BIOINFORMÁTICA UFMG A T G C. A T G C Performance de anotação automática com grupos de ortólogos KOG Se vc conhece os grupos de ortólogos de MO E vc pode.

Apresentação em tema: "BIOINFORMÁTICA UFMG A T G C. A T G C Performance de anotação automática com grupos de ortólogos KOG Se vc conhece os grupos de ortólogos de MO E vc pode."— Transcrição da apresentação:

1 BIOINFORMÁTICA UFMG A T G C

2 A T G C Performance de anotação automática com grupos de ortólogos KOG Se vc conhece os grupos de ortólogos de MO E vc pode conhecer a anotação correta de ESTs de um MO Um experimento pode ser feito! Mas… vc tem que conhecer o cutoff para o alinhamento de uma EST com a sua proteína cognata –(parece simples mas não é)

3 BIOINFORMÁTICA UFMG A T G C Como é uma entrada KOG?

4 BIOINFORMÁTICA UFMG A T G C As seqüências analisadas ORGANISMESTsPROTEINSKOGs Arabidopsis thaliana 178.53824.15413.744 Caenorhabditis elegans 215.20017.10110.581 Drosophila melanogaster 261.40410.5178.445 Homo sapiens 1.941.55626.32419.039 pUC18 8461

5 BIOINFORMÁTICA UFMG A T G C Seqüências de pUC reunidas por 82% de similaridade equivalem a 96% de identidade 82%.93

6 BIOINFORMÁTICA UFMG A T G C Os cutoffs se aproximam de 80% de similaridade para alinhamentos EST-proteina correta

7 BIOINFORMÁTICA UFMG A T G C O teste de anotação cel dme hsa ath KOG dme ESTs Assigned ESTs to desired KOGs BLAST Cutoff 78%

8 BIOINFORMÁTICA UFMG A T G C Elimine o KOG para um organismo por vez ( transforme-o em um transcriptoma novo ) cel dme hsa ath KOG dme ESTs correct:same KOG changed: distinct KOG speculated:not assigned BLAST

9 BIOINFORMÁTICA UFMG A T G C A especulação minimiza com o cutoff apropriado de “designação” correct especulated changed

10 BIOINFORMÁTICA UFMG A T G C A anotação correta é maior que 90% correctchangedespeculated 89,3% 5,2% 5,5% 96,7% 1,6% 1,8% 91,9% 3,0% 5,1% 96,3% 2,4% 1,2%

11 BIOINFORMÁTICA UFMG A T G C Quantas ESTs eu preciso para descobrir oKOG todo? (com ou sem o organismo cognato na base) Picturing Discovering

12 BIOINFORMÁTICA UFMG A T G C Por categoria funcional C. elegans D. melanogaster picturingsampling

13 BIOINFORMÁTICA UFMG A T G C Schistosoma mansoni KOG category

14 BIOINFORMÁTICA UFMG A T G C Sumarizando 80% (EST-aa) equivale a cutoff de 96% (EST-nt) usado no UniGene Anotação com KOG é acima de 90% correta Clusters KOG de S. mansoni não foram completamente descobertos –Alguns podem estar faltando…

15 BIOINFORMÁTICA UFMG A T G C

16 A T G C Níveis de expressão e amostragem em bibliotecas de EST A chance de descobrir um gene dependerá –Da ocorrência –Da conservação Ambos podem ser estimados em Organismos Modelo

17 BIOINFORMÁTICA UFMG A T G C Computando amostragem e conservação de ESTs usando organismos modelo athcel dmehsa KOG clusters athESTs {N} Conservation N Sampling

18 BIOINFORMÁTICA UFMG A T G C I MISS YOU aplicado a S. mansoni

19 BIOINFORMÁTICA UFMG A T G C I MISS YOU aplicado a S. mansoni

20 BIOINFORMÁTICA UFMG A T G C Glicólise: exemplo de amostragem

21 BIOINFORMÁTICA UFMG A T G C Genes muito expressos são mais compartilhados que os pouco expressos

22 BIOINFORMÁTICA UFMG A T G C Resumindo K-EST sugere a chance de descobrir um gene com quantidades crescentes de ESTs Mostra o nível de variação da expressão entre as várias bibliotecas usando estatística de Steckel “R” Amostragem conjugada a conservação, em organismos modelo, pode indicar ausência de genes