Sekos analizė ir bioinformatika: DNR, RNR ir baltymai

Pelnas:

• Galimybė atspausdinti pagrindinių sekos analizės operacijų, tokių kaip FASTA skaitymas, vertimas, derinimas ir BLAST, kodą ir interpretuoti rezultatus
• Gebėjimas išvengti neteisingų išvadų teisingai interpretuojant tokias sąvokas kaip e-reikšmė, aprėpties greitis ir skaitymo rėmas
• Gebėjimas suprasti sekos funkcijos reikalavimo patvirtinimo oficialiomis duomenų bazėmis (NCBI, UniProt, Ensembl) būtinybę.

Pagrindiniai biologijos duomenys yra seka: DNR seka, susidedanti iš raidžių A, T, G, C; A, U, G, C RNR seka; 20 aminorūgščių baltymų grandinė. Mes suprantame, kas yra genas, kaip susijusios dvi rūšys, ir ryšį tarp mutacijos (sekos pasikeitimo) ir ligos per šias sekas. Šiame skyriuje mokysimės naudoti dirbtinį intelektą kaip kodą ir interpretacijos asistentą sekų analizei: skaityti FASTA failus, versti sekas, derinti (lygiuoti: lyginti dvi sekas raidė po raidės ir pamatyti jų panašumus), suprasti tokius įrankius kaip BLAST.

Kritinis įspėjimas nuo pat pradžių: AI „nežino“ tikrosios sekos funkcijos; Tai teigia tik oficialios duomenų bazės (NCBI, UniProt, Ensembl) ir empiriniai įrodymai.

Pagrindinės sąvokos ir įrankiai

• FASTA: teksto formatas, kuriame saugomos eilutės; Kiekvieną masyvą sudaro antraštės eilutė, prasidedanti >, ir pogrupio eilutės po ja.
• BLAST (Basic Local Alignment Search Tool): įrankis, kuris lygina jūsų turimą seką su milijonais milžiniškos duomenų bazės sekų ir suranda pačias panašiausias. „Kaip atrodo ši serija? standartinis atsakymas į klausimą.
• Lygiavimas: dviejų ar daugiau masyvų išdėstymas taip, kad panašūs regionai būtų išdėstyti vienas po kito. Tai gali būti porinis arba kelių sekų derinimas (MSA).
• Vertimas: DNR/RNR koduojančios sekos konvertavimas į aminorūgščių seką naudojant trigubų raidžių grupes (kodonus).
• Motyvas: trumpas pasikartojantis sekos modelis, turintis funkcinę reikšmę (pvz., surišimo vieta).

Patarimas: jūs negalite pasakyti AI „BLAST that series“; Modelis negali pasiekti BLAST duomenų bazės. Bet "Kaip interpretuoti savo BLAST rezultatą, ką reiškia el. vertė (E vertė)?" Galite klausti ir net parašyti kodą, kuris programiškai iškviečia BLAST su Biopython.

Žingsnis po žingsnio: masyvo tapatybės tyrimas

1. Gaukite seką: išsaugokite faile kaip FASTA.
2. Pagrindinis patikrinimas: ilgis, raidžių turinys (ar tai tik A/T/G/C, ar yra nežinomas „N“), GC santykis (guanino-citozino procentas: skiriasi priklausomai nuo rūšies ir regiono).
3. BLAST: ieškokite NCBI žiniatinklio sąsajoje arba programiškai.
4. Komentaras: pažiūrėkite į geriausios atitikties el. reikšmę (kuo mažesnė, tuo mažesnė tikimybė, kad tai sutapimas) ir užklausos aprėptį.
5. Patvirtinimas: UniProt arba NCBI atidarykite atitinkamą geną / baltymą ir patikrinkite, ar jis iš tikrųjų atitinka jūsų ieškomą funkciją.

AI padeda koduoti 2 veiksme ir komentuoti 4 veiksme; tačiau tikrus duomenis 3 ir 5 žingsniuose pateikia patys įrankiai ir jūs.

Kopijuojami raginimo šablonai

Vaidmuo: esate bioinformatikos asistentas. Užduotis: perskaitykite FASTA failą (sequences.fasta) naudodami Biopython. Noriu: įrašyti kiekvienos sekos pavadinimą, ilgį ir GC santykį į lentelę; išsaugokite rezultatą kaip CSV. Pateikite veikiantį Python kodą su komentarais.

