Python en ciencia Pycon Argentina 2009

Python y ciencia

Sebastián Bassi

GenesDigitales, SoLAr, Biopython, DNALinux, PyAr, Wikimedia-AR, INTA (EuSol)

Una fórmula exitosa

¿Qué es Python?

Python es un lenguaje de programación orientado a objetos que puede usarse para varios tipos de desarrollo de software. Ofrece soporte para integrarse con otros lenguajes y herramientas, viene con una importante biblioteca estándar, y puede aprenderse en pocos días.

Características de Python

Libre y gratuito.

Fácil de leer.

Multiparadigma.

Fácil de aprender.

Tipo de datos versátiles (alto nivel).

Viene con pilas:

Fácil de leer

Copiar archivo en C:

#include <stdio.h>

int main(int argc, char **argv) {

FILE *in, *out;

int c;

in = fopen("input.txt", "r");

out = fopen("output.txt", "w");

while ((c = fgetc(in)) != EOF) {

fputc(c, out);

}

fclose(out);

fclose(in);

}

Fácil de leer

Copiar archivo en Python:

out = open("output.txt", "w")

out.writelines(open("input.txt"))

out.close()

Multiplataforma

Ademas de funcionar en los “sospechosos de siempre” (Linux, Windows y OSX), corre en JAVA VM (Jython), .Net (IronPython), Celulares (Nokia S-60), iPod, Palm, Reproductores MP3 (iRiver).

Tipos de datos

Numericos: Int, float, complex, decimal.

Strings (Unicode “nativo”): “qwerty”

Listas: ['espada','pócima','comida']

Tuplas: (23,54,-78)

Sets: {'ssr23','ssr15','ssr12','ssr32'}

Dict: {'blanco':'blanka','azul':'blua'} {1:(2.4,11.8), 2:(0,13), 4:(71.1,98)}

Las pilas (I):

Servicios del sistema, fecha y hora, subprocesos, sockets internacionalización y localización, base de datos, threads, formatos zip, bzip2, gzip, tar, expresiones regulares, XML (DOM y SAX), Unicode, SGML, HTML, XHTML, XML-RPC (cliente y servidor), email, clientes HTTP, FTP, SMTP, NNTP, POP3, IMAP4, servidores HTTP, SMTP, herramientas MIME, interfaz con el garbage collector, serializador y deserializador de objetos, debugger, profiler, random, curses, logging, compilador, decompilador, CSV, análisis lexicográfico, interfaz gráfica incorporada, matemática real y compleja, criptografía (MD5 y SHA)

Las pilas (II)

Bases de datos

MySQL, SQLite, PostgresSQL, MS SQL, Informix, DB/2, Sybase

Interfaces gráficas

Qt, GTK, win32, wxWidgets, Cairo

Frameworks Web

Django, Turbogears, Zope, Plone, webpy

Y un montón más de temas...

Biopython: Manejo de secuencias

PIL: para trabajar con imágenes

PyGame: juegos, presentaciones, gráficos

SymPy: matemática simbólica

Numpy: calculos de alta performance

...

Características deseables de un lenguaje para uso en ciencia.

Libre y gratuito.

Fácil de leer.

Fácil de aprender.

Tipo de datos versátiles (alto nivel).

Biblioteca completa (incorporada y disponible externamente).

Suficientemente rápido

Matemática

NumPy:

Manejo de matrices N-dimensionales.

Funciones algebra lineal

Transformaciones de Fourier

Números aleatorios sofisticados

Herramientas para integrar código C++ y Fortran

Matplotlib: “framework para crear gráficos científicos similares a las herramientas provistas por Matlab”.

Chaco: 2-Dimensional Plotting

Interfase: GNUPLOT, R, MATLAB.

Matemática

Interfases: GNUPLOT, R, MATLAB: FNUPlot-py, Rpy, PyMAT

Bioinformática

Ventajas de Python para Bioinformática

Manejo de texto y expresiones regulares: Nombres de secuencias, secuencias, anotaciones, referencias bibliograficas, etc.

Modular: Puede integrarse upstream o downstream con otros programas (en Python o en otros lenguajes).

Fácil de escribir: Ideal para programadores no profesionales

Buen lenguaje para prototipos: Es rápido para “codear”.

Apto para aplicaciones web: Método estandar en laboratorios para mostrar datos.

Biopython

Manipular secuencias

Enzimas de restricción

BLAST (local y online)

Acceso a bases de datos online (e.g. NCBI's EUtils)

Herramientas CLI (e.g. clustalw, emboss)

Clustering (Bio.Cluster)

Filogenética (Bio.Nexus)

Estructura proteica (Bio.PDB)

Soporte BioSQL

Genética de población (Bio.PopGen)

Efecto de la reina roja

M.A.S (Selección Asistida por marcadores).

Técnica utilizada actualmente para la mayoría de los traits.

Seguimiento de los traits usando marcadores moleculares

Conceptos involucrados:

Selección “tradicional”.

