Fprosdocimi07 curso_bioinfo1. CURSO ON LINE
INTRODUÇÃO À
BIOINFORMÁTICA
Prof. Dr. Francisco Prosdocimi
2007
2. ÍNDICE
Pág.
CAPÍTULO 1 UMA VISÃO GLOBAL DA BIOINFORMÁTICA 3
1.1. O que é a bioinformática? 3
1.2. O surgimento da bioinformática 3
1.3. O que preciso saber para ser um bom bioinformata? 5
1.4. Cursos de pós-graduação em bioinformática no Brasil 6
1.5. Conversando sobre bioinformática – BIOCHAT 6
1.6. Referências Bibliográficas e textos complementares 12
1.7. bRAINsTORM 12
CAPÍTULO 2 GENOMA, BIOLOGIA MOLECULAR E COMPUTAÇÃO 13
2.1. Introdução 13
2.2. Sequenciamento do DNA 13
2.3. Genômica 14
2.4. As ômicas: integrando a bioinformação 15
2.5. O PERL e outras linguagens de programação 15
2.6. Referências Bibliográficas e textos complementares 17
2.7. bRAINsTORM 17
CAPÍTULO 3 ALINHAMENTO DE SEQÜÊNCIAS 18
3.1. Introdução 18
3.2. Alinhamento Global 18
3.3. Alinhamento Local 19
3.4. Alinhamentos ótimos e heurísticos 20
3.5. Alinhamentos simples e múltiplos 21
3.6. Matrizes de comparação 22
3.7. Exemplos reais de alinhamentos 23
3.8. Referências Bibliográficas 28
3.9. bRAINsTORM 28
CAPÍTULO 4 MONTANDO UM GENOMA 29
4.1. Sobre genomas eucarióticos e procarióticos 29
4.2. Base-calling 30
4.3. Cross-match 31
4.4. Agrupamento de seqüências 32
4.5. Sobre a cobertura dos genomas 34
4.6. Referências Bibliográficas 35
4.7. bRAINsTORM 35
CAPÍTULO 5 ANÁLISE DE TRANSCRIPTOMAS 36
5.1. As ESTs 36
5.2. Histórico das ESTs 37
5.3. Agrupamento de ESTs 38
5.4. O genoma e o transcriptoma 39
5.5. SAGE – Serial Analysis of Gene Expression 40
5.6. Microarrays 40
5.7. Referências Bibliográficas 41
5.8. bRAINsTORM 41
CAPÍTULO 6 BANCOS DE DADOS EM BIOLOGIA MOLECULAR 42
6.1. Histórico 42
6.2. Bancos primários e secundários 43
6.3. GenBank e GenPept 43
6.4. RefSeq – O banco de dados de seqüências de referência 44
6.5. SWISSPROT – O maior banco de dados secundário de seqüências de proteínas 45
6.6. Gene Ontology – Sistema de classificação de genes de acordo com suas características 46
6.7. Referências Bibliográficas 46
6.8. bRAINsTORM 47
CAPÍTULO 7 ANOTAÇÃO DE GENOMAS 49
7.1. Introdução 49
7.2. Anotação de Nucleotídeos 49
7.3. Anotação de Proteínas 50
7.4. Anotação de Processos 50
7.5. A realização da Anotação Genômica (Sociologia da Anotação) 51
7.6. Referências Bibliográficas 52
7.7. bRAINsTORM 53
CAPÍTULO 8 BIOINFORMÁTICA EVOLUTIVA E GENOMAS COMPLETOS 54
8.1. Homologia, Ortologia e Paralogia 54
8.2. COG 56
8.3. Trabalhando com genomas completos 56
8.4. Referências Bibliográficas 57
8.5. bRAINsTORM 58
CAPÍTULO 9 BIOINFORMÁTICA ESTRUTURAL 59
9.1. Sobre a estrutura das proteínas 59
9.2. Protein Data Bank: o banco de dados de estruturas de proteínas 60
9.3. Modelagem molecular por homologia 61
9.4. Alguns programas de modelagem molecular 63
9.5. Threading 63
9.6. CASP – Critical Assessment of Structure Prediction 63
9.7. Estrutura de um arquivo no formato PDB 64
9.8. Referências Bibliográficas 67
9.9. bRAINsTORM 68
CAPÍTULO 10 CONCLUSÕES E PENSAMENTOS FILOSÓFICOS SOBRE A BIOINFORMÁTICA 69
10.1. Sobre bioinformática, genoma e ciência 69
10.2. Introdução 69
10.3. Genoma e o método científico 70
10.4. Um conceito de bioinformática 71
10.5. Princípios paradigmáticos em bioinformática 72
10.6. Conclusão 74
10.7. bRAINsTORM 74
3. PREFÁCIO
Quando em 2002 realizei, concomitantemente ao meu mestrado em genética pela
UFMG, o excelente curso de especialização em Bioinformática do LNCC, ministrado por
muitos dos maiores especialistas em genômica e bioinformática de nosso país, tive o
privilégio de ser um dos organizadores (e o primeiro autor) de um trabalho entitulado
“Bioinformática: manual do usuário” em que todos os cerca de 20 alunos do curso
se organizaram com o objetivo de gerar uma publicação básica sobre a área de
pesquisa à qual nos estamos aprofundando e formando. Esta publicação foi finalmente
publicada na revista Biotecnologia Ciência e Desenvolvimento alguns meses depois.
