Danmarks Tekniske Universitet

Side 1 af 1 Danmarks Tekniske Universitet Side 1 af 11 sider Skriftlig prøve, den 27/5-2010 Kursus navn: Kursus nr. 27611 Introduktion til Bioinformatik Tilladte hjælpemidler: Alle "Vægtning" Angivet ved de individuelle opgaver. Kursusansvarlig ------------------------------------------- Rasmus Wernersson

Side 2 af 2 27611 Eksamen Sommer 2010 Dette sæt indeholder 5 opgaver. En online version af opgavesættet vil være tilgængeligt fra kursets lektionsplan under selve eksamen (27. maj 2010 klokken 15:00-19:00). DNA/Protein sekvenser kan kopieres direkte herfra - det er ikke meningen at sekvenserne skal tastes ind i hånden. Lektionsplan: http://www.cbs.dtu.dk/dtucourse/27611spring2010/lektionsplan.php Svar til opgavesættet skal skrives enten i rå tekst (fx i JEdit) eller i et tekstbehandlingprogram såsom Microsoft Word. Gyldige formater er.txt,.doc,.rtf og Apple Pages. Svaret skal uploades på CampusNet under kursus 27611 (under "Opgaver -> Sommereksamen 2010"). 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. s022717.doc eller s022717.txt) og skal også stå i starten af dokumentet (fx: "Studienummer: s022717") Udfyld denne forside og aflever den til eksamensvagten. Navn: Studienummer: Afleveringskode:

Side 3 af 3 Ang. brug af Internettet Tråløst internet: PLAN A: Som udgangspunkt skal du koble dig på det helt normale DTU Wireless system. PLAB B: Hvis DTU Wireless får problemer vil der blive sæt ekstra accesspoints op, lige som vi har afprøvet det til øvelserne I faget (login information vil så blive skrevet på tavlen / runddelt) husk I efter at have koblet jer på accesspoint et stadig skal logge på DTU Wireless serveren for at komme videre: https://auth.wireless.dtu.dk/ 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. Der vil blive taget stikprøver af netværkstrafikken for at sikre dette. Hvad gør man hvis en web-server ikke virker: 1) Verificer at input-data er i korrekt format. Forkert inputdata er i næsten alle tilfælde årsagen til problemet. 2) Prøv evt. at finde en alternativ server med samme funktion (Google). 3) Rapporter fejlen til eksamensvagten - den kursusansvarlige vil så blive tilkaldt. HUSK altid: Don t panic Held og lykke med eksamenen. -Rasmus

Side 4 af 4 Opgave 1 (25%) Som et led i et forskningsprojekt med gener der er vigtige for regulering af celledeling, er du faldet over den information at genet med protein produktet CDC28 i bagegær (S. cerevisiae), er en vigtig regulator. Ganske vist er der ca. 1 milliard års evolutionær afstand gær og menneske imellem, men du har alligevel et håb om at nogle af mekanismerne bag en så fundamental funktion som celledeling, kunne være bevaret mellem disse to arter (og der ville være nemmere, hvis man kunne udføre sine forsøg på gær frem for mennesker). Det er derfor din overordnede opgave at undersøge og dokumentere om hvorvidt der findes en såkald Ortolog (eng: Ortholog skal ses i forhold til det generelle begreb Homolog og i modsætning til Paralog se fig 1). I dit svar skal du beskrive din søge-strategi, og hvilke databaser / værktøjer du bruger samt dokumentere dine analyse resultater. Svar undervej på de nedenstående del-sprøgsmål. (HUSK jeres online link-samling til databaser / værktøjer). Del 1: Human homolog Del-spørgsmål: Find TaxID for hhv. Gær og menneske. o (tip: kan evt. bruges til at filtere dine søgeresultater, hvis du ikke kan finde en tilstrækkeligt specialiseret database). Lokaliser CDC28 genet i en passende database. Indsæt DNA sekvensen for CDC28 genet i svaret (FASTA format) i dit svar. Indsæt Protein sekvensen for CDC28 protein produktet i svaret (FASTA format) i dit svar. Udfør din søgning efter humane homologer på både DNA og protein niveau. Hvad giver det mest signifikate resultat. o Peger DNA og protein resultater i samme retning? Kig på hvad der findes af ekstra information om de mest signifikante protein homologer (der kan være flere næste ens) er der supplerende information der understøtter at det humane protein spiller en rolle i forbindelse med celle-deling?

