Identificação dos Genes de uma cadeia de DNA com a ferramenta GENSCAN Lauro Didier Lins Junho de 2001

Introdução Aumento do número de cadeias de DNA seqüenciadas. Necessidade de saber como todos estes DNAs se expressam (genes). Grande quantidade de dados. (ex. 3 bilhões de pares de base no genoma humano). Utilização de métodos computacionais se torna fundamental.

Identificação de Genes (parte 1) DNA? Gene? Identificação de Genes? DNA Gene Identificação

Identificação de Genes (parte 2) Exons... Introns... Sentido 5’ 3’... Em apenas uma das fitas do DNA...

GENSCAN Programa de computador para identificação de genes. Basedo num modelo probabilistico para a estrutura do Gene descrito por Chris Burge e Samuel Karlin, ambos do departamento de matemática da universidade de Stanford. Genscan DNA Genes

Características do GENSCAN (parte 1) Identificação da estrutura completa de intron/exon dos Genes Capacidade de identificar múltiplos genes, genes parciais ou genes completos. Capacidade de identificar genes em ambas as fitas do DNA. Capacidade de identificar tanto exons otimais quanto exons sub-otimais (em relação ao modelo).

Características do GENSCAN (parte 2) Adequado para: vertebrados, milhos e Arabidopsis. Associa probabilidade significativa a suas predições. Não utiliza homologia com proteínas. Não aborda corte alternativo (alternative splicing). Não modela genes nas duas fitas que se sobrepõem (são raros).

Aspectos Importantes Através da observação de exemplos bem documentados alguns aspectos importantes para a identificação de genes foram percebidos: –Conteúdo C+G Densidade de Genes Tamanho dos Genes –Regiões Características

O que é mesmo DNA?... Gene?... Identificação de Gene?... Genscan? DNA Gene Genscan Identificação

Como identificar o que é e o que não é Gene numa cadeia de DNA? (parte 1) Analogia de um DNA com um programa... –Os Genes seriam blocos responsáveis por uma única rotina do programa.... // esta rotina define a cor dos olhos da pessoa. begin // a cor dos olhos será azul cor_dos_olhos = AZUL end // esta rotina define se a pessoa escreve com // a mão esquerda ou direita. begin // esta pessoa aqui será canhota! escreve_com_a_mao = ESQUERDA end... DNA Gene

Como identificar o que é e o que não é Gene numa cadeia de DNA? (parte 2) Num programa todo bloco... –... começa com um begin... –... e termina com um end... // esta rotina define a cor dos olhos da pessoa. begin // a cor dos olhos será azul cor_dos_olhos = AZUL; end // esta rotina define se a pessoa escreve com // a mão esquerda ou direita. begin // esta pessoa aqui será canhota! escreve_com_a_mao = ESQUERDA; end... Marcador de início e fim de bloco Marcador de início E fim de bloco

Como identificar o que é e o que não é Gene numa cadeia de DNA? (parte 3) No programa todo bloco pode ser identificado simplesmente procurando as palavras begin e end. Será que todo gene também tem uma “palavra begin” e uma “palavra end”? –Empiricamente podemos dizer que sim! Agora vem a pergunta mais importante: Será que é possível definir como é a “palavra begin” e a “palavra end” de um gene para possamos indentificá-los assim como no programa (nossa analogia)? –Definir exatamente ainda não é possível. Porém sabemos mais ou menos a “cara” do begin e do end de um gene e utilizamos este conhecimento para identificar estatisticamente (não é 100%) onde estão os genes de uma cadeia de DNA.

O que sabemos... (parte 1) O Gene está situado em uma das fitas do DNA e é base para a codificação de um tipo de proteína.