Tendo mantido meu contato com a editora da revista Biotecnologia, enquanto
terminava meus estudos de doutoramento em bioinformática, recebi um convite para
elaborar um curso on line a ser ministrado através do portal biotecnologia da
Internet (http://www.biotecnologia.com.br). Este documento que agora vos apresento
gratuitamente pela Internet (http://biotec.icb.ufmg.br/chicopros/Prosdocimi07_Curso
Bioinfo.pdf) consiste exatamente neste curso, produzido em 2006 e ministrado em
2007 para uma turma de 40 alunos. Ainda que navegando por problemas técnicos,
acredito que o curso foi bastante proveitoso e produtivo, sendo que a grande maioria
dos alunos saiu do mesmo tendo adquirido conteúdo e aprendido a compreender muito
sobre a lógica e o pensamento em bioinformática.
Hoje, passados quase 4 anos que ministrei este curso pela Internet, vejo este
documento arquivado entre meus arquivos do período jurássico e tenho pena de deixar
este conhecimento perdido nos meandros digitais do meu disco rígido. Assim, contatei
recentemente a editora da revista que lendo o contrato que fizemos à época e dizendo
serem meus os direitos autorais desta apostila ou “esboço de livro”, informou-me que
tenho o direito de publicar o presente documento na Internet para que se torne
acessível a qualquer indivíduo interessado em aprender a arte e a ciência da
bioinformática. Recomendou-me ainda que eu atualizasse as informações aqui
presentes e publicasse um livro de verdade, a ser vendido nas livrarias. Tenho sim
planos de fazê-lo, mas sei que precisaria reestruturar boa parte do que está aqui
contido e, por falta de tempo para tanto, decido publicar esta versão gratuitamente
pela Internet. Assim, caso haja interesse de leitores, estudantes ou editores, estarei
disposto a atualizar estas informações e produzir uma segunda edição mais completa e
atualizada sobre presentes assuntos.
Brasília, numa quarta-feira de cinzas.
17/02/2010
Chico Prosdocimi
http://biotec.icb.ufmg.br/chicopros
http://chicopros.blogspot.com
5. 3
CAPÍTULO 1
Uma visão global da bioinformática
Iniciando nossa Interação
Nesta primeiro capítulo apresentaremos uma visão geral da bioinformática,
vamos conversar sobre as necessidades e oportunidades de capacitação para quem
deseja atuar nessa área.
1.1. O que é a bioinformática?
Podemos considerar a bioinformática como uma linha de pesquisa que envolve
aspectos multidisciplinares e que surgiu a partir do momento em que se iniciou a
utilização de ferramentas computacionais para a análise de dados genéticos,
bioquímicos e de biologia molecular. A bioinformática envolve a união de diversas
linhas de conhecimento – a ciência da computação, a engenharia de softwares, a
matemática, a estatística e a biologia molecular – e tem como finalidade principal
desvendar a grande quantidade de dados que vem sendo obtida através de seqüências
de DNA e proteínas. Para o desenvolvimento de genomas completos, a informática é
imprescindível e a biologia molecular moderna não estaria tão avançada hoje, não
fossem os recursos computacionais existentes.
1.2. O surgimento da bioinformática
A bioinformática, apesar de ser uma ciência nova e em desenvolvimento, já
apresenta uma figura clássica que freqüentemente é mostrada em qualquer palestra
ou curso que se vá sobre a área. Essa figura, mostrando o crescimento exponencial do
GenBank nos últimos anos, tenta mostrar que, mais do que uma abstração possível, a
bioinformática é hoje uma necessidade para a análise de dados em biologia molecular.
