Recherche de séquences par motif (pattern) Recherche de séquences par motif (pattern)

Transkript

1 Recherche de séquences par motif (pattern) Famille des protéines ribosomales L34e * 20 * 40 * 60 * 80 * MESMKPMYRSRSWRRKYVRTPGGRVVVHFERKKPKIAH--CAICGRPLNGIPRGRPVEMR--KLPKTKKRPERPMP-YLCPRCMRRVMKEQIRSQIMKG--- KLPKTKKRPERPMP YLCPRCMRRVMKEQIRSQIMKG MKPMYRSRSWRRKYVRTPGGRVVIHFERRKPKIAH--CAICGRPLNGIPRGRPVEMR--KLPKTKKRPERPYP-HLCPKCMRRVMKEQVRAQIMKG VVRPGLRSRSLRRVYRRTPGGSTVVHYERRKPGPAR--CARCGRPLGGVPRGRPPRVR--RLSKTAKRPERPYGGVLCSTCLAEMIFEAIAGSS MPAPRYRSRSYRRIYRRTPGGRIVIHYKRRKPGKPK--CAICGAELHGVPRGRPVEIR--KLPKSQRRPERPYGGYLCPRCLKRLMIQKARNL MPELRYRSRSYKRIFKKTPGGRTVTHYRRKKPSKHV--CAGCGKPLHGVPRGRPYEIR--KLSKSKKRPNRPYGGYYCSSCARKVFKKEARS MPSPQQRSGSFRKVFVKLPSGKSTIHYERRKDNIAR--CGMCKKPLNGVKNNYTY-----KYSKTEKRPERVYGGYLCHKCLESLIKMTIRGIS MVQRLTLRRRLSYNTRSNKRRIVRTPGGRLVYQYVKKNPTVPR--CGQCKEKLKGITPSRPSER--PRMSKRLKTVSRTYGGVLCHSCLRERIVRAFLIEEQKIVKA MVQRLTLRRRLSYNTRSNKRRIVRTPGGRLVYQYVKKNPTVPR--CGQCKEKLHGITPSRPSER--PRMSKRLKTVSRTYGGVLCHSCLRERIVRAFLIEEQKIVKA MVQRLTLRRRLSYNTKSNKRRVVRTPGGRLVYLYVKKQRTVPK--CGQCKEKLSGIKPSRPSER--PRMCRRLKTVTRTFGGVLCHRCLRERIIRAFLIDEQKVVKV -VQRLTLRRRLSYNTKSNKRRVVRTPGGRLVYLYVKKQRTVPK--CGQCKEKLSGIKPSRPSER--PRMCRRLKTVTRTFGGVLCHRCLRERIIRAFLIDEQKVVKV MAQRVTFRRRNPYNTRSNKIKVVKTPGGILRAQHVKKLATRPK--CGDCGSALQGISTLRPRQY--ATVSKTHKTVSRAYGGSRCANCVKERIVRAFLIEEQKIVKK MAQRVTFRRRNPYNTRSNKIKVVKTPGGILRAQHVKKLATRPK--CGDCGSALQGISTLRPRQY--ATVSKTHKTVSRAYGGSRCANCVKERIIRAFLIEEQKIVKK MAQRVTYRRRLAYNTRSNRTRIIKTPGNNIRYLHIKKLGTIPR--CGDTGVPLQGIPALRPREF--ARLSHNKKTVQRAYGGCLSANAVKDRIVRAFLIEEQKIVKQ MAQRVTYRRRLAYNTRSNKTRIIKTPGNNIRYLHIKKLGTIPR--CGDTGVPLQGIPALRPREF--ARLSHNQKKVQRAYGGCLSANAVKDRIVRAFLIEEQKIVKQ MSLRVTYRRRLSYNTTSNKKRLVKTPGGRLVVQYIKKRGQIPK--CRDTGVKLHGITPARPIAL--RLLKRNERTVTRAYGGCLSPNAVKERITRAFLVEEQKIVNK MVQRLVYRSRHSYATKSNQHRIVKTPGGKLTYQTTKKRASGPK--CPVTGKRIQGIPHLRPTEYKRSRLSRNRRTVNRAYGGVLSGSAVRERIIRAFLVEEQKIVKK Q Q Q Q MVQRLTYRRRHSYATKSNQHRVVKTPGGKLVYQTTKKRASGPK--CPVTGKRIQGIPHLRPTEYKRSRLSRNRRTVNRAYGGVLSGGAVRERIIRAFLVEEQKIVKK MVQRLTYRKRHSYATKSNQHRVVKTPGGKLIYQSTKKRASGPK--CPVTGKRIQGIPHLRPTEYKRSRLSRNRRTVNRAYGGVLSGSAVRERIIRAFLVEEQKIVKK MVQRLVYRSRHSYATKSNQHRIVKTPGGKLTYQTTNKRASGPK--CPVTGKRIQGIPHLRPAEYKRSRLARNERTVNRAYGGVLSGVAVRERIVRAFLVEEQKIVKK MVQRLVYRSRHSYATKSNQHRIVKTPGGKLVYQTTKKRASGPK--CPVTGKRIQGIPHLRPSEYKRSRLSRNRRTVNRAYGGVLSGSAVRERIIRAFLVEEQKIVKK -VQRLTYRRRLSYNTASNKTRLSRTPGNRIVYLYTKKVGKAPKSACGVLPGRLRGVVAVRPKVL--MRLSKTKKHVQQGLWWLHVRQVCPDRIKRAFLIEEQKIVVK -VQRLTYRRRLSYNTASNKTRLSRTPGNRIVYLYTKKVGKAPKSACGVCPGRLRGVRAVRPKVL--MRLSKTKKHVQPGLWWFHVAKCVRDRXKRAFLIEEQKIVVK MVQRLTYRRRLSYNTASNKTRLSRTPGNRIVYLYTKKVGKAPKSACGVCPGRLRGVRAVRPKVL--MRLSKTQKHVSRAYGGSMCAKCVRDRIKRAFLIEEQKIVVK -VQRLTYRRRLSYNTASNKTRLSRTPGNRIVYLYTKKVGKAPKSACGVCPGKLRGVRPVRPKVL--MRLSKTKKHVSRAYGGSMCAKCVRDRIKRAFLIEEQKIIVK S S K KTPGG k l i k T R RL SN Motif : [ST]-x-S-x[KRQ]-x-x-x-x-[KR]-[TL]-P-[GS]-[GN] Q Le motif peut être recherché dans toutes les séquences de la banque exemple : programme findpatterns dans GCG Recherche de séquences par motif (pattern) findpatterns FindPatterns identifies sequences that contain short patterns like GAATTC or YRYRYRYR. You can define the patterns ambiguously and allow mismatches. You can provide the patterns in a file or simply type them in from the terminal. FINDPATTERNS in what sequence(s)? sw:* Enter patterns individually, one per line. End the list with a blank line. Pattern 1: (s,t)xsx(k,r,q)xxxx(k,r)(t,l)p(g,s)(g,n) Pattern 2: What should I call the output file (* findpatterns.find *)? term RL34_PEA ck: 6916 len: 120! P S RIBOSOMAL PROTEIN L34. 11/ (S,T)XSX(K,R,Q)XXXX(K,R)(T,L)P(G,S)(G,N) (T)xSx(Q)xxxx(K)(T)P(G)(G) 15: RHSYA TKSNQHRVVKTPGG KLVYQ RL34_TOBAC ck: 5727 len: 120! P S RIBOSOMAL PROTEIN L34. 2/ (S,T)XSX(K,R,Q)XXXX(K,R)(T,L)P(G,S)(G,N) (T)xSx(Q)xxxx(K)(T)P(G)(G) 15: RHSYA TKSNQHRVVKTPGG KLIYQ etc... 1

