142
Les principales bases de données en bioinformatique
143
Bases de données en bioinformatique
● Nombreuses bases de données en bioinformatique
● Données issues d'expériences, de publications, d'analyses faites à la main par des chercheurs
● Données issues d'extractions ou de raisonnements automatiques
● La plupart de ces bases sont accessibles librement sur Internet
● Banque de données : base de données orientée vers la consultation et le recueil des données
● Chaque base propose un accès simplifié via un site oueb spécifique qui propose des fonctions de :
● Recherche
● Visualisation des données
● Lien vers d'autres bases
– => Les différentes bases sont inter-connectées entre elles
● Beaucoup de redondance d'une base à l'autre
144
Techniques de recherche
●
Ces techniques fonctionnent dans les moteurs de recherche généraliste sur Internet (Google,...)
●
Mais aussi dans la plupart des moteurs de recherche de bases de données bioinformatiques
●
Guillemets : pour rechercher des mots à la suite les un des autres
●
Ex : sodium transporting
– Recherche sodium transporting ATPase
– Et aussi sodium/potassium-transporting ATPase
●
Ex : "sodium transporting"
– Recherche sodium transporting ATPase
– Mais exclut sodium/potassium-transporting ATPase
145
Résumé des différentes bases
Gène (ADN) EMBL (séquences)
Protéine EMBL (séquences) Uniprot (séquences) PDB (séquences) PDB (repliements) PROSITE (domaines) PFAM (domaines) Transcript (ARNm)
Ensembl (séquences) EPD (promoteurs) Unigen (lieu d'expression)
Maladie génétique OMIM (génétique) Orphanet (clinique)
Médicament DrugBank (cibles) Thériaque (clinique) Espèce
Tree of life
Transcription Traduction
Agit sur Soigne
Cause
Article (bibliographie) Pubmed
Dictionnaires
grand dictionnaire terminologique
146
Le grand dictionnaire terminologique
● Dictionnaire français-anglais
●
Avec des traductions spécifique à différents domaines (biologie, médecine, aéronautique,...)
●
Attention : dictionnaire français québécois !
● http://granddictionaire.com/
149
Pubmed / Medline
● http://www.ncbi.nlm.nih.gov/pubmed
● Medline : base de données bibliographiques en médecine / biologie
● Pubmed : interface permettant de consulter la base
● Lien vers le texte des articles disponibles en ligne
150
EMBL / Nucleotide / DDB
● Séquences de nucléotides (ADN) :
● EMBL (European Molecular Biology Laboratory DNA database)
– http://www.ebi.ac.uk/
● Nucleotide (anciennement appelé GenBank)
– http://www.ncbi.nlm.nih.gov/sites/entrez?db=nucleotide
● DNA Database of Japan
● Contiennent toutes les séquences de nucléotides librement disponibles et leurs traductions en protéines
● Les séquences d'ADN proviennent de séquençages
● Les séquences de protéines proviennent de la traduction automatique des séquences d'ADN correspondantes
● Les 3 banques sont synchronisées => même contenu
● Cependant l'interface et les fonctions proposées par les 3 banques sont un peu différentes
● Recherche principalement par nom de gène ou de protéine, et ou nom d'espèce
EMBL
Type de résultats
Génome entier Gène / ADN
Protéine
Pour rechercher un gène codant une protéine => coding sequence Release : dernière version publiée
Update : ajout depuis la dernière « release »
156
Format des séquences
●
Il existe différent format pour les séquences
●
Le format FASTA est le plus utilisé
●
Séquence d'ADN, d'ARN, de protéine,...
●
Exemple de séquence protéique au format FASTA :
>sp|P05231|IL6_HUMAN Interleukin-6 precursor (IL-6) - Homo sapiens (Human).