Desde que os seqüenciadores capilares de DNA em larga escala surgiram, no
fim da década de 90, a quantidade de dados biológicos produzidas simplesmente
alcançou níveis que fizeram com que análises manuais de seqüências de DNA se
tornassem simplesmente alternativas absurdas para o estudo de dados de genoma e
transcriptoma.
Dois desenvolvimentos foram importantes para permitir tanto o surgimento da
bionformática quanto o rápido desenvolvimento da produção de seqüências de DNA. O
primeiro deles foi o sequenciamento capilar. Enquanto no passado as seqüências eram
produzidas em placas enormes que deveriam ser corridas de forma uniforme e com um
grande cuidado, com o desenvolvimento da tecnologia de sequenciamento capilar, a
eletroforese ocorria dentro de tubos com a espessura de um cabelo humano, contendo
uma solução polimérica por onde o DNA deveria passar guiado por uma corrente
elétrica, como uma eletroforese normal. O outro grande desenvolvimento foi a
marcação dos didesoxinucleotídeos necessários para o sequenciamento do DNA com
moléculas fluorescentes. Enquanto as reações tradicionais eram realizadas com
marcadores radioativos, que tornavam a metodologia um tanto quanto trabalhosa e
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
6. 4
até mesmo perigosa, os marcadores fluorescentes permitiam maior segurança e ainda
um novo avanço. Enquanto era preciso correr diferentes reações para cada nucleotídeo
na marcação radioativa, a técnica de marcação fluorescente permitia que cada base
fosse marcada com um diferente fluorocromo que era capaz de emitir luz em um
diferente comprimento de onda se excitado por um laser. Essa luz, lida por um
detector, informava ao sistema qual nucleotídeo passava em diferentes momentos da
eletroforese. E foi exatamente a reunião desses dois desenvolvimentos num só
aparelho que produziu o equipamento que posteriormente ficaria conhecido como “o
seqüenciador que criou a bioinformática”. O primeiro desses aparelhos foi produzido
pela empresa Applied Biosystems e foi chamado de ABI Prism 3700. Apresentava 96
colunas (ou capilares para a eletroforese) e permitia o sequenciamento de cerca de
550 bases em cada coluna, sendo oito vezes mais rápida do que a melhor concorrente
da época e possibilitando o sequenciamento de até 1 milhão de pares de bases por dia.
Além de permitir o rápido desenvolvimento da bioinformática, esse seqüenciador ainda
geraria brigas políticas sobre quem é que deveria sequenciar todo o genoma humano,
uma empresa particular ou o consórcio público, mas isso é outra história.
Figura 1.1. Crescimento do Genbank. Crescimento exponencial do número de
seqüências contidas no GenBank ao longo das duas últimas décadas. Obtido em
http://www.ncbi.nlm.nih.gov/Genbank/genbankstats.html.
O que importa é que, desde 1998, quando o ABI Prism foi lançado, outras
empresas desenvolveram também seus seqüenciadores capilares de larga escala e o
custo dessas máquinas – que antes chegava a trezentos mil dólares – foi aos poucos
caindo e permitindo que mais e mais laboratórios pudessem ter seus próprios
seqüenciadores. Cada vez mais dessas máquinas são vendidas ainda hoje e o número
de seqüências de DNA produzidas vem aumentando exponencialmente até o presente
momento.
Leitura complementar:
http://nextisnowbr.blogspot.com/2009/12/next-generation-sequencing-estado-da.html
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
7. 5
1.3. O que preciso saber para ser um bom bioinformata?
O profissional em bioinformática é raro no mercado, já que ele necessita saber
e ser familiar a, pelo menos, três áreas distintas do conhecimento: a biologia
molecular, a ciência da computação e a bioinformática per se. Além disso,
conhecimentos em estatística e matemática são altamente recomendáveis. Imagine
um biólogo que não tenha conhecimento de computação: ele será capaz de bolar uma
infinidade de possíveis experimentos em bioinformática que gostaria que fossem
gerados, mas será incapaz de colocá-los em prática. Do outro lado, um cientista da
computação sem conhecimento em biologia e com sua característica ânsia de analisar
dados, será capaz de pegar uma infinidade de dados biológicos e fazer uma grande
quantidade de análises computacionais sem qualquer propósito, gerando resultados de
difícil interpretação, por vezes ininterpretáveis ou sem qualquer sentido biológico. O
trabalho em equipe, para a produção de projetos em bioinformática, pode ser
interessante, desde que os profissionais trabalhem juntos todo o tempo. Reuniões
apenas esporádicas normalmente fazem com que as idéias do trabalho do biólogo e do
cientista da computação se afastem dos ideais iniciais da pesquisa. Isso no caso
médio. É claro que é possível conseguir bons resultados em casos isolados.
