Side 1 of 12. Kursus navn: Kursus nr Introduktion til Bioinformatik

Transkript

1 Side 1 of 12 Danmarks Tekniske Universitet Skriftlig prøve, den 22/ Kursus navn: Kursus nr Introduktion til Bioinformatik Tilladte hjælpemidler: Alle "Vægtning" Angivet ved de individuelle opgaver. Kursusansvarlig Thomas Nordahl Petersen

2 Side 2 of Eksamen Januar 2015 Dette sæt indeholder 5 opgaver (side 1-11) check at du har alle sider. Opgave 1 DNA og aminosyrer (15%) Opgave 2 E-værdier og bit-scores (15%) Opgave 3 Uniprot og Blast (25%) Opgave 4 Parvis alignment (25%) Opgave 5 Informationsindhold (20%) En online version af opgavesættet vil være tilgængeligt fra kursets lektionsplan. Svar til opgavesættet kan skrives enten i rå tekst (fx i JEdit) eller i et tekstbehandlingprogram såsom Microsoft Word. Gyldige formater er.txt,.doc,.docx og.rtf. Vi foretrækker dog at du benytter Microsoft Word. Svaret skal uploades på CampusNet under kursus (under "Opgaver -> bioinformatik-eksamen2015"). Husk at gemme seneste version af dokumentet inden du uploader svaret. Når du afleverer får du en kode som skal skrives i feltet "Afleveringskode" nedenfor. VIGTIGT: Dit studienummer skal fremgå af filnavnet (fx. s doc eller s txt) og skal også stå i starten af dokumentet (fx: "Studienummer: s022717") Udfyld denne forside og aflever den til eksamensvagten. Navn: Studienummer: Afleveringskode:

3 Side 3 of 12 Ang. brug af Internettet Trådløst internet: Du kan koble dig på det Wireless system du normalt bruger. Online materialer: Linksamlingen til bioinformatik serverne findes via kursets lektionsplan. BEMÆRK: I er ikke begrænset til kun de links der findes her det er tilladt at søge information andetsteds. Det er IKKE tilladt at kommunikere med andre over nettet under eksamen. Sluk telefonen. Der vil blive taget stikprøver af netværkstrafikken for at sikre dette. Hvad gør man hvis en web-server ikke virker: Verificer at input-data er i korrekt format. Forkert inputdata er i næsten alle tilfælde årsagen til problemet. Prøv evt. at finde en alternativ server med samme funktion (Google). Rapporter fejlen til eksamensvagten - den kursusansvarlige vil så blive tilkaldt. HUSK altid: Don t panic Held og lykke med eksamenen. -Thomas

4 Side 4 of 12 Opgave 1 DNA og aminosyrer (15%) a). Hvad er et codon og hvor mange codon s skal der bruges til at kode for et protein med en længde på 99 aminosyrer? Et codon består af 3 nukleotider. Der skal bruges 1 codon til at kode for 1 aminosyre så der skal bruges 99 codons til at kode for 99 aminosyrer. b) En aminosyre med et chiralt C-alpha atom kan eksistere som en L- form eller en D-form som er hinandens spejlbilledeisomerer. I naturen forekommer kun den ene isomer som er L-formen. Herunder er vist en en skematisk representation af en aminosyrer, hvor hydrogen atomet er bagerst vist med grå farve. De 3 andre atomer peger ud af papiret, hvor rød er carbonyl kulstof, blå er nitrogen atomet og grøn er sidekæden indikeret med bogstavet R. Det sorte atom i midten er det chirale C- alpha atom. Viser figuren en L-form eller en D-form og vigtigst, forklar dit valg? De 3 grupper (C=0,N og R) gives priotet det tungeste atom. 1. priotet N 2. priotet C=0 3. priotet R Det give en drejning mod uret og altså en L-form. c) Herunder er vist et stykke kodende DNA. Angiv hvor mange Antal aminosyrer? 3 aminosyrer der kodes for i læseramme -1: 5 -TCACTTACTGGA-3

5 Side 5 of 12 Oversat I læseramme -1 fås følgende DNA streng: TCC AGT AAG TGA (Det sidste codon TGA er et stop codon, så det bliver til at DNA-strengen koder for 3 aminosyrer) d) Den 3-dimensionelle struktur af et protein, kan beskrives ud fra vinklen mellem 2 planer. Disse vinkler kaldes på engelsk dihedral angles og betegnes phi og psi som kan afbildes i et Ramachandran plot som vist i Figur 1. Figur 1. Ramachandran plot af dieder vinklerne (engelsk: dihedral angles) phi og psi. Farverne rød og gul viser de tilladte områder, mens hvidt er ikke tilladte områder. En enkelt aminosyre kan have phi, psi kombinationer i de ikke tilladte områder. Hvad er 3-bogstavs koden for denne aminosyre og hvorfor kan den observeres i de ikke tilladte områder? Aminosyren Gly kan godt forekomme i den ikke tilladte områder idet den ikke har nogen sidekæde og derfor er der ikke mulighed for at sidekæder støder ind i hinanden.

6 Side 6 of 12 Opgave 2 E-værdier og bit-scores (15%) a) Når en sekvens er blevet alignet mod en database af mange sekvenser, benyttes E-værdier (engelsk: Expect values) til at angive hvor signifikant et alignment er. Herunder er vist 5 sådanne E-værdier: A. 2 B. 2e-05 C. 1e+02 D. 0 E. 2e-02 opskriv de 5 E-værdier (A-E), således at den mest signifikante E-værdi kommer først og den mindst signifikante til sidst? D, B, E, A, C b) Hvilke af de 5 E-værdierne i opgave a) vil du betragte som ensbetydende med et signifikant alignment. Begrund dit valg? Med en E-værdi cutoff på 1e-05 er kun D signifikant. Med en E-værdi cutoff på 1e-03 er både D og B signifikante. c) En proteinsekvens kaldet Query er alignet mod en database af proteinsekvenser (databasestørrelse= 2 millioner aminosyrer) og det bedste hit kaldet protein_sekvens_1234 giver følgende værdier: Alignment score (bit-score) = 683 E-værdi = 1e-07 Herefter bliver den same proteinsekvens (Query) alignet mod en database som er dobbelt så stor, dvs 4 millioner aminosyrer, men det bedste hit er stadig den samme sekvens (protein_sekvens_1234) og der fås samme alignment. I begge situationer er der benyttet en Blosum62 matrix og reglerne for at indsætte gaps er også identiske. d) Hvad sker der med alignment scoren (bit-scoren) når databasen er blevet fordoblet i størrelse? Alignmentscoren forbliver den samme dvs 683 e) Hvad sker der med E-værdien når databasen er blevet fordoblet i størrelse. Vælg en af de 3 muligheder herunder (1-3). 1. E-værdien er større 2. E-værdien er uændret 3. E-værdien er mindre

7 Side 7 of 12 Svaret er 1: Når databasen fordobles vil E-værdien også blive større. Uddybende svar: faktisk vil E-værdien også fordobles (omtrent), så alignment bliver altså mindre signifikant, flere muligheder for at alignment er fremkommet ved en tilfældighed.

8 Side 8 of 12 Opgave 3 Uniprot og blast (25%) Benyt uniprot serveren til at svare på følgende spørgsmål. a) Hvor mange reviewed proteiner findes der i menneske (Homo sapiens) svar: reviewed:yes AND organism:"homo sapiens (Human) [9606]" b) Hvor mange af de hit du fandt i spg a), har også en kryds-reference til 3D-struktur/proteinstruktur databasen PDB? Svar: 5347 database:(type:pdb) AND organism:"homo sapiens (Human) [9606]" c) Hvor mange af de hits du fandt i spg b) har et signalpeptid? Svar: 1079 database:(type:pdb) annotation:(type:signal) AND organism:"homo sapiens (Human) [9606]" d) Hvor mange af de hits du fandt i spg c) har en proteinsekvens-længde på præcis 120 aminosyrer? Svar: 1 database:(type:pdb) annotation:(type:signal) length:[120 TO 120] AND organism:"homo sapiens (Human) [9606]" Til det sidste spørgsmål skal du finde og benytte proteinsekvensen med uniprot accesion navnet (Accession number) P55773 og blaste dennne sekvens mod nr databasen ved at benytte ncbi blast-serveren: ( og efterfølgende svare på spørgsmål e) e) Hvilken organisme, ud over menneske giver det mest signifikante alignment til sekvensen med accession navn P55773? Søge med denne sekvens herunder: >sp P55773 CCL23_HUMAN C-C motif chemokine 23 OS=Homo sapiens GN=CCL23 PE=1 SV=3 MKVSVAALSCLMLVTALGSQARVTKDAETEFMMSKLPLENPVLLDRFHATSADCCISYTP RSIPCSLLESYFETNSECSKPGVIFLTKKGRRFCANPSDKQVQVCVRMLKLDTRIKTRKN mod nr databasen via blastp. Svar: Organismen er Pan troglodytes PREDICTED: C-C motif chemokine 23 isoform X2 [Pan troglodytes] Sequence ID: ref XP_ Length: 120Number of Matches: 1

9 Side 9 of 12 Opgave 4 Parvis alignment (25 %) Herunder er to proteinsekvenser sekvensa og sekvensb. >sekvensa YRIS >sekvensb FIKT I det følgende skal du benytte Blosum50 substitutionmatricen herunder og Tabel 1 som er vist på næste side til at aligne de to sekvenser sekvensa og sekvensb. Alle gap-positioner har en værdi på -2. Tabel 1 BLOSUM50 substitution matrix: A 5 R -2 7 N D C Q E G H I L K M F P S T W Y V A R N D C Q E G H I L K M F P S T W Y V a) Lav en global alignment af de to sekvenser ved at udfylde hele Tabel 1 b) Hvilken alignmentscore får du ud fra Tabel 1? Alignmentscoren ved en global alignment ses i nederste højre celle. Alignmentscoren er 7. c) Skriv herunder det endelige globale alignment af de 2 sekvenser du har fundet ved at udfylde Tabel 1. Y R I - S F - I K T

10 Side 10 of 12 Tabel 1 Y R I S F I K T

11 Side 11 of 12 Opgave 5 Informationsindhold (20%) Når et gen skal transkriberes foregår det ved at RNA-polymerase sætter sig fast på DNA strengen ca positioner før selve genet starter, dvs opstrøms (engelsk: upstream). RNA-polymerase binder til DNA strengen, såfremt der er et specifikt bindingsområde kaldet en TATAboks som er karakteriseret ved et stykke DNA som ofte består af sekvensen TATA eller variationer deraf. Herunder er alignet 10 DNA sekvenser af TATA bokse i tabel 1. sekvens Position 1 Position 2 Position 3 Position 4 TATA T A T A TATA T A T A TATA T A T A TAAT T A A T GATA G A T A AATA A A T A TATT T A T T TAAT T A A T TATA T A T A AATA A A T A Tabel 1. Multipel alignment af TATA-bokse er vist i kolonne 1. De enkelte nukleotider på positionerne 1-4 er vist i de følgende kolonner. a) Udregn nukleotidfrekvenserne fn på hver af de 4 positioner i det multiple alignment og skriv resultaterne i table 2. Nukleotid Frekvens position 1 Frekvens position 2 Frekvens position 3 Frekvens position 4 A 2/10 1 2/10 7/10 T 7/10 0 8/10 3/10 C G 1/ Tabel 2. Nukleotid frekvenser fn på positionerne 1-4. Informationsinholdet på position i er givet ved følgende formel: Ι(i)= Σa fn * log2 (fn) + log2(n), hvor N=4, antallet af nukleotider i DNA, og fn er frekvensen et nukleotid på en given position. Log2(x) = log(x)/log(2) Informationsindhold Position 1 Position 2 Position 3 Position 4 I(i) Tabel 3. Informationsindhold.

12 Side 12 of 12 I(position1)= 2/10*log 2 (2/10) + 7/10*log 2 (7/10) + 1/10*log 2 (0.1) + log 2 (4) = I(position2)=1*log 2 (1) + log2(4) = 2 I(position3)= 2/10*log 2 (2/10) + 8/10*log 2 (7/10) + log 2 (4) = I(position4)= 7/10*log 2 (7/10) + 3/10*log 2 (3/10) + log 2 (4) = b) Udfyld tabel 3 med informationsindholdet på de 4 positioner og skriv gerne mellemregningerne. c) Hvis man har et alignment af mange DNA sekvenser og man på en enkelt position i dette alignment ser nøjagtig lige mange af hver af de 4 nukleotider A, T, C og G, hvilket informationsindhold får man så? Svar: frekvensen af A=T=C=G=0.25 og man får et informationsindhold på 0