Ex: 2Kbp) Não sabemos a posição de cada fragmento no genoma

9 Whole Genome Shotgun (WGS)
Sequenciar as pontas de cada fragmento

10 Whole Genome Shotgun - Montagem
DNA original singlet NOte that contig orientation/order is not determined gap

11 Montagem de genomas (ab initio)
Reconstruir a sequência do genoma, dados vários (potencialmente milhões) fragmentos curtos de sequência (os reads) Os reads têm tamanho entre bp Os reads podem conter erros de sequenciamento (mismatches ou indels) A orientação (5`3` ou 3`5`) de cada read é desconhecida

12 TAMANHO DOS GENOMAS

13 Tamanho do genoma 3,4 Gbp Homo sapiens 15 Gbp Allium cepa 680 Gbp
Amoeba dubia

14 1pg ~ 1Gbp

15 Cobertura Total de pares de bases em reads dividido pelo tamanho do genoma Ex: Genoma de 1Mbp 5 milhões de reads de 50bp Cobertura = ( * 50) / = 25X Na prática, corresponde a quantas vezes, em média, cada base do genoma foi sequenciada

16 Cobertura É preciso ter várias coberturas para conseguir montar contigs grandes (oversampling) Sanger: 8X a 10X 454 Titanium (pirosequenciamento): 15X Solexa: > 50X

17 Modelo de Lander-Waterman
L = tamanho do read T = overlap mínimo G = tamanho do genoma N = número de reads c = cobertura (NL / G) σ = 1 – T/L E(#clusters) = Ne-cσ E(tamanho do cluster) = L((ecσ – 1) / c + 1 – σ) cluster = contig ou singlet

18 Exemplo c N #cluster #contigs bases não sequenciadas 1 1,667 655 614
Genome size: 1 Mbp L= T= 40 c N #cluster #contigs bases não sequenciadas 1 1,667 655 614 367,806 3 5,000 304 250 49,787 5 8,334 78 57 6,735 8 13,334 7 335

19 Modelo de Lander waterman

20 Medidas para avaliar uma montagem
Número de contigs Tamanho médio dos contigs Tamanho do maior contig N50: maior N tal que 50% do total de pares de base do genoma esteja contida em contigs >= N bp

21 Cálculo do N50 Seja uma montagem de um genoma de 300 bp que produziu 8 contigs de tamanho (3, 3, 15, 24, 39, 45, 54 e 117) Ordenar os contigs em ordem decrescente de tamanho e ir somando um por um Quando a soma ultrapassar 150 (300/2), o tamanho do contig da vez é o N50 Os dois maiores contigs (117+54=171) ultrapassam 150. Logo N50=54 (tamanho do segundo maior contig)

22 Glossário de montagem Read: fragmento sequenciado
Contig: Pedaço contíguo de sequência formado a partir da sobreposição dos reads Singlet: read sem sobreposição com nenhum outro Gap: região do genoma não capturada por nenhum read Cobertura: Total de bases sequenciadas dividido pelo tamanho do genoma

23 Paradigmas de montagem
Guloso (Greedy) Overlap – Layout – Consensus (OLC) Grafo de De Bruijn (DBG)

24 I - Guloso (Greedy) Guloso Phrap, TIGR assembler, CAP3
Criação de uma tabela de sobreposições Pegue a sobreposição de melhor score Junte os fragmentos Repita até que não possa ser feita mais nenhuma junção

25 I - Guloso (Greedy) Phrap, TIGR assembler, CAP3
Mesmo paradigma, diferentes resultados Cada programa usa uma série de heurísticas próprias, pré e pós processamentos Cap3: montagem de ESTs (transcritos) Phrap e TIGR: genomas (pequenos e simples) Nenhum deles funciona bem com reads curtos (Illumina/Solid)

26 II - Overlap – Layout – Consensus (OLC)
Overlap: alinhamento par a par entre todos os reads sequenciados para detectar sobreposições Layout: ordenação/orientação dos reads de acordo com os overlaps Consensus: reconstrução da sequência do genoma através do alinhamento múltiplo dos reads (obedecendo ao layout)

27 II - Overlap – Layout - Consensus
Montadores OLC usam uma estrutura de dados chamada grafo de overlap Celera Assembler Arachne Mira Newbler

28 O que é um grafo? Informalmente, um grafo é um conjunto de vértices conectados por um conjunto de arestas Grafo direcionado Grafo não direcionado 1 2 3 1 2 3 4 5 6 4 5 6

29 II - Overlap-Layout-Consensus Grafo de overlaps
Vértices: reads Arestas: overlaps Overlap graph for a bacterial genome.  The thick edges in the picture on the left (a Hamiltonian cycle) correspond to the correct layout of the reads along the genome (figure on the right).  The remaining edges represent false overlaps induced by repeats (exemplified by the red lines in the figure on the right) Fonte:

30 III - Grafo de De Bruijn (DBG) - Definição
É uma representação de uma sequência (ou conjunto de sequências) através de sua decomposição em subsequências de tamanho K (K-mer) Os vértices são sequências de k-1 caracteres Arestas são inseridas entre pares de vértices (u,v) em que o sufixo de tamanho k-2 de u é igual ao prefixo de tamanho k-2 de v k=7, k-1=6, k-2=5 O k-mer ou aresta é ACCTGAT