Considerando isso, torna-se necessário o desenvolvimento de um novo
profissional, o bioinformata. Um biólogo que tenha tido uma formação parcial como
cientista da computação ou vice-versa. Além disso, é preciso que tal profissional tenha
ainda uma formação em bioinformática e que conheça profundamente as diferenças e
as boas e más qualidades dos principais bancos de dados públicos sobre seqüências e
estruturas de biomoléculas. Como não temos a intenção de ensinar biologia molecular
ou ciência da computação, no presente curso daremos ênfase exatamente a esta
última parte, que consiste na formação do bioinformata per si, que deve conhecer pelo
menos o básico com relação à análise de genomas e as ferramentas e bancos de dados
disponíveis na internet para o estudo dessa nova ciência.
Com relação aos requisitos computacionais que serão apresentados apenas de
passagem no presente curso, um profissional em bioinformática deve ter um bom
conhecimento algum sistema operacional baseado em UNIX, sem qualquer sombra de
dúvida. Quase todos os algoritmos utilizados para a pesquisa em bioinformática
apresentam código aberto e são, freqüentemente, disponíveis apenas para sistema
operacionais como o LINUX e o Solaris. Os programas de código aberto são aqueles
nos quais os programadores disponibilizam todo o código fonte do programa para o
usuário, que pode alterá-lo de acordo com a sua aplicação de interesse. E esse é
também um dos motivos pelos quais os bioinformatas devem ser familiarizados com
linguagens de programação. Um bioinformata que não sabe programar em uma
linguagem qualquer tem dificuldades para se desenvolver e, portanto, o profissional
deve estar ao menos apto a aprender alguma linguagem de programação.
Outro conhecimento que gera um salto qualitativo na atividade do bioinformata
é o conhecimento de bancos de dados e linguagem SQL. A linguagem SQL é a mais
comumente utilizada em uma diversidade de bancos de dados e muitos sites
disponibilizam informações armazenas em tabelas e bancos de dados inteiros. Devido à
sua gratuidade e eficiência, o banco de dados mais utilizado em bioinformática é o
MySQL, mas quaisquer outros podem ser utilizados sem demais inconvenientes. Mas
mais importante ainda do que ser capaz de obter os bancos de dados públicos é o
bioinformata ser capaz de criar seus próprios bancos de dados, organizando as
informações de seu projeto e permitindo tanto um bom armazenamento quanto
organização e fácil acesso aos dados. Além disso, o conhecimento de plataformas para
disponibilizar dados para os pesquisadores é interessante e o bioinformata deve ter
algum conhecimento de linguagem HTML e, de preferência alguma linguagem de
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
8. 6
programação para a internet, como o CGI ou o PHP, sendo que esse último ainda
apresenta a vantagem de permitir fácil conexão com bancos de dados.
É claro que a gama de conhecimento necessária para exercer bem uma
profissão qualquer tende a ser infinita, mas é indispensável ao menos que o
bioinformata seja proficiente em uma linguagem de programação e tenha bons
conhecimentos de biologia molecular, dos bancos de dados e das ferramentas a serem
utilizadas em cada caso. Aqui, iremos passar apenas de leve em programação e
biologia molecular na próxima aula e depois passaremos direto para a parte que
explica e mostra quais são as principais ferramentas utilizadas em análises genômicas
e os principais bancos de dados que devem ser consultados em diferentes aplicações.