Išverskite turimą DNR seką į baltymų seką. Naudokite Biopython Seq.translate; rodyti stop kodoną (*); nurodykite skaitymo rėmelį. Suteikite kodą, paaiškinkite.Seka: [FASTA]

Interpretuokite mano BLAST rezultatą. Toliau pateikiamos 5 geriausių atitikčių vertės vertė, tapatybės procentas ir aprėpties rodiklis. Paaiškinkite man, kuri atitiktis yra patikima ir kodėl, nenurodykite tikslių funkcijų, nurodykite veiksmus, kuriuos turiu patikrinti. Lentelė: [duomenys]

Sulygiuokite dvi baltymų sekas poromis ir suraskite procentinį panašumą. Naudokite Biopython pairwise2 arba Bio.Align; skaitomai atspausdinkite lygiavimą. Suteikite kodą ir paaiškinkite balų skaičiavimo schemą.

Silpnas raginimas / Stiprus raginimas

Silpnas: "Koks genas yra ši seka?"

Stiprus: "Mano žmogaus DNR seka yra 1140 bazinių porų (FASTA žemiau). Aš pats sukūriau šią seką; geriausia atitiktis yra TP53, e-reikšmė 0,0, tapatybė 99,8%, aprėptis 100%. Paaiškinkite, kodėl šis rezultatas yra tvirtas įrodymas; tačiau pasakykite man, kuriuos 2 patikrinimus turiu atlikti prieš įsitikindamas, kad ji veikia."

Skirtumas: stiprioje eilutėje modeliui pateikiami faktiniai duomenys (ilgis, BLAST rezultatas); Jūs prašote modelio interpretuoti jūsų pateiktus įrodymus, o ne „prisiminti“. Jis priverstas sugalvoti modelį dėl silpno raginimo.

trys mini dėklai

1 atvejis – neteisingas skaitymo rėmelis: studentas išvertė DNR seką į baltymą, bet nuo pat pradžių, neradęs teisingo pradžios kodono (ATG). Rezultatas buvo beprasmis, anksti sustojęs baltymas. Kai modelis išbandė visus tris skaitymo kadrus ir parašė kodą, kuris rado ilgiausią atvirą skaitymo rėmelį (ORF), pradedant nuo ATG, atsirado tinkamas 380 aminorūgščių baltymas.

2 atvejis – E-vertės klaidingumas: technikas pranešė, kad BLAST atitikmuo, kurio el. reikšmė yra 2,0, yra „rasta“. Tuo tarpu e-reikšmė, didesnė nei 1, rodo, kad atitikimas greičiausiai yra sutapimas. Modelis tai paaiškino ir priminė, kad e < 1e-5 paprastai naudojamas kaip patikimas slenkstis.

3 atvejis – užteršimas: bakterijų sekos BLAST laboratorijoje parodė, kad žmogaus DNR yra geriausias atitikmuo. Tai buvo mėginio užteršimo požymis. AI sukėlė teisingą įtarimą teigdamas, kad „netikėtas rungtynių tipas gali rodyti užteršimą“; Technikas pakartojo pavyzdį.

Palyginimas: dirbtinio intelekto vaidmuo

Quest

dirbtinis intelektas

Įrankis/duomenų bazė

žmogaus

FASTA skaitymas, GC/ilgis

rašo kodą

—

Valdo išvestį

Vertimas, ORF paieška

rašo kodą

Veikia Biopython

Patvirtina rėmą

masyvo id

Komentarai

BLAST/NCBI radiniai

patvirtina

Funkcijos pretenzija

siūlo pasiūlymus

UniProt pateikia įrodymą

nusprendžia

Dažnos klaidos

• Modelio prašymas „atsiminti“ eilutės ID: Modelis stygų neįsimena; Naudokite BLAST.
• Klaidingas e-vertės aiškinimas: mažas yra geras, didelis yra blogas; Prisiminkite slenkstį.
• Netikrinamas skaitymo rėmelis: neteisingas rėmelis gamina nesąmoningą baltymą.
• Aprėpties nepaisymas: didelė tapatybė, bet maža aprėptis reiškia dalinį atitikimą.
• Trūksta užteršimo: netikėtas rūšių atitikimas yra rimtas įspėjimas.

Atsargiai: vien todėl, kad seka yra "99% panaši į TP53", neįrodo, kad ši seka atlieka TP53 funkciją; Tai tvirta hipotezė. Funkcija turi būti paremta empiriniais įrodymais ir duomenų bazės aprašymais. Neužtenka AI tiesiog pasakyti „tai yra naviko slopintuvas“.

Kelių sekų derinimas ir filogenijos pagrindas

Dešimčių sekų derinimas, o ne tik dvi, vadinamas kelių sekų suderinimu (MSA) ir yra daugelio analizių pagrindas: ieškant konservuotų regionų (dalių, kurios evoliucijos metu išliko nepakitusios ir todėl funkciškai svarbios), statant filogenetinius medžius, identifikuojant baltymų šeimas. Tokie įrankiai kaip MAFFT, MUSCLE ir Clustal atlieka šį darbą. AI rašo kodą, kuris iškviečia šiuos įrankius iš Python (pavyzdžiui, per Biopython) ir padeda interpretuoti išvestį; bet pats išlygiavimas padaro įrankį, o ne modelį "pamaina".