2 Prosite 1) alignement d une famille 2) définition du motif 3) test sur Swiss-Prot Bon motif => retrouver toutes les protéines appartenant à la famille et uniquement ces protéines. «Faux positif (false positive)» : protéine prédite comme ayant le motif mais qui n appartient pas à la famille «Faux négatif (false negative)» : protéine prédite comme n ayant pas le motif mais qui appartient à la famille Recherche de similarité par la méthode du profil Intérêt Par rapport à une séquence seule, un profil est beaucoup plus informatif => détection de similarités plus faibles mais significatives biologiquement Etapes 1) alignement multiple des séquences (et vérification manuelle) 2) construction du profil (avec édition manuelle éventuellement) : - sur la totalité de l alignement ou sur un domaine 3) comparaison du profil (PSSM) aux séquences de la banque Exemple de programmes (dans GCG) profilemake => construction du profil profilesearch => recherche dans la banque profilesegment => alignement du consensus avec les séquences détectées dans la banque Gribskov et al. Profile analysis: detection of distantly related proteins.pnas 84(13): (1987) 2

3 Position-Specific Iterated Blast (PSI-BLAST) Méthode : Recherche de similarité (protéine => banque protéique) itérative par la méthode du profil Construction d un profil (PSSM) à chaque itération Blast Query E<0.005 >98 % id O. Lecompte Altschul et IGBMC al. NAR 25: (1997) Position-Specific Iterated Blast (PSI-BLAST) Pseudo alignement multiple local : les segments détectés sont alignés par rapport à la query Query Construction de la PSSM Pondération des séquences: Les séquences très proches ont un poids plus faible. Long gueur de la séquence Query ACDEFGHIKLMNPQRSTVWY Comparaison du profil avec chacune des séquences de la banque La méthode est proche de celle utilisée pour une recherche blast classique mais les scores dépendent de la PSSM. => Détection de nouvelles séquences Itérations jusqu à convergence (aucune nouvelle séquence) 3