1.4. Cursos de pós-graduação em bioinformática no Brasil
Até o presente momento parecem existir apenas três cursos de pós-graduação
em bioinformática no Brasil. O primeiro e mais tradicional deles é o curso de pós-
graduação Lato Sensu em Bioinformática do LNCC, cuja página oficial pode ser vista
em http://www.lncc.br/~biologia/. Três turmas de alunos já graduados de todo o país
já foram formadas por esta pós-graduação, inclusive o presente autor desse curso on-
line, quem vos escreve. Consiste num ótimo curso de especialização, no qual os
maiores expoentes do país na área são chamados para ministrar diferentes aulas nos
campos da genômica, transcriptômica e proteômica. Além desse curso de pós-
graduação, que dura cerca de três meses e meio, o LNCC também oferece cursos
esporádicos com duração entre duas semanas e um mês e recomenda-se visitar a
página do LNCC para mais informações (http://www.lncc.br).
Logo a CAPES percebeu a importância de se abrirem cursos nessa área
estratégica e propôs um edital para a formação de cursos de doutorado em
bioinformática. A partir daí dois novos cursos de doutorado em bioinformática foram
criados, um na USP (setembro de 2002) e outro na UFMG (abril de 2003). Para mais
informações, visite o site dos programas http://www.ime.usp.br/posbioinfo/ e
http://www.bioinfo.dout.ufmg.br/.
1.5. Conversando sobre bioinformática – BIOCHAT
A revista biotecnologia promove esporadicamente o chamado biochat, que
consiste em uma conversa com um pesquisador experimente de uma determinada
área do conhecimento. Abaixo transcrevo um dos biochats realizado com o autor do
presente curso, onde várias dúvidas básicas sobre o assunto podem ser sanadas.
Assunto do Biochat: Conceitos e Paradigmas em Bioinformática
Pesquisador entrevistado: Francisco Prosdocimi
Há uma grande confusão com relação ao que seja a bioinformática, sendo que
muitos ainda acreditam que qualquer aplicação da computação à biologia possa ser
referenciada como "bioinformática". Ao observarmos os trabalhos recentemente
publicados na área, podemos dividí-los em três correntes básicas ou princípios
paradigmáticos, chamados metaforicamente de "o tijolo", "a peneira" e "a lupa". Tais
princípios serão apresentados e discutidos durante o BIOCHAT. Além disso, é
interessante discutirmos quais seriam os pré-requisitos básicos para formar um
bioinformata, tanto na área computacional quanto na área biológica. Do que, afinal, é
feito um bioinformata e o que ele precisa conhecer é tema recorrente entre os curiosos
sobre a área.O conceito da bioinformática, seus princípios paradigmáticos e a formação
do bioinformata serão, portanto, os temas a serem discutidos neste BIOCHAT.
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
9. 7
Boa noite a todos! Está aberto nosso biochat sobre bioinformática. Por
Dr. Francisco
favor, enviem suas dúvidas para que possamos discutir e trocar idéias
Prosdocimi
a respeito do assunto.
Grande Francisco... Afinal, qual o conceito mais aceito para
Vanderson:
Bioinformática?
Olá Vanderson. Fico agradecido pela sua presença. Na verdade existem
vários conceitos para bioinformática e muita confusão é feita sobre o
Dr. Francisco
tema. Na minha opinião a bioinformática surgiu com o boom dos
Prosdocimi
sequenciadores automáticos de DNA e ainda hoje está ligada a análises
de seqüências de biomoléculas.
Biologia computadorizada? Ouvi este termo e queria saber qual é a
Adonis:
diferença disso para Bioinformática?
Pois é, meu prezado Adonis. A biologia computacional diz respeito a
qualquer aplicação da computação na área biológica, enquanto a
Dr. Francisco
bioinformática está freqüentemente associada a analise de seqüências
Prosdocimi
de genoma, transcriptoma e proteoma. Esses conceitos entretanto são
bastante maleáveis e modificam-se todos os anos.
Boa noite Dr. Francisco. Sou estudante do curso Bacharelado em
Pedro: Bioquímica, na Universidade Federal de Viçosa e tenho direcionado a
minha formação acadêmica para me tornar...
Com relação aos cursos específicos para bioinformática, eles existem
no Brasil apenas em nível de pós-graduação. Sendo que um deles é o
curso de especialização lato sensu do LNCC, no qual acontece a
Dr. Francisco
formação de especialistas em bioinformática. Na USP e na UFMG
Prosdocimi
existem cursos de doutorado em bioinformática, onde tais profissionais
são formados. Eu, a propósito, fui aluno do LNCC e fui também o
primeiro aluno a defender o doutorado em bioinformática na UFMG.
Gostaria que vc respondesse o Pedro Marcus pq eu tenho a mesma
Francisco:
dúvida...