Side 5 af 5 Del 2: Human ortolog: Nu har vi i første omgang kigget på hvilke homologe gener/proteiner vi kan finde ved at tage udgangspunkt i et gær gen/protein og søge efter beslægtede humane sekvenser. Som en sidste lille ting kunne vi godt tænke os at vide, om der er tale om en ægte Ortolog og ikke en Paralog. Vi vil her benytte er hurtigt lille trick til at afgøre dette en såkaldt reciprok database-søgning. Ideen er at man starter med at søge fra X -> Y (gær til menneske), og derefter fra Y -> X. Hvis det samme protein findes begge veje, vurderes det er det er tale om en Ortolog. For ikke at være afhængig af resultater fra del1, skal vi her bruge den humane protein sekvens fra UNIPROT entry et P24941. Delspørgsmål: Hvad er sekvensen af P24941i FASTA format? Søg kun på protein-niveau genfinder vi vores CDC28 protein fra gær? o BEMÆRK: CDC28 har følgende synonym: YBR160W det kan være nødvendigt at inspicere nogle af resultaterne nærmere for at se dette. Figur 1: Oversigt over forholdet mellem Homologer, Paraloger og Ortologer.

Side 6 af 6 Opgave 2. (25%) Du har følgende multiple sekvens alignment APDPSRLAF HTSSGRTSL RVEESRARL KPARGGSSI MPVDHPLSL NPITLTAAL LPYPQPQPF SPATLLLVL HPRHYATVM HPRQFLAFL FVRDNRAVL a) Udregn uden brug af sekvens-vægtning og pseudo-counts vægtmatrix værdierne for P og L på position 2 i alignmentet (du skal i din besvarelse medtage mellemregninger til dit svar og ikke blot angive et tal). Husk at vægt-matrice værdier udregnes som w = 2 * log 2 (p/q) BEMÆRK: kan omskrives til følgende, hvis du hellere vil bruge 10-tals logaritmen (log 10 ) til udregningen: w = 2 * log 10 (p/q)/log 10 (2) hvor p er sandsynligheden af den givne aminosyre og q er baggrundssandsynligheden for den given aminosyre. Du kan finde et link til baggrundssandsynlighederne for de forskellige aminosyrer her (gå via kursus hjemmesiden -> lektion: LOGO'er og vægt-matricer): http://www.cbs.dtu.dk/dtucourse/27611spring2010/exercises/exweight mat/estimationofpseudocounts_2010.pdf b) Gentag beregningerne for P og L på position 2 fortsat uden brug af sekvensvægtning men nu ved brug af pseudo-counts. Sæt værdien af β (weight on prior, vægt på pseudo -count) til 10 (du skal også her i din besvarelse medtage mellemregninger til dit svar og ikke blot angive et tal) c) Du bliver nu kontaktet af et medicinalfirma, der vil forsøge at lave en vaccine udfra en af følgende tre peptid-sekvenser i) RVRDRNFQL ii) AAILKQHKL iii) YTSGKRSNT Ideen i vaccinen er, at peptidet skal binde til det molekyle hvis bindings specificitet du har beskrevet med peptiderne fra spørgsmål a) og b) og dermed give et immune respons, der kan dræbe en infektion.