O que sabemos...(parte 2) Identificar um Gene é equivalente a saber exatamente: –Em que fita do DNA se encontra o Gene. –Onde estão seus Exons

O que sabemos...(parte 3) Alguns detalhes de como são “mais ou menos”os sinais begin e end de um Gene: –Antes do início de um Gene existe a região promotora rica em TATA (pares de Timina Adenina). –Num dos exons iniciais existe um códon (tripla de nucleotídeos) normalmente ATG que será o marcador do início da tradução, ou seja, o próximo códon já definirá um aminoácido na proteína que será sintetizada. –Entre um exon e um intron existe a chamada região de corte doadora (donor splice site ou 5’ splice site). –Entre um intron e um exon existe a chamada região de corte aceitadora (acceptor splice site ou 3’ splice site). –No último exon do Gene existe um códon de parada, a partir do qual nenhum aminoácido entrará mais na proteína que está sendo sintetizada. –A região após o último exon do gene é rica em A’s (Adenina) chamada cauda polyA

GENSCAN Ferramenta para identificação de genes numa cadeia de DNA baseda num modelo probabilistico para a estrutura do Gene descrito por Chris Burge e Samuel Karlin, ambos do departamento de matemática da universidade de Stanford. Modelo adequado para eucariotos. Modelo baseado num Generalized Hidden Markov Model (GHMM).

GENSCAN Ferramenta para identificação de genes numa cadeia de DNA baseda num modelo probabilistico para a estrutura do Gene descrito por Chris Burge e Samuel Karlin, ambos do departamento de matemática da universidade de Stanford. Modelo adequado para eucariotos. Modelo baseado num Generalized Hidden Markov Model (GHMM).

Características do GENSCAN Identificação da estrutura completa de intron/exon de um Gene numa cadeia de DNA. Capacidade de identificar múltiplos genes, genes parciais e genes completos. Capacidade de identificar um conjunto de Genes ocorrendo em ambas as fitas do DNA. Capacidade de identificar tanto exons otimais quanto exons sub-otimais (em relação ao modelo)

Como usar o GENSCAN Pedaço contíguo de uma fita de DNA: ACGAAGGTTCATATC... Matriz de Parâmetros (três opções): 1.Vertebrados 2.Arabidopsis 3.Maize Sub-Optimal cutoff: {1.00, 0.50, 0.25, 0.10, 0.05, 0.02, 0.01} (se for 1.00 só gera á melhor saída do modelo). GENSCAN Estrutura de Genes estimada pelo GENSCAN para o DNA dado como entrada.

Exemplo (parte 1) Identificar os genes da seqüência X66401, que contém bp. Esta seqüência está presente no cromossomo 6 do homem e se sabe que ela contém 5 genes (4 na fita que está registrada e 1 na fita oposta).

Exemplo (parte 2) A saída detalhada do GENSCAN tem a seguinte forma (apenas o primeiro gene downstream)... Número do gene, número do exon no gene Tipo: Init – exon inicial Intr – exon interno Term – terminal exon Sngl – único exon de um gene Prom – sinal promotor PlyA – sinal poli-A Strand – fita do DNA + = fita entrada - = fita oposta Posição inicial do exon/sinal (posição relativa a fita de DNA dada como entrada) Posição final do exon/sinal (posição relativa a fita de DNA dada como entrada) Comprimento do exon/sinal: Len = End – Begin + 1 (reading frame) Um códon na fita pra frente que termina na posição X tem frame x módulo 3 (net phase) Len módulo 3 Score do sinal de início ou do 3’ splice site (só definido para exons) Score do splice site 5’ ou do sinal de término (só só definido para exons) (Coding Region Score) Score da região codificante (só para exons) Exon score, depende de {Len, I/Ac, Do/T e CodRg} Os scores têm a seguinte interpretação: > 100, é muito bom 50–100, é bom 0-50, é regular < 0, é ruim Probabilidade do exon (só definida para exons)

Referências Transparência on-line (autor: Terry Speed) – Papers –Burge,C. and Karlin,S. (1997) Prediction of complete gene structures in human genomic DNA. J. Mol. Biol., 268, –Burge,C. and Karlin,S. (1998) Finding the genes in genomic DNA. Current Opinion in Structural Biology, 8: Site do GENSCAN no MIT –

GENSCAN The state-of-the-art program for finding Genes