CENTRO DE GENOMICA E FITOMELHORAMENTO Introdução à Bioinformática

Apresentação em tema: "CENTRO DE GENOMICA E FITOMELHORAMENTO Introdução à Bioinformática"— Transcrição da apresentação:

1 CENTRO DE GENOMICA E FITOMELHORAMENTO Introdução à Bioinformática
Universidade Federal de Pelotas Faculdade de Agronomia Eliseu Maciel Programa de Pós-Graduação em Agronomia CENTRO DE GENOMICA E FITOMELHORAMENTO Introdução à Bioinformática Luciano C. da Maia Engenheiro Agrônomo Professor Dep. de Fitotecnia FAEM/UFPel

2 Introdução – Parte 2

3 Competências gerais da Bioinformática
1) NÃO TECNOLOGICO - CIÊNCIA BÁSICA - natureza da biologia molecular -que informação está contida nos genomas -como se faz para sequencia -como se faz para montar um genoma/anotar -gerar conhecimento -responder perguntas de “ciência pura” -etc... 2) TÉCNOLOGIA – aplicação do conhecimento – produto -conhecer genes proteinas > alvos para silenciamento, super-expressao (plantas) novos cultivares > alvos para drogas (medicamentos/farmacos) saúde/doenças....

4 Bioinformática: Seqüenciamento...
1) DURANTE O SEQUENCIAMENTO... Bioinformática: Seqüenciamento... Manutenção e gerenciamento das informações obtidas em seqüenciamentos Qualidade das seqüências Armazenamento das seqüências Alinhamento/Montagem Disponibilização Análises …

5 2) PÓS seqüenciamento Montagem de fragmentos Predição de genes
Anotação de genomas Análise de dados de expressão gênica Previsão de estruturas de proteínas Análise de interação entre genes Estudo do sistema de transdução de sinais (fatores trans- e/ou cis-)

6 Tratamento inicial de seqüências base-calling / trimming / assembly
Aplicação: GENOMA Tratamento inicial de seqüências base-calling / trimming / assembly

7 :: Vector sequence masking Cross-Match :: Assembler
Aplicações da Bioinformática 1)PRIMEIRA GERAÇÃO: Grande Escala: :: Base-caller PHRED :: Vector sequence masking Cross-Match :: Assembler PHRAP, CAP3, TIGR Assembler :: Visualizadores CONSED, AutoFinish :: Depósitos DataBase 2)NGS (Next-generation sequencing) :: mesmas etapas NOVAS ESTRATÉGIAS

8 Aplicações da Bioinformática

9 Aplicações da Bioinformática

10 Aplicações da Bioinformática
ASSEMBLY

11 Predição de genes / anotação
2) Aplicação: GENOMA Predição de genes / anotação

12 ? PREDIÇÃO DE GENES - VISÃO GERAL
Aplicações da Bioinformática PREDIÇÃO DE GENES - VISÃO GERAL ACGGTTAA GCCTTAA QUAIS GENES ESTÃO AQUI?? NÚMERO DE INTRONs NÚMERTO DE EXOs NÚMERO DE UTRs NÚMERO DE CDSs ?

13 PREDIÇÃO DE GENES - VISÃO GERAL
Aplicações da Bioinformática PREDIÇÃO DE GENES - VISÃO GERAL

14 PREDIÇÃO DE GENES - VISÃO GERAL
Aplicações da Bioinformática PREDIÇÃO DE GENES - VISÃO GERAL

15 ANOTAÇÃO DE GENOMAS - VISÃO GERAL
Aplicações da Bioinformática ANOTAÇÃO DE GENOMAS - VISÃO GERAL

16 3) Aplicação: TRANSCRIPTOMA base-calling / trimming / assembly
Predição de genes / anotação

17 Biblioteca EST Redundant sequence Assembly CAP3/phrap
Aplicações da Bioinformática Biblioteca EST Redundant sequence Assembly CAP3/phrap

18 non-redundant sequence
Aplicações da Bioinformática Assembly CAP3/phrap >contig1 >contig2 >contig3 >contig4 >contig5 >contig6 >contig7 >singlet1 >singlet2 >singlet3 Uniques non-redundant sequence

19 Aplicações da Bioinformática
CONTIG/CLUSTER de EST >contig1

20 non-redundant EST ANOTAÇÃO Aplicações da Bioinformática >singlet1
>contig1 >contig2 >contig3 >contig4 >contig5 >contig6 >contig7 >singlet1 >singlet2 >singlet3 non-redundant EST ANOTAÇÃO Process GO: protein import Function GO: ATP binding Component GO: membrane Annotation estrutura Domínio/função Pathway

21 Genomica estrutural e comparativa
Aplicações da Bioinformática 4) Aplicação: Genomica estrutural e comparativa

22 Aplicações da Bioinformática

23 Schwartz et ali, Human–Mouse Alignments with BLASTZ
Aplicações da Bioinformática Schwartz et ali, Human–Mouse Alignments with BLASTZ Genome Research, Vol 13, Issue 1, , January 2003