Side 7 af 7 Hvilket af de tre peptider vil du foreslå firmaet vælger til vaccinen (du skal kun vælge et peptid). Bemærk, at du her ikke nødvendigvis skal gennemregne dine svar, men kan benytte en relevant webserver der er brugt på kurset? 4) Det viser sig, at ingen af de tre peptider virker godt som vaccine-kandidater. Hvis du kunne vælge at ændre en aminosyre i hver af de tre peptider, hvilke aminosyre ville du vælge og til hvilken aminosyre ville du ændre denne (begrund dit svar)? Opgave 3. (10%) >QUERY KKASTIFGMPLQQDPVPATSTFIVSDFLQFLQTAVTCFNKLRIPEERFPLYLAGVFPNCPETQCFV RCLSANLNLYCDETGSDIDRHYLQYGLGQDYNCFRQKAEQCLAANTSPCNDPCEAAYKQELCFLDE FRKYVDSNMNSLIAAVAVEKAEQNPVYYNMLAHN a) Hvad er funktionen af dette protein? b) Find en PDB struktur, der med stor sandsynlighed (e-value < 10-8, bemærk kravet til e-value!) kan bruges til at forudsige strukturen af query-sekvensen. Angiv PDB identifier, PDB chain ID, samt e-value som svar.

Side 8 af 8 Opgave 4 (20%) I denne opgave skal du bruge UniProts søgeinterface. I dine svar til punkt 1-4 skal du angive både hvor mange hits du finder og hvordan søgestrengen (Query) ser ud. 1. De fleste proteiner i chloroplaster er kodet i plantecellens kerne og bliver importeret fra cytoplasma til chloroplasten. Men der er også nogle, der er kodet på chloroplastens eget DNA og syntetiseres inde i chloroplasten. Hvor mange af disse proteiner findes der i UniProt? (Tip: der skal stå "chloroplast" i feltet "Organelle [OG]".) 2. Hvor mange proteiner i UniProt har en tilsvarende 3D-struktur i PDB? (Tip: Der skal være en krydsreference (feltet "[DR]") til databasen PDB.) 3. Hvor mange chloroplast-kodede proteiner har en kendt 3D-struktur i PDB? (Tip Hvor mange proteiner i UniProt opfylder begge de foregående kriterier?) 4. Hvor mange af disse kommer fra almindelig tobak (Nicotiana tabacum)? (Tip: svaret er 1!) Se nu nærmere på det hit du fandt i punkt 4 og besvar følgende spørgsmål: 5. Hvad er entry-navn, accession nummer og navnet på proteinet? 6. Hvor lang er den færdige (mature) proteinkæde? 7. Er det et enzym? Hvordan kan du se det? 8. Hvilken ufatteligt vigtig biologisk proces indgår dette protein i? Bemærk at det, du har fundet, kun er én ud af to forskellige kæder, der indgår i det færdige protein. Brug nu UniProts søgeinterface til at finde den anden. 9. Hvilken søgestreng brugte du, og hvad er entry-navn og accession nummer? 10. Er denne kæde også kodet i chloroplastens eget DNA? Begrund dit svar.