MNSFSTSAFGPVAFSLGLLLVLPAAFPAPVPPGEDSKDVAAPHRQPLTSSERIDKQIRYI LDGISALRKETCNKSNMCESSKEALAENNLNLPKMAEKDGCFQSGFNEETCLVKIITGLL EFEVYLEYLQNRFESSEEQARAVQMSTKVLIQFLQKKAKNLDAITTPDPTTNASLLTKLQ AQNQWLQDMTTHLILRSFKEFLQSSLRALRQM
Identifiant de la base de données (sp = SwissProt)
Identifiant de la séquence dans la base
Nom de la séquence et
de l'espèce
157
EPD
●
EPD : Eukaryotic Promoter Database :
●
http://www.epd.isb-sib.ch/
●
Base de données sur les séquences promoteurs : séquence d'ADN déclenchant la transcription
●
Uniquement pour les eucaryotes
●
Données expérimentales
Liste des gènes utilisant ce promoteur
La transcription commence ici
160
Ensembl
●
Ensembl :
●
http://www.ensembl.org
●
Base de données sur la transcription des gènes
–
ARNm (Transcripts)
–
Introns, exons, séquences codantes,...
●
Annotation manuelle en partant des séquences de gènes dans la base EMBL, notamment chez l'homme
Reste dans le noyau (intron) Quitte le noyau mais n'est pas traduit
Traduit en protéine
Séquence codante Séquence non-codante
Intron
Intron (épissage
alternatif) Domaines protéiques
Exon Gène
Pourquoi les 4 derniers transcripts ne sont pas traduits en protéine ?
166
Unigen
●
Unigen :
●
http://www.ncbi.nlm.nih.gov/UniGene
●
Base de données sur l'expression des gènes
●
Quels gènes sont exprimés dans quel organe, dans quel maladie, à quel moment ?
●
Données issues de la recherche de marqueurs de séquences exprimées (Expressed Sequence Tags, EST)
– EST = séquence d'ADNc (= ARNm rétro-transcrit) courte considérée comme caractéristique d'un ou plusieurs gènes
– => données expérimentales mais assez peu fiables !
169
Uniprot
●
Uniprot
● http://www.uniprot.org/
●
Les données proviennent de deux sources :
●
La base de données SwissProt, remplie manuellement à partir de publications
●
La traduction automatique des séquences d'ADN issues de la base EMBL
– Il est plus facile de séquencer un gène qu'une protéine !
●
Recherche principalement par nom de gène ou de protéine, et ou nom d'espèce
Uniprot Uniprot
En bleu : source automatique non vérifiée par un expert
=> méfiance !
En jaune : source revu
manuellement par un expert
173
PDB
●
PDB (BrookHaven Protein DataBank)
●
http://www.rcsb.org
●
Séquences et structures des protéines
●
Visualisation en 3D
●
Les données proviennent de cristallographie, de RMN,...
●
Pour certaines protéines, plusieurs structures sont disponibles
– Structure de la protéine seule ou avec ligand
– Structure de la protéine dans différents milieux
– Structure obtenue avec des méthodes expérimentales différentes
PDB : structure secondaires
PDB : séquence des protéines
PDB : structure
tertiaires
PDB : structure tertiaires
180
PROSITE
● PROSITE :
● http://www.expasy.ch/prosite/
●
Base de données sur les domaines des protéines, les familles protéiques et les fonctions biologiques associées
● Un domaine = une région d'une protéine ayant une
fonction biologique propre, que l'on retrouve sur plusieurs protéines
– Ex : plusieurs enzymes ont un même domaine avec une fonction d'hydrolyse de l'ATP
●
Les motifs des domaines ont été déterminés de manière manuelle
●
Recherche par nom de protéine, nom de domaine, fonction biologique,...
PROSITE
Identifiants :
PDOC... => domaine P... => protéine
PROSITE PROSITE
PROSITE
Permet d'accéder au motif du domaine
Recherche des « architectures » (= suite de domaines) dans les protéines de la base Swiss Prot
Recherche toutes les protéines Ayant ce domaine dans Uniprot
Motif du domaine
Qualité du motif
Une ligne par résidu dans le motif
Résidu n°1 Résidu n°2 Résidu n°3 ...
Acide aminé le plus fréquent en position n°1
Liste des 22 acides aminés
Fréquence de l'acide aminé E en position n°3
PROSITE : architecture de protéines
● Protéine « Légo » !
● Ici, des transporteurs actifs
Distance en nombre de résidus
Afficher les 33 autres protéines
Recherche du domaine dans Uniprot
Attention !
Il s'agit de rechercher toutes les protéines dont la séquence contient le motif du domaine ! Cela ne garantit pas à 100% que la protéine a la fonction biologique associée au domaine !