Aiškinant MSA, atkreipkite dėmesį į konservuotas stulpelius: aminorūgštis, kuri išlieka tokia pati visose sekose, greičiausiai yra labai svarbi baltymo funkcijai (pvz., aktyviajai fermento vietai). Tai suteikia tvirtą užuominą, kodėl mutacija gali būti žalinga. Tačiau „išsaugotas = reikšmingas“ yra hipotezė; reikalauja eksperimentinio patikrinimo.

Perskaitykite mano kelių lygiavimo failą (aligned.fasta), kuris yra MAFFT išvestis, naudodami Biopython. Apskaičiuokite kiekvieno stulpelio sulaikymo koeficientą; Išvardykite daugiau nei 90% apsaugotų pozicijų. Paaiškinkite, kodėl šios pozicijos gali būti funkcinės svarbos, nepretenduokite į galutinę funkciją.

Mutacijų ir variantų interpretacijos spąstai

Kai matote raidės pasikeitimą (variantą) eilutėje, pasakyti, kad tai „kenksminga“, yra didelis šuolis. Dauguma variantų yra neutralūs (neveiksmingi). Aiškinant varianto poveikį, reikia žiūrėti į tam skirtas variantų duomenų bazes (pvz., ClinVar) ir populiacijos dažnio duomenis (pvz., gnomAD), o ne į AI žodį. Jei modelis teigia, kad variantas yra „patogeniškas“, niekada neįrašykite to į klinikinę ar tyrimo išvadą, nepatvirtindami to šiais šaltiniais.

Bazinės duomenų bazės tikrinimui

Oficialių šaltinių, patvirtinančių kiekvieną serialo analizės teiginį, žinojimas yra jūsų stipriausias skydas nuo dirbtinio intelekto sugalvojimo. Dažniausiai naudojamas:

duomenų bazėje

už ką

Tipiškas patvirtinimas

NCBI GenBank/RefSeq

DNR/RNR sekos, genų įrašai

Stygos ID, ilgis

UniProt

Baltymų sekos ir funkcijos

Funkcija, aminorūgščių skaičius

ansamblis

Genomo anotacija, genų vietos

Genų-chromosomų kartografavimas

ClinVaras

Klinikinė variantų reikšmė

Patogeninis/neutralus sprendimas

gnomAD

Variantas dažnis populiacijoje

retas/dažnas variantas

AI gali pasiūlyti, į kurią iš šių bazių turėtumėte atkreipti dėmesį; Bet jūs pateikiate užklausą ir perskaitote rezultatą. „Modelis sakė, kad taip sako UniProt“ nėra patvirtinimas; Patvirtinama, kad pats atidarote UniProt puslapį.

Apibendrinant

Sekos analizė yra bioinformatikos esmė; FASTA, BLAST, lygiavimas ir vertimas yra pagrindinės operacijos. AI rašo šių operacijų kodą ir padeda interpretuoti jų rezultatus, tačiau įrankiai (BLAST) ir duomenų bazės (NCBI, UniProt) pateikia tikrąjį sekos identifikavimą. Norint išvengti klaidingų išvadų, labai svarbu teisingai suprasti tokias sąvokas kaip el. vertė, aprėptis ir skaitymo rėmas. Funkcijos teiginys visada reikalauja nepriklausomų įrodymų.

Taikymo užduotis

Paimkite DNR sekos pavyzdį (arba geną, kurį atsisiuntėte iš NCBI). Leiskite AI apskaičiuoti ilgį ir GC santykį su Biopython, tada išversti jį visuose trijuose skaitymo rėmuose ir atspausdinti kodą, kuris suranda ilgiausią ORF. Paleiskite rezultatą. Tada patys ieškokite šios sekos NCBI BLAST ir leiskite modeliui interpretuoti geriausios atitikties el. vertę ir aprėpties rodiklį. Patvirtinkite modelio funkcinį teiginį UniProt.

kontrolinis sąrašas

• [ ] Prieš apdorodamas eilutę patikrinau ilgį ir raidžių turinį.
• [ ] Vertime naudojau teisingą skaitymo rėmelį.
• [ ] Pats vedžiau BLAST, modelio „nepriminiau“.
• [ ] Teisingai interpretavau e-reikšmę ir aprėpties santykį.
• [ ] Įvertinau netikėtą rūšių atitikimą užterštumui.
• [ ] Funkcijos reikalavimą patvirtinau oficialia duomenų baze.