Side 9 af 9 Opgave 5 (20%) I denne opgave skal du undersøge slægsskabet mellem en række plantearter på bagrund af proteinsekvensen fra Rubisco enzymet. Du skal bruge et allerede forberedt datasæt af sekvenser i FASTA format (se sidst i opgaven husk du kan kopiere sekvenserne fra online versionen af eksamensopgaverne). Filen indeholder data for arter inden for to af de store plante-grupper (enkimbladet, herunder græsser, og tokimbladet) samt en sekvens fra en grønalge, der kan bruges som outgroup. Her er en oversigt over arterne og deres danske trivialnavne: Enkimbladet: P0C512: Ris (Oryza sativa) P00874: Majs (Zea mays) P11383: Hvede (Triticum aestivum) Tokimbladet: P27064: Agurk (Cucumis sativus) P25079: Kartoffel (Solanum tuberosum) i Natskyggefamilien P27065: Tomat (Solanum lycopersicum) i Natskyggefamilien P00876: Tobak (Nicotiana tabacum) i Natskyggefamilien Grønalge P00877: Chlamydomonas (Chlamydomonas reinhardtii) Del1: Find TaxID på slægtsniveau (eng: Genus) for alle arterne og tilret FASTA filen så navnet (headeren) på hvert entry bliver som følger: >taxid.trivial_navn for eksempel >3655.Agurk Indsæt den tilrettede FASTA fil I din besvarelse. Hvor/hvordan fandt du de anvendte TaxID (skriv KORT ). Tip til hurtig søgning: husk at latinske artsnavne består af slægtsnavn (Genus) + artsnavn (species) Del 2: BEMÆRK: Hvis du ikke løste Del 1 kan du bruge den oprindelige FASTA til resten af opgaverne, og så bruge oversigten herover til mentalt at koble UniProt ID til trivialnavn / latinsk slægsnavn fx: P0C512: Ris (Oryza sativa) Fremstil et multiple alignment af sekvenserne hvilket program har du brugt?

Side 10 af 10 Beregn et fylogenetisk træ ved brug af NJ algoritmen og gem den i en fil. Inspicer dit fylogetiske træ i et passende program, kig på træet som et rodfæsted træ (Eng: rooted tree) hvor du sætter grønalgesekvesen som outgroup, og svar på følgende: o Beskriv (KORT) hvilket program du har brugt o Ligger de to store plantegrupper Enkimbladet og Tokimbladet i to veldefinerede grupper? o Kig på slægsskabet mellem planterne I Natskyggefamilen virker den gældende taksonomiske inddeling i slægter rimelig, eller peger vores molekylære data i en anden retning? >sp P0C512 RBL_ORYSJ Ribulose bisphosphate carboxylase large chain OS=Oryza sativa MSPQTETKASVGFKAGVKDYKLTYYTPEYETKDTDILAAFRVTPQPGVPPEEAGAAVAAE SSTGTWTTVWTDGLTSLDRYKGRCYHIEPVVGEDNQYIAYVAYPLDLFEEGSVTNMFTSI VGNVFGFKALRALRLEDLRIPPTYSKTFQGPPHGIQVERDKLNKYGRPLLGCTIKPKLGL SAKNYGRACYECLRGGLDFTKDDENVNSQPFMRWRDRFVFCAEAIYKSQAETGEIKGHYL NATAGTCEEMIKRAVFARELGVPIVMHDYLTGGFTANTSLAHYCRDNGLLLHIHRAMHAV IDRQKNHGMHFRVLAKALRMSGGDHIHAGTVVGKLEGEREMTLGFVDLLRDDFIEKDRAR GIFFTQDWVSMPGVIPVASGGIHVWHMPALTEIFGDDSVLQFGGGTLGHPWGNAPGAAAN RVALEACVQARNEGRDLAREGNEIIRSACKWSPELAAACEIWKAIKFEFEPVDKLDS >sp P00874 RBL_MAIZE Ribulose bisphosphate carboxylase large chain OS=Zea mays MSPQTETKASVGFKAGVKDYKLTYYTPEYETKDTDILAAFRVTPQLGVPPEEAGAAVAAE SSTGTWTTVWTDGLTSLDRYKGRCYHIEPVPGDPDQYICYVAYPLDLFEEGSVTNMFTSI VGNVFGFKALRALRLEDLRIPPAYSKTFQGPPHGIQVERDKLNKYGRPLLGCTIKPKLGL SAKNYGRACYECLRGGLDFTKDDENVNSQPFMRWRDRFVFCAEAIYKAQAETGEIKGHYL NATAGTCEEMIKRAVFARELGVPIVMHDYLTGGFTANTTLSHYCRDNGLLLHIHRAMHAV IDRQKNHGMHFRVLAKALRMSGGDHIHSGTVVGKLEGEREITLGFVDLLRDDFIEKDRSR GIFFTQDWVSMPGVIPVASGGIHVWHMPALTEIFGDDSVLQFGGGTLGHPWGNAPGAAAN RVALEACVQARNEGRDLAREGNEIIKAACKWSAELAAACEIWKEIKFDGFKAMDTI >sp P11383 RBL_WHEAT Ribulose bisphosphate carboxylase large chain OS=Triticum aestivum MSPQTETKAGVGFKAGVKDYKLTYYTPEYETKDTDILAAFRVSPQPGVPPEEAGAAVAAE SSTGTWTTVWTDGLTSLDRYKGRCYHIEPVAGEDSQWICYVAYPLDLFEEGSVTNMFTSI VGNVFGFKALRALRLEDLRIPPTYSKTFQGPPHGIQVERDKLNKYGRPLLGCTIKPKLGL SAKNYGRACYECLRGGLDFTKDDENVNSQPFMRWRDRFVFCAEAIYKSQAETGEIKGHYL NATAGTCEEMIKRAVFARELGVPIVMHDYLTGGFTANTTLAHYCRDNGLLLHIHRAMHAV IDRQKNHGMHFRVLAKALRMSGGDHIHSGTVVGKLEGEREMTLGFVDLLRDDFIEKDRAR GIFFTQDWVSMPGVIPVASGGIHVWHMPALTEIFGDDSVLQFGGGTLGHPWGNAPGAAAN RVALEACVQARNEGRDLAREGNEIIRAACKWSPELAAACEVWKAIKFEFEPVDTIDK >sp P27064 RBL_CUCSA Ribulose bisphosphate carboxylase large chain OS=Cucumis sativus MSPQTETKASVGFKAGVKDYKLTYYTPEYETKDTDILAAFRVTPQPGVPPEEAGAAVAAE SSTGTWTTVWTDGLTSLDRYKGRCYGIEPVAGEENQYIAYVAYPLDLFEEGSVTNMFTSI VGNVFGFKALRALRLEDLRIPTAYIKTFQGPPHGIQVERDKLNKYGRPLLGCTIKPKLGL SAKNYGRAVYECLRGGLDFTKDDENVNSQPFMRWRDRFLFCAEAIFKSQAETGEIKGHYL NATAGTCEEMMKRAIFARELGAPIVMHDYLTGGFTANTSLAHYCRDNGLLLHIHRAMHAV IDRQKNHGMHFRVLAKALRMSGGDHIHAGTVVGKLEGEREITLGFVDLLRDDFVEKDRSR GIYFTQDWVSLPGVLPVASGGIHVWHMPALTEIFGDDSVLQFGGGTLGHPWGNAPGAVAN RVALEACVQARNEGRDLAREGNEIIREASKWSPELAAACEVWKEIKFEFEAMDTL >sp P25079 RBL_SOLTU Ribulose bisphosphate carboxylase large chain OS=Solanum tuberosum MSPQTETKASVGFKAGVKEYKLTYYTPEYQTKDTDILAAFRVTPQPGVPPEEAGAAVAAE SSTGTWTTVWTDGLTSLDRYKGRCYRIERVVGEKDQYIAYVAYPLDLFEEGSVTNMLTSI VGNVFGFKALRALRLEDLRIPVAYVKTFQGPPHGIQVERDKLNKYGRPLLGCTIKPKLGL SAKNYGRAVYECLRGGLDFTKDDENVNSQPFMRWRDRFLFCAEALFKAQAETGEIKGHYL NATAGTCEEMMKRAVFARELGTPIVMHDYLTGGFTANTTLAHYCRDNGLLLHIHRAMHAV IDRQKNHGMHFRVLAKALRMSGGDHIHSGTVVGKLEGERDITLGFVDLLRDDFIEQDRSR GIYFTQDWVSLPGVLPVASGGIHVWHMPALTEIFGDDSVLQFGGGTLGHPWGNAPGAVAN RVALEACVKARNEGRDLAREGNEIIREAAKWSPELAAACEVWKEIVFNFAAMDVLDK >sp P27065 RBL_SOLLC Ribulose bisphosphate carboxylase large chain OS=Solanum lycopersicum MSPQTETKASVGFKAGVKEYKLTYYTPEYQTKDTDILAAFRVTPQPGVPPEEAGAAVAAE SSTGTWTTVWTDGLTSLDRYKGRCYRIERVVGEKDQYIAYVAYPLDLFEEGSVTNMFTSI

Side 11 af 11 VGNVFGFKALRALRLEDLRIPPAYVKTFQGPPHGIQVERDKLNKYGRPLLGCTIKPKLGL SAKNYGRAVYECLRGGLDFTKDDENVNSQPFMRWRDRFLFCAEALFKAQTETGEIKGHYL NATAGTCEEMIKRAVFARELGVPIVMHDYLTGGFTANTTLAHYCRDNGLLLHIHRAMHAV IDRQKNHGIHFRVLAKALRMSGGDHIHSGTVVGKLEGERDITLGFVDLLRDDFVEQDRSR GIYFTQDWVSLPGVLPVASGGIHVWHMPALTEIFGDDSVLQFGGGTLGHPWGNAPGAVAN RVALEACVKARNEGRDLAREGNEIIREACKWSPELAAACEVWKEIVFNFAAVDVLDK >sp P00876 RBL_TOBAC Ribulose bisphosphate carboxylase large chain OS=Nicotiana tabacum MSPQTETKASVGFKAGVKEYKLTYYTPEYQTKDTDILAAFRVTPQPGVPPEEAGAAVAAE SSTGTWTTVWTDGLTSLDRYKGRCYRIERVVGEKDQYIAYVAYPLDLFEEGSVTNMFTSI VGNVFGFKALRALRLEDLRIPPAYVKTFQGPPHGIQVERDKLNKYGRPLLGCTIKPKLGL SAKNYGRAVYECLRGGLDFTKDDENVNSQPFMRWRDRFLFCAEALYKAQAETGEIKGHYL NATAGTCEEMIKRAVFARELGVPIVMHDYLTGGFTANTSLAHYCRDNGLLLHIHRAMHAV IDRQKNHGIHFRVLAKALRMSGGDHIHSGTVVGKLEGERDITLGFVDLLRDDFVEQDRSR GIYFTQDWVSLPGVLPVASGGIHVWHMPALTEIFGDDSVLQFGGGTLGHPWGNA PGAVAN RVALEACVKARNEGRDLAQEGNEIIREACKWSPELAAACEVWKEIVFNFAAVDVLDK >sp P00877 RBL_CHLRE Ribulose bisphosphate carboxylase large chain OS=Chlamydomonas reinhardtii MVPQTETKAGAGFKAGVKDYRLTYYTPDYVVRDTDILAAFRMTPQLGVPPEECGAAVAAE SSTGTWTTVWTDGLTSLDRYKGRCYDIEPVPGEDNQYIAYVAYPIDLFEEGSVTNMFTSI VGNVFGFKALRALRLEDLRIPPAYVKTFVGPPHGIQVERDKLNKYGRGLLGCTIKPKLGL SAKNYGRAVYECLRGGLDFTKDDENVNSQPFMRWRDRFLFVAEAIYKAQAETGEVKGHYL NATAGTCEEMMKRAVCAKELGVPIIMHDYLTGGFTANTSLAIYCRDNGLLLHIHRAMHAV IDRQRNHGIHFRVLAKALRMSGGDHLHSGTVVGKLEGEREVTLGFVDLMRDDYVEKDRSR GIYFTQDWCSMPGVMPVASGGIHVWHMPALVEIFGDDACLQFGGGTLGHPWGNAPGAAAN RVALEACTQARNEGRDLAREGGDVIRSACKWSPELAAACEVWKEIKFEFDTIDKL