Com relação a cursos de graduação, meu prezado xará, ainda não
Dr. Francisco
existem na área e recomendo que vc faça um curso de biologia ou de
Prosdocimi
computação, se pretende seguir carreira em bioinfo.
Adonis: então bioinfo está dentro da biologia computacional?
Concordo, Adonis. Na minha opinião a bioinformática é, sim, uma parte
da biologia computacional, sendo essa última uma área bastante ampla
Dr. Francisco
e não necessariamente relacionada com biologia molecular. Embora,
Prosdocimi
repito, esses conceitos são maleáveis e modificam-se com o
desenvolver das ciências.
Qual a sua experiência com a Bioinformática? O senhor trabalha mais
Pedro: no meio acadêmico ou se relaciona diretamente com o mercado de
trabalho?
Trabalho com bioinformática desde 2000, tendo tido anteriormente
uma formação como biólogo molecular em bancada. Fiz minha
monografia de bacharelado, minha dissertação de mestrado (em
genética) com análises de transcriptomas do verme Schistosoma
Dr. Francisco mansoni e fui o primeiro aluno a defender o doutorado em
Prosdocimi bioinformática na UFMG trabalhando com análises de qualidade de
seqüências de DNA e genômica comparativa. Sempre trabalhei mais
voltado para o meio acadêmico, mas já fiz também alguns trabalhos
em parceria com uma empresa de Belo Horizonte na área de
bioinformática. A empresa se chama vetta technologies.
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
10. 8
Pegando a deixa do Pedro, você acha que há mercado de trabalho para
Vanderson:
bioinformatas no Brasil... além das instituições públicas e da Alellyx?
Infelizmente, meu amigo Vanderson, não acredito que haja ainda
mercado de trabalho para bioinformática fora das universidades,
embora o campo na área de biotecnologia tenha crescido e venha
Dr. Francisco crescendo. A existência de algumas empresas trabalhando em
Prosdocimi biotecnologia é muito pequena ainda no Brasil e apenas a Alellyx e a
Scylla têm alguma representatividade no mercado. Ou seja, a
bioinformática ainda é matéria para cientistas financiados pelo
governo.
Qual seria a dica para trabalhar com bioinfo em um lugar onde não se
Adonis:
faça molecular?
A dica é estar em parceria com pesquisadores que tenham perguntas
que só possam ser respondidas através de análise computacional. Eu
mesmo tenho várias colaborações com diferentes laboratórios e produzi
um software recentemente, o TGFinder, que surgiu como uma
necessidade de um pesquisador de encontrar genes controlados por
Dr. Francisco
fatores de transcrição. Além disso, o GenBank possui tantas seqüências
Prosdocimi
depositadas e tanta informação a ser mineirada que nem todos os
cientistas do mundo seriam capazes de tudo analisar. É claro que a
pesquisa de ponta é normalmente aquele onde se produz e se analisa
um novo dado em biologia molecular, mas há muito ouro a ser
peneirado nos bancos de dados públicos.
Olá Dr. mas como é aplicada a computação ou informática, na
Paulo:
biologia,neste sequenciadores automáticos de DNA?
A computação é aplicada, principalmente, na análise e identificação das
seqüências de DNA que saem dos sequenciadores automáticos. A
seqüência sai de lá como um monte de A, C, T e G... que não querem
Dr. Francisco dizer nada. O que significa para você isso aqui:
Prosdocimi ACATAGGGACATTACAGAGCATTCAGA? Somente com a bioinformática
conseguimos atrelar a informação codificada em informação biológica,
associando A, C, T e G a algum nome de gene com alguma função
especifica...
Aprofundando mais a discussão, a iniciativa privada na bioinformática
Pedro:
está...
O grande problema, Pedro, é que acredito que dificilmente a
bioinformática per se pode dar algum lucro. Por exemplo, a empresa
Alellyx tem, além de um grande know how em bioinfo, um grande
know how em biologia molecular e em genômica. A descoberta de
Dr. Francisco
novos genes 'apenas' por bioinfo é muito difícil e é preciso estar
Prosdocimi
sempre sequenciando novos organismos. E um sequenciador de DNA é
muito caro para que pequenos empresários possam comprar, o capital
inicial de uma empresa de biotecnologia apresentando bioinformática é
muito alto.
Marx: E fora do Brasil, como estão as perspectivas?