Marcadores moleculares

Selección tradicional

Se determina una propiedad (trait) que se desea modificar (altura, % de aceite del grano, color de hoja, resistencia a quiebre, a enfermedades, etc).

Se identifica fuente del trait (o se induce si no la hubiese).

Se cruza la variedad que tiene el trait de interes, contra línea elite.

Se busca en la descendencia a los portadores del trait.

Se cruza nuevamente con los progenitores (para licuar otros genes de la fuente del trait)

Se busca la fuente del trait

X Planta con trait deseado (0% genes “elite”) Planta “elite” (100% genes “elite”) F1

X Planta con trait deseado y 50% de genes “elite” Planta “elite” (100%) F2

X Planta con trait deseado y 87,5% de genes “elite” Planta “elite” (100%) F4

Ganancia genética

½ + ¼ + 1/8 + 1/16 + ....

En la F7 tenemos 98% de genes “elite”, pero conservando el gen “introducido”.

MAS

Se determina una propiedad (trait) que se desea modificar.

Se identifica fuente del trait (o se induce si no la hubiese).

Se cruza la variedad que tiene el trait de interes, contra línea elite.

Se busca en la descendencia a los portadores de los marcadores.

Se cruza nuevamente con los progenitores

Se busca la fuente del trait

X Planta con trait deseado (0% genes “elite”) Planta “elite” (100% genes “elite”) F1

Ventajas uso de MAS

Aceleración de tiempos.

Ahorro al no continuar lineas sin el trait.

Precisión al usar variable mas reproducible.

Aportes de la Bioinformática al MAS

Construcción de bases de datos de marcadores moleculares

ID de NCR

Diseño de primers

Búsqueda regiones polimorficas

ID de SNPs

Búsqueda por homología de secuencia homologa en AT mRNA: BLAST. Herramientas: NCBIStandalone y NCBIXML

Database retrieval de los resultados. Herramientas: MySQL-Python o SQLite

Alineamiento de 3 secuencias: problema (o target), AT mRNA y AT full length. Herramientas: Bio.Clustalw.MultipleAlignCL y Bio.Clustalw.do_alignment

Búsqueda de intrones

Mitocondria

Involucrada en la sintesis de ATP en la célula eucariota

Datos interesantes:

i) Sus origenes se remontan a un evento de endosimbiosis en la que una célula procarionte fue envaginada por otro procarionte para formar un linaje con dos genemas ( Teoria endosimbiotica )

ii) La mitocondria contiene un genoma pequeño y circular que interactua con el genoma nuclear,

iii) Tiene gran variacion genetica en su secuencia.

Mitochondrial genome structure is of fundamental importance to understanding genetics, evolutionary and biochemical processes that take place into this organelle in crop model species

Métodos 1- Aislamiento de ADN puro de tomate 12.0 2.0 1.0 1.6 etiolated seedlings Fraction number 0 20 40 60 80 10 0 27 31 % of maximum activity PFP cyt c enriched mit fraction @ Percoll gradient fract intact mit “ pure” mit DNAse treatment DNA extraction 2- Contaminación de ADN y QC amplificando marcadores conocidos rbcL chl COXII mit 1:10 actin ncl 1:50 1:100 1:400 1:10 1:50 1:10 1:50 1:100 C- 1:200 1:200 C- 1:400 1:100 C- 1:200 1:400

Methodological strategy 3- Fragmentecion de ADN y construccion de biblioteca de shot-gun 0.8 1.0 1.6 2.0 3.0 4.0 enz mec cloning and transformation Fast check 4- Secuenciación Nomenclature: SlmiNNZZZXY . This code accounts for: Sl : Solanum lycopersicon (cv Heinz). mi : mitochondrial library NN : library # ZZZ : plate # XY : well in plate

Sequences analysis and annotation pipeline Lecturas son generadas en instrumentos ABI 3101 Asignación de bases por Phred Validación, trimeo y enmascaramiento de vectores con SeqClean Contigs (y singletons) generados por CAP3 Contigs (y singletons) blasteados contra Plant mt, otras mt, y NCBI DB. Provisional map generated by anchoring onto the Nicotiana tabacum mitochondrial genome

www.mitochondrialgenome.org

Mariana Conte Sebastian Bassi Funding Credits Virginia Gonzalez EU-SOL project Partnership and Collaborators Partner groups Alisdair Fernie-Lothar Willmitzer Biosciences Dept, Sao Paulo Uni, Brazil Magdalena Rossi Boyce Thompson Institute, USA Jim Giovannoni Institute of Molecular and Cell Biology of Rosario. Estela Valle Laboratorio de Fisiología y Biologia Celular y Molecular Norberto Iusem Biochemistry and Clinical Immunology Centre, Cordoba University. Ramón Asís

Mensaje para el hogar:

Python es una plataforma de programación completa para ciencia. No solo es útil para resolver problemas prácticos sino que introduce buenos hábitos de programación.

Recursos adicionales