190
PFAM
●
PFAM (Protein Family) :
●
http://pfam.sanger.ac.uk/
●
Base de données sur les familles de protéines et les
« clans » (= super familles)
●
Par rapport à PROSITE :
– Construit à partir des séquences de la base Uniprot
● PFAM-A : annotation manuelle
● PFAM-B : annotation automatique, à partir de recherche de domaines dans les séquences, de similarités...
– Site oueb plus joli...
– Mais moteur de recherche moins bon !
191
Recherche par séquence
●
Problème : on a séquencé un gène,
●
Est-il est déjà connu ?
●
Sous quel nom ?
●
Existe-t-il des gènes de séquences proches déjà connu ?
●
=> recherche par séquence
– > 230 000 000 de séquences connues
192
Recherche par séquence
●
Problème du nombre de séquences connues
●
Problème des variations entre séquences
●
Mutations, variations individuelles, erreurs de séquençage
●
=> Utilisation de moteurs de recherche spécifiques
193
BLAST
●
Le programme BLAST permet de faire des recherches par séquence
●
Il est disponible sur Internet
●
http://blast.ncbi.nlm.nih.gov/Blast.cgi
●
Plusieurs variantes :
●
Blast n : recherche d'une séquence nucléotidique dans une banque d'ADN
●
Blast p : recherche d'une séquence protéique dans une banque de protéine
●
...
BLAST sur Internet
Séquence à rechercher
Base de données où la recherche est effectuée
Rechercher seulement chez certaines espèces
Lancer le BLAST !
BLAST sur Internet
Nombre maximum de séquences affichées Nombre d'erreur que l'on accepte (E-value)
E-value = 10 => parmi les résultats, statistiquement en moyenne 10 alignement de séquence seront dus au hasard
BLAST sur Internet
BLAST sur Internet
Séquence requête
14 séquences retrouvées par BLAST
La position des barres indique les alignements locaux La couleur indique le score d'alignement
BLAST sur Internet
BLAST sur Internet
201
Gene Ontology
● Gene Ontology (GO) :
● http://www.geneontology.org/
● Ontologie :
●
Plus qu'une base de données, une base de connaissance
● Ensemble structuré des concepts et des relations entre
ces concepts dans un domaine de connaissance donné
– Ensemble => On recherche une certaine exhaustivité
●pour avoir toutes les connaissances d'un domaine
– Structuré => des traitements automatiques sont possibles
●Un cours peut contenir l'ensemble des connaissances d'un domaine mais il n'est pas structuré (d'un point de vue informatique) => pas de traitement automatique possible
202
Ontologie
●
Exemple de raisonnement sur une ontologie sur les écosystèmes et les chaînes alimentaires
mange
Homme Brochet mange Gardon
Polluant Animal
est-un
PCB est-un
Lac
habite habite
est-un est-un
Ville habite
se con- centre dans
présent dans
L'homme risque-t-il d'être intoxiqué par les PCB (polychlorobiphényles) rejeté dans les eaux ?
203
Gene Ontology
●
Gene Ontology (GO) :
●
http://www.geneontology.org/
●
Attention, ce n'est pas vraiment une ontologie !
– Seulement quelques types de relations :
● Est-un
● Partie-de
● Régule
–Régule positivement
–Régule négativement
– => pour avoir une « vraie » ontologie, il manque des relations : stocke, détruit,...
204
Gene Ontology
●
Gene Ontology (GO) :
Composants de la cellule Cellule
Membrane Cytoplasme Noyau
Nucléole...
Vésicule sécrétoire Processus biologiques
Processus métaboliques Métabolisme des lipides Mort cellulaire...
Fonctions moléculaires Activité catabolique Activité anti-oxydante Régulateur de transcription...
Termes : Gènes :
BMP2 (poisson zèbre) Insuline (homme)
... (...) partie-de
est-un
annotation
Gene Ontology
Gene Ontology Gene Ontology
Gene Ontology Gene Ontology
est-un partie de
Régulation
Gene Ontology
Liste des domaines protéiques concernant le transport du sodium Mapping
214
KEGG
●
KEGG : Kyoto Encyclopedia of Genes and Genomes :
●
http://www.genome.jp/kegg/
●
Ontologie
– Portant principalement sur les voies métaboliques
– Mais aussi sur les gènes, les protéines, les maladies, les médicaments
– Très complexe !
219
Tree of life
●
Tree of life :
●
http://tolweb.org
●
Base de données de taxonomie
– Classification des êtres vivants
●
Avec des photos !
Tree of life
221
OMIM (MIM)
●
OMIM (Online Mendelian Inheritance in Man) :
●
http://www.ncbi.nlm.nih.gov/omim
●
Base de données sur les maladies génétiques chez l'homme
●
Données issues d'articles, d'expériences,...
●
Recherche par nom de maladie ou nom de gène
OMIM : maladie
Lien vers les gènes ou les portions de chromosome responsables de la maladie
OMIM : gène
OMIM : variants allèliques
SNP
= Single Nucleotide Polymorphisme
= Mutation concernant un seul nucélotide (les plus fréquentes)
OMIM : SMP dans Ensembl
Un T remplace un C
226
OrphaNet
●
OrphaNet :
●
http://www.orpha.net
●
Base de données sur les maladies orphelines
– Informations sur les gènes concernés (pour les maladies génétiques), similaire à OMIM
– Mais aussi des informations cliniques
● Essais cliniques de nouveaux médicaments
●
Base française !
228
DrugBank
●
Base de données sur les médicaments
●
http://www.drugbank.ca
●
Information sur les cibles des médicaments
●
Attention : base américaine
– => médicaments américains !
DrugBank
231
Thériaque / Thésorimed
●
Base de données sur les médicaments
●
http://www.theriaque.org
●
Accessible gratuitement, mais il faut s'inscrire !
●
Informations cliniques :
– Contre-indications, effets indésirables,...
●
Base française => médicaments français
233
Résumé des différentes bases
Gène (ADN) EMBL (séquences)
Protéine EMBL (séquences) Uniprot (séquences) PDB (séquences) PDB (repliements) PROSITE (domaines) PFAM (domaines) Transcript (ARNm)
Ensembl (séquences) EPD (promoteurs) Unigen (lieu d'expression)
Maladie génétique OMIM (génétique) Orphanet (clinique)
Médicament DrugBank (cibles) Thériaque (clinique) Espèce
Tree of life
Transcription Traduction
Agit sur Soigne
Cause
Article (bibliographie) Pubmed
Données expérimentales Données calculées Mélange des deux
Fonction biologique Gene Ontology PROSITE (domaines) PFAM (domaines)
234
Qualité des données
●
Il est très important de savoir évaluer la qualité des données
●
Y compris pour les données que l'on récupère sur Internet !
●
Y compris pour les logiciels !
●
Quelques critères d'évaluation :
● Transparence :
– Les informations « de base » (auteur, date,...) sont-elles disponibles ?
– Les sources sont-elles disponibles ?
● Auteur :
– Qui est à l'origine des données ?
– Quel est son statut ? A-t-il des intérêts particuliers ?
● Date et péremption :
– Les données sont-elles récentes ? Sont-elles à jour ?
235
Qualité des données
● Les logiciels : Ne les croyez pas systématiquement !!!
● Parfois des approximations : diminution de la qualité des résultats au profit de la rapidité
● Recherche d’une solution parmi un ensemble infini de possibilités
● Ce n’est pas toujours la solution la meilleure qui est trouvée !
● Les banques de données : Ne les croyez pas systématiquement !!!
● Les données se sont pas toujours fiables ou à jour.
● Différence entre réalité mathématique et réalité biologique
– => cf TP1
● Les ordinateurs ne font pas de biologie, ils calculent vite !
236
Exemple pratique
●
Question :
●
Quels sont les maladies génétiques pouvant être causées chez l'homme par une déficience des transporteurs potassiques transmembranaires ?
●
Comment répondre en combinant les différentes bases de données vues précédemment ?
Puis ontology
6046 gènes / protéines...
6046 gènes / protéines...
.../...
MIM = OMIM
259
Exemple pratique
●
Nous avons combiné les informations de 4 bases entre elles
●
Attention aux limites des différentes bases
●
Seules les connaissances connues sont présentes dans les bases !
– Il reste beaucoup d'inconnu en biologie
●
Lorsqu'il y a beaucoup de gènes à rechercher :
●
Possibilité d'automatiser les recherches à l'aide de scripts (programmation)
260
Pour l'examen
●
Exercice comme ceux vu en cours et en TP
●
Les documents sont autorisés
●
Pensez à les amener !
●