Fora do Brasil eu acredito que haja bastante espaço, sim, para
bioinformatas. Assino uma lista de jobs em bioinformática e
Dr. Francisco
freqüentemente vejo pedidos para profissionais da área... o único
Prosdocimi
problema é que normalmente exige-se grande experiência prévia, o
que não temos ainda no Brasil -- profissionais qualificados.
Dr. Francisco Prosdocimi, fale um pouco sobre mineração de dados já
Adonis:
que esta é o etapa seguinte depois da geração das seqs.
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
11. 9
Bem, caro Adonis, isso me remete aos princípios paradigmáticos da
bioinformática que apresentei no texto introdutório. Acredito que os
trabalhos atuais em bioinformática podem ser divididos em três
correntes principais, os trabalhos de tijolo -- onde ferramentas de
bioinformática são produzidas para construir os edifícios genômicos, os
Dr. Francisco
trabalhos de peneira -- onde a mineração da grande massa de dados
Prosdocimi
em genômica são analisados mais especificamente em vários contextos
-- e os trabalhos de lupa, onde a genômica encontra a ciência e o
método científico de observação, hipótese, experimentação e
resultados são novamente retomados. Escrevi um trabalho sobre isso
para a revista ciência hoje que foi publicado em 2004.
Trabalho atualmente no BIOAGRO-UFV (Instituto de Biotecnologia
Aplicada à Agropecuária) no Laboratório de Bioinformática,
desenvolvendo softwares de análise populacionais (genética de
Pedro:
populações). Você considera válido esse tipo de iniciativa ou seria
melhor eu estar trabalhando mais especificamente com a biologia
molecular?
Considero muito válido seu trabalho. Mas também já tentei produzir
Dr. Francisco algo relacionado a genética de populações e acho muito difícil produzir
Prosdocimi algo melhor do que os já conhecidos programas PAUP, PHYLIP, MEGA,
dentre outros. Boa sorte!
Poderíamos ou podemos, descobrir qual a seqüência para uma
Paulo: determinada proteína ou característica. Ou para identificar estes pares,
para saber qual proteína ela vai produzir, seria isto?
Podemos sim, saber qual a seqüência de DNA é relativa a uma
determinada proteína e, muitas vezes, uma característica. Existe até
mesmo um projeto conhecido como FENOMA, que tenta identificar os
Dr. Francisco
genes responsáveis por algum fenótipo (característica). O que
Prosdocimi
acontece, entretanto, é que grande parte das características são
geradas através de um grande número de genes que interagem entre
si e fazem da análise algo complicadíssimo!
Tenho uma opinião a expressar... Um grande problema que eu percebo
Vanderson: na maioria dessas ferramentas de bioinformática é o total descaso com
usuários
Concordo plenamente, Vanderson. Biólogos não estão interessados em
utilizar sistemas linux, linhas de comando e outros artifícios
computacionais de start-up razoavelmente complexo. Interfaces
Dr. Francisco
gráficas e fáceis, de preferência via web e bastante user-friendly são
Prosdocimi
altamente recomendáveis. Mas é preciso dizer que há também
programas com manuais completos e simples, mas o usuário parece ter
preguiça de lê-los, o que definitivamente é preciso fazer.
Carla: Por acaso já se pode analisar um gene pelo computador?
É claro, Carla, os genes são formados por seqüências de nucleotídeos
Dr. Francisco que são representadas por A, C, G e T, transformando as seqüências
Prosdocimi dos genes em letrinhas que são analisadas e comparadas entre
diferentes espécies animais.
É real a migração de perl para java? ou isso só tá ocorrendo no meio
Adonis: privado? Essa migração seria um preocupação com uma interface mais
amigável?
Caro Adonis, acredito que a migração de PERL para JAVA está
Dr. Francisco relacionada ao fato de que a linguagem JAVA é multiplataforma, além
Prosdocimi de ser nativamente orientada a objetos, o que facilita a criação de
programas mais complexos e de grande porte. Acredito que os scripts
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
12. 10
freqüentemente utilizados em trabalhos de bioinformática devem
continuar sendo produzidos em PERL, que é uma linguagem onde a
expressão regular é nativa e rápida, sendo mais apropriada para tais
trabalhos. Sim, a migração também pode estar relaciona com uma
interface mais amigável, já pronta em vários objetos JAVA.
Como o Brasil está em relação a outros paises, nesse desenvolvimento?
Carla:
O nosso país valoriza a bioinformática?