4 Exemple de recherche psi-blast Exemple de recherche psi-blast Query : DNA polymerase II small subunit from Pyrococcus abyssi 1ère recherche E < 10 4

5 Séquences participant à la construction du profil pour l itération suivante E<0.005 Séquences détectées < E < 10 psi-blast Construction du pseudo-alignement multiple 5

6 Exemple de recherche psi-blast psi-blast 2ème itération 6

7 Séquences participant p à la construction du profil pour l itération suivante E<0.005 Séquences détectées < E < 10 PSI-BLAST : résultats sur des familles «tests» * * une itération Altschul et al. NAR 25: (1997) 7

8 PSI-BLAST : dérive de la P.S.S.M. Results from round 24 Sequences producing significant alignments: Score E (bits) Value SPTNEW:AAL23294 Aal23294 VALINE TRNA SYNTHETASE (EC ) e-83 SPTNEW:CAD06936 Cad06936 VALYL-TRNA SYNTHETASE (EC ). 11/ e-83 SW:SYV_ECOLI P07118 VALYL-TRNA SYNTHETASE (EC ) (VALINE e-83 SPTNEW:AAG59457 Aag59457 VALINE TRNA SYNTHETASE. 6/ e-82 SPTNEW:BAB38658 Bab38658 VALINE TRNA SYNTHETASE. 6/ e-82 etc... SPT:Q99US4 Q99us4 ILE-TRNA SYNTHETASE. 12/ e-59 SPTNEW:BAB57355 Bab57355 ILE-TRNA SYNTHETASE. 6/ e-59 SW:SYI_STAAU P41972 ISOLEUCYL-TRNA SYNTHETASE (EC ) (ISOL e-59 etc... SPTNEW:CAC97000 Cac97000 LEUCYL-TRNA SYNTHETASE. 11/ e-49 SPTNEW:AAK86495 Aak86495 AGR_C_1230P. 9/ e-49 SPT:Q9TV62 Q9tv62 MYOSIN HEAVY CHAIN 2B. 12/ e-49 SW:SYL_XYLFA Q9pbg8 LEUCYL-TRNA SYNTHETASE (EC ) 197 5e-49 SPT:Q9TV63 Q9tv63 MYOSIN HEAVY CHAIN 2A. 12/ e-49 SW:MYH4_RABIT Q28641 MYOSIN HEAVY CHAIN 196 8e-49 SPT:Q9BE40 Q9be40 MYOSIN HEAVY CHAIN 2X. 12/ e-49 SW:SYI_MYCLE Q9x7e5 ISOLEUCYL-TRNA SYNTHETASE (EC ) (ISOL e-48 SW:MYH2_HUMAN Q9ukx2 MYOSIN HEAVY CHAIN 195 1e-48 etc... SW:VIME_ONCMY P48674 VIMENTIN. 10/ e-19 SW:SYM_BACSU P37465 METHIONYL-TRNA SYNTHETASE (EC ) 97 9e-19 PSI-BLAST : dérive de la P.S.S.M. >SW:SYI_MYCLE Q9x7e5 ISOLEUCYL-TRNA SYNTHETASE (EC ) (ISOLEUCINE-- TRNALIGASE) (ILERS). Length = 1059 Score = 195 bits (494), Expect = 1e-48 Identities = 114/751 (15%), Positives = 212/751 (28%), Gaps = 71/751 (9%) Query: 6 NPQDIEQPLYEHWEKQGYFKPNGDE--SQESFCIMIPPPNVTGSLHMGHAFQQTIMDTMI 63 N +E + ++W F+ + + PP G H GH + D + Sbjct: 21 NFPALEAQVLDYWSNDDTFRASIARCDDAPEYVFYDGPPFANGLPHYGHLLTGYVKDIVP 80 Query: 64 RYQRMQGKNTLWQVGTDHAGIATQMVVERKIAAEEGKTRHDYGREAFIDKIWEWKAESGG 123 RY+ M G + G D G+ ++ VER++ + G AF + + Sbjct: 81 RYRTMCGYKVERRFGWDTHGLPAELEVERQLGITDKSQIDAMGIAAFNEACRKSVLRYTE 140 Query: 124 TITRQMRRLGNSVDWERERFTMDEGLSNAVKEVFVRLYKEDLIYRGKRLVNWDPKLRTAI R VD++ + T+D +V F +L+ + L Y R T + Sbjct: 141 EWQAYVTRQARWVDFDNDYKTLDLSYMESVIWAFKQLWDKGLAYESYRVLPYCWRDETPL 200 Query: 184 SDLEVE-----NRESKGSMWHIRYPLADGAKTADGKDYLVVATTRPETLLGDTGVAVNPE 238 S+ E G YL+V TT P TL + VAV+P+ Sbjct: 201 SNHELRMDDDVYQSRQDPAVTLGFKVLGGDDEDLVGAYLLVWTTTPWTLPSNLAVAVHPD 260 etc.... Query: 484 FSTLGWPENTDAL RQFHPTSVMVSGFDIIFFWIARMIMMTMHFIKDENGKPQV P D G I Sbjct: 560 YAQVHYPFENDDWFDGFDSADSDKQVDAHYPGDFIVEYIGQARGWFYTLHVLATALFDRP 619 Query: 537 PFHTVYMTGLIRDDEGQKMSKSKGNVIDPLDMVDGISLPELLEKRTGNMMQPQLADKIRK 596 F T G++ GQKMSKS N D ++ D I + Sbjct: 620 AFKTCIAHGVVLGSNGQKMSKSLRNYPDVTEIFDRDGSDAMRWFLMASPILRGGNLIITE 679 8

9 PSI-BLAST : dérive de la P.S.S.M. >SPT:Q9BE40 Q9be40 MYOSIN HEAVY CHAIN 2X. 12/2001 Length = 1938 Score = 196 bits (495), Expect = 9e-49 Identities = 73/969 (7%), Positives = 212/969 (21%), Gaps = 45/969 (4%) Query: 2 EKTYNPQDIEQPLYEHWEKQGYFKPNGDESQESFCIMIPPPNVTGSLHMGHAFQQTIMDT 61 T N T Sbjct: 980 NLTEEMAGLDETIAKLTKEKKALQEAHQQTLDDLQAEEDKVN T 1022 Query: 62 MIRYQRMQGKNTLWQVGTDHAGIATQMVVERKIAAEEGKTRHDYGREAFIDKIWEWKAES G+ +M +ER EG + I+ + E Sbjct: 1023 LTKAKTKLEQQVDDLEGSLEQEKKLRMDLERAKRKLEGDLKLAQESTMDIENDKQQLDEK 1082 Query: 122 GGTITRQMRRLGNSVDWERERFTMDEGLSNAVKEVFVRLYKEDLIYRGKRLVNWDPKLRT 181 +M L + ++ E L +E R R + Sbjct: 1083 LKKKEFEMSNLQSKIEDEQALAMQLQKKIKELQARIEELEEEIEAERASRAKAEKQRSDL 1142 Query: 182 AISDLEVENRESK GSMWHIRYPLADGAKTADGKDYLVVATTRPETLLGDTGVA E+ R D ++ + L + Sbjct: 1143 SRELEEISERLEEAGGATSAQIEMNKKREAEFQKMRRDLEEATLQHEATAAALRKKHADS 1202 Query: 235 VNPEDPRYKDLIGKYVILPLVNRRIPIVGDEHADMEKGTGCVKITPAHDFNDYEVGKRHA 294 V + +L L + + D+ A + K E Sbjct: 1203 VAELGEQIDNLQRVKQKLEKEKSEMKMEIDDLASNMETVSKAKGNLEKMCRALEDQLSEL 1262 Query: 295 LPMINILTFDGDIRESAQVFDTKGNESDVYSSEIPAEFQKLERFXXXXXXXXXXXXLGLL L Sbjct: 1263 KTKEDEQQRLINDLTTQRARLQTESGEFSRQLDEKDALVSQLSRGKQAFTQQIEELKRQL 1322 Profil HMM (Hidden Markov Model) Profil HMM Alignement multiple Begin state End state Match states (colonnes de l alignement) => probabilités d émission des 20 aa Insert states => probabilités d émission des 20 aa Delete states Probabilité de transition 9

10 Profil HMM motif models profile models Eddy, Bioinformatics, 1998 Pfam et HMMER Alignements multiples de domaines et familles protéiques (seed alignments) Construction de profils HMMs (HMMer hmmbuild) Recherche de séquences dans UniProt : HMMer hmmsearch => full alignments Domaines et familles vérifiées manuellement => Pfam-A ( alignements) Domaines et familles générées automatiquement => Pfam-B Comparaison d une séquence avec une banque de profils HMM : HMMer hmmscan Finn et al, NAR

11 Couverture par Pfam (percentage points change between Pfam releases 23.0 and 24.0 given in brackets) Finn et al, NAR 2010 Rôle central de l alignement euk domain structure bac arc conserved, functional sites 11

12 Central role of multiple alignments Phylogenetic studies Comparative genomics Hierarchical function annotation: homologs, domains, motifs Multiple alignment Gene identification, validation Structure comparison, modelling RNA sequence, structure, function Interaction networks Human genetics, SNPs Therapeutics, drug design DBD insertion domain Therapeutics, drug discovery LBD binding sites / mutations 12