24 Aplicações da Bioinformática
ORTÓLOGOS / PARÁLOGOS

25 Do Plants Have a One-Way Ticket to Genomic Obesity?
Aplicações da Bioinformática Do Plants Have a One-Way Ticket to Genomic Obesity? Rice Foxtail millet Sorghum Maize Triticeae Pearl millet 1.4 7.1 7.4 L S 5.2 5.7 T 1pt 1.1 1.2 1.3 B 2.1 2.5 2.4 2.6 2pt 3.1 3.2 3pt 4.1 4.2 4.3 4pt 5.1 5pt 5.5 5.6 7pt 6 C 8 3 10 2 11 9 7 4 12 1 5 V IIIpt VII IIpt VIII I IV VI IXpt G E H A D J 8pt 9pt 6pt 5.3 5.4 2.2 2.3 7.2 7.3 5.8 Cpt Fpt 10pt 4.4 Shattering Waxy GA-ins dwarfing Ligule-less Photoperiod sensitivity

26 Promotores/Cis-elementos
5) aplicação: Ontologia Promotores/Cis-elementos Metabolismo

27 Aplicações da Bioinformática

28 Aplicações da Bioinformática

29 Aplicações da Bioinformática

30 Cristalográfia / Proteômica Bioinformática estrutural
6) aplicação: Cristalográfia / Proteômica Bioinformática estrutural (# de genômica estrutural)

31 CRISTALOGRAFIA – desvendar as estruturas 3D
Aplicações da Bioinformática CRISTALOGRAFIA – desvendar as estruturas 3D

32 7) aplicação: MINERAÇÃO DE DADOS utilização de informações disponíveis
data mining

33 USO DA BIOINFORMATICA PARA PROSPECÇÃO DE MARCADORES
Aplicações da Bioinformática USO DA BIOINFORMATICA PARA PROSPECÇÃO DE MARCADORES marcadores moleculares – anônimos/randomicos -RFLP, AFLP, RAPD, SSRS… -idéia é associar variações em regioes anonimas do genoma (genótipo) com as variações do fenótipo genes candidatos -idéia é associar variações alélicas em genes candidatos com variações do fenótipo -idéia tornou-se palpável a partir do desenvolvimento da Genômica

34 Genes candidatos! O que são?
Aplicações da Bioinformática Genes candidatos! O que são? Encontrar uma rota e buscar todos os diferentes trans- critos da rota num banco de dados Dormência, Viviparidade, Estresse biótico e abiótico

35 >meu_gene_no_trigo
Aplicações da Bioinformática >meu_gene_no_trigo GAATTCCGGTCGGGGTTCGCCCGGCGCAGTTGTTGAGAGGCAAGGCAAACTCAGGCGACTGAGCTAAAGA AGCCGCACTAGTATGGGGGTGACGAAGGCGGAGGCGGTTGCCGCGACGGGGAAGGTGGTGGACGACATCG AGGCGCTCGCCGATCTCAGAAAGGAGCCAGCATGGAAAAAGTTTTTGTCCCACATTGGACCAGGCTTTAT GGTCTGTTTGGCTTACCTCGATCCTGGAAATATGGAGACTGATCTACAAGCTGGTGCCAATCACAAATAT GAGCTTCTTTGGGTGATTTTGATTGGCCTGATCTTTGCACTGATTATACAATCATTATCGGCTAATCTTG GAGTGGTGACAGGGCGCCATCTTGCTGAGCTGTGCAAGACTGAATATCCAGTATGGGTGAAAACCTGCTT ATGGCTGCTAGCAGAACTAGCTGTGATTGCTTCCGATATTCCAGAAGTTATAGGTACAGGATTTGCTTTC AACCTTTTGTTCCACATACCAGTGTGGACCGGGGTTCTCATTGCTGGCTCTAGCACGCTTCTTCTTCTTG GACTGCAAAGATATGGGGTAAGGAAACTGGAGGTTGTGGTCGCGCTATTGGTGTTTGTCATGGCAGGGTG CTTCTTCGTGGAGATGAGCATAGTCAAGCCTCCGGTTAATGAGGTCCTTCAAGGATTATTCATCCCCAGG CTCAGTGGGCCCGGTGCCACAGGAGACTCCATTGCCCTTCTTGGGGCTCTTGTAATGCCGCACAATCTAT TCTTGCACTCTGCCCTGGTGCTGTCGAGGAATACACCCGCATCAGCAAAAGGAATGAAGGATGCCTGTAG GTTCTTCCTCTTTGAGAGTGGGATAGCTCTTTTCGTGGCTCTGCTTGTCAACATTGCAATCATCTCTGTC TCCGGCACTGTATGTAATGCAACCAACCTTTCACCAGAAGATGCTGTAAAATGCAGCGACCTTACATTGG Primers Marcador molecular Validação Transformação MAPEAMENTO SELEÇÃO ASSISTIDA TRANSGENIA GANHO GENÉTICO

36 ??? !!!

37