31 Construção de um grafo de De Bruijn
Reads= (GTGC,ATGT,GCCG,CGCA,TGCC) k=3 CC CG GT AT TG GC CA

32 Grafo de De Bruijn K=8 Fonte:

33 Grafo de De Bruijn GENOMA E se o genoma fosse desconhecido?
Vamos ver como ficaria o grafo de De Bruijn construído a partir dos reads Cada read é decomposto em subsequências de tamanho K (K-mers) e inserimos todos os K-mers no grafo de uma vez

34 Grafo de De Bruijn

35 Grafo de De Bruijn Sem erros de sequenciamento e com cobertura alta
DBG do genoma ~ DBG dos reads A sequência do genoma pode ser recomposta através de um caminho euleriano no DBG Caminho euleriano: caminho que passa por todas as arestas do grafo exatamente uma vez Se o DBG não for euleriano, tenta-se simplificá-lo ao máximo e encontrar subgrafos eulerianos

36 Grafo de De Bruijn Erros de sequenciamento tipicamente geram topologias características no DBG

37 Grafo de De Bruijn Repeats também induzem topologias características

38 Grafo de De Bruijn Repeats também induzem topologias características

39 Reconstituição do genoma com o DBG
Reads= (GTGC,ATGT,GCCG,CGCA,TGCC) k=3 Reconstruir a sequência do genoma é encontrar um caminho euleriano (caminho que passa por cada aresta uma unica vez) CC CG GT AT TG GC CA

40 Reconstrução da sequência (De Bruijn)

41 Reconstrução da sequência (De Bruijn)

42 Reconstrução da sequência (De Bruijn)

43 Reconstrução da sequência (De Bruijn)

44 Reconstrução da sequência (De Bruijn)

45 Reconstrução da sequência (De Bruijn)

46 Montagem - De Bruijn (Velvet, Euler-USR, Abyss)
Escolha um valor de K, menor que o tamanho do read K grande: mais especificidade K pequeno: mais sensibilidade Inicie um grafo G vazio Para cada read sequenciado, divida-o em palavras de tamanho k (k-mers), com passo de 1, e insira os k-mers no grafo G Simplifique o grafo G (remova tips e bubbles) Busque caminhos eulerianos Se não houver, busque subgrafos eulerianos

47 Montagem - De Bruijn (Velvet, Euler-USR, Abyss)
Os montadores DBG conseguem gerenciar quantidades massivas de sequência Não precisa alinhar todo mundo contra todo mundo Construção do grafo em tempo linear Erros de sequenciamento -> grafo maior -> muita, muita memória

48 O problema dos repeats Trechos de sequência repetidos ao longo do genoma Em procariotos: pouco frequente Em fungos: média quantidade Em algumas plantas e em vertebrados compõem a maior parte do genoma Desafio para qualquer software, independente do paradigma usado

49

50 A B C D E F G H I J K L 1 2 3 4 5 6 7 8 9 10 11 12

51 A B C D 1 2 3 4

52

53 O problema dos repeats Vamos tentar reconstruir a seguinte frase (genoma) a partir de alguns fragmentos (reads) It was the best of times, it was the worst of times, it was the age of wisdom, it was the age of foolishness, …

54 Qual a próxima palavra? Worst ou Age?

55 Erros de montagem causados por Repeats
excision collapsed tandem rearrangement

56 Resolvendo repeats com paired ends

57 O problema dos repeats O maior repeat tem tamanho 5. Logo eu precisava de reads maiores que 6 para conseguir montar sem ambiguidades

58 O problema dos repeats Ou então: vínculos par a par entre os reads com distância conhecida (paired ends)

59 Construindo Scaffolds
Os paired ends também são muito úteis para ordenar e orientar os contigs Mesmo que não tenhamos a sequência entre dois contigs, a informação de que eles são vizinhos é de grande valor We need to determine the relative order/orientation of contigs Using forward-reverse constraints helps SCAFFOLD

60 Resumo do processo de montagem
Scaffolding

61 Scaffolding Alguns montadores são capazes de produzir scaffolds Velvet
Celera assembler SoapDeNovo Newbler Programas standalone Bambus Supercontigs Construção de scaffolds também é um problema modelado em grafos (caminho de custo mínimo)

62 Tamanho do read, paired-ends e cobertura
Reads grandes facilitam a montagem. Se eles forem pareados melhor ainda Reads longos podem atravessar repeats Reads paired-ends ajudam a resolver ambiguidades e atravessar repeats maiores Cobertura alta também ajuda, mas só até um certo ponto Mais precisão para determinar as bases do consenso Diminui as chances de haver regiões do genoma não sequenciadas Regiões do genoma de cobertura atipicamente alta provavelmente representam repeats fundidos 11 April 2017 · Computational Genomics

63 Montagem comparativa Em algumas ocasiões, já existe um genoma de algum organismo parecido sequenciado (referência) Queremos saber as diferenças entre o nosso genoma de interesse e a referência Mais simples computacionalmente Alinhamos os reads contra a referência, fazemos o layout e o consenso Alignment-Layout-Consensus

64 Ressequenciamento Ressequenciamento: SNPS, variações estruturais, variações de número de cópias DEL SNP reference genome 64

65 REFERÊNCIA= TODAY_IS_SUNDAY
Montagem ab initio Montagem comparativa