O Brasil anda atrás dos países desenvolvidos quando o assunto é
Dr. Francisco bioinformática e, apesar de que recentes iniciativas da CAPES e do
Prosdocimi CNPq vêm tentando buscar equiparação internacional, a bioinformática
brasileira ainda está em seu berço (esplêndido).
Boa noite Dr. Gostaria de saber sobre o cenário de Software Livre x
Software Proprietário em bioinformática. O Sr. acredita que a adoção
do software livre pode ajudar na redução de gastos em pesquisa e
Macedo:
desenvolvimento e que isso possibilitará o estudo de doenças
negligenciadas? Ou o segmento acadêmico enxerga o software livre
apenas como ª...
No caso da bioinformática posso assegurar que mais de 95% dos
softwares são livres ou de livre acesso (pelo menos para o meio
acadêmico) e cerca de 50% são de livre acesso para todos. Por isso, a
Dr. Francisco
bioinformática exige um custo inicial para pesquisa bem baixo e esse é
Prosdocimi
mais um dos motivos pelos quais essa ciência deveria ser mais
incentivada em nosso país. Com um computador razoável e boas idéias
é possível fazer boa bioinformática!!!
Uma empresa privada que prestasse suporte em bioinformática
(desenvolvendo softwares sequenciadores para organismos específicos
Pedro:
ou que atendessem alguma demanda de determinada pesquisa, com
uma interface mais amigável com o usuário final) poderia dar certo?
Não estou bem certo, Pedro. O problema é que a idéia para elaboração
de softwares teria de vir da academia e não sei o pessoal das
universidades estaria disposto a dar a idéia para que vc fizesse o
software para eles comprarem, entende? Eles prefeririam pedir no
Dr. Francisco
departamento de computação para ver se algum outro aluno faria o
Prosdocimi
mesmo software de graça, gerando um trabalho publicável em
conjunto. A menos que vcs produzissem um pacote grande, para uma
ampla gama de aplicações... aí vc poderia dar certo com sua
empresa...
Um profissional em bioinformática deve saber tanto trabalhar com os
softwares de análises de seqüências quanto desenvolver novos
Dani:
programas? Quais são as linguagens de programação mais utilizadas
para este fim?
Ótima pergunta, Dani. É imprescindível para o profissional de
bioinformática, na minha opinião, ter quatro conhecimentos básicos:
(1) Ele deve entender bem biologia molecular, (2) saber trabalhar com
Dr. Francisco
os bancos de dados disponíveis na internet, (3) saber BEM uma
Prosdocimi
linguagem de programação e (4) saber manipular bancos de dados.
Estes, na minha opinião, são os principais requisitos para formar um
bioinformata.
Você contrataria uma empresa dessa natureza para dar suporte às suas
Pedro: pesquisas ou prefere, você mesmo, desenvolver os aplicativos com que
trabalha?
Dr. Francisco Depende do quanto de trabalho fosse necessário. Se fosse pouco
Prosdocimi trabalho, eu mesmo desenvolveria. Se necessitasse de um software
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
13. 11
amplo, talvez preferisse pagar... mas dependeria de financiamento
governamental para isso... e o governo não gosta muito do assunto
'comprar softwares de empresas privadas para trabalhos científicos'. No
último edital do CNPq para bioinfo, enviamos um projeto tentando
comprar um software e o projeto não foi aprovado... possivelmente por
este único motivo.
Boa Noite Dr. Francisco, participei da primeira turma de especialização
em bioinformática do LNCC, atualmente estou fazendo doutorado em
Fabio: microbiologia na UFRJ. Gostaria de saber na sua opinião quais são as
principais diferenças dos cursos de doutorado em Bioinformatica da
USP e da UFMG?
Fala, Fábio. É com receber companheiros por aqui... fui seu sucessor no
LNCC, participando da segunda turma. Não posso dizer muito do curso
de doutorado na USP, o qual conheço pouco. Mas ao que me parece o
Dr. Francisco
curso da USP é muito voltado para as ciências exatas, tendo uma alta
Prosdocimi
carga de disciplinas de matemática e estatística. Aqui na UFMG a carga
de disciplinas é bem balanceada e leve, de forma que o aluno possa se
preocupar mais com seu projeto de tese.
A quantas anda o desenvolvimento das pesquisas em bioinformática
Pedro:
aqui no estado de Minas Gerais?
Aqui em Minas temos alguns grupos de bioinformática montados. Não
posso dizer que conheço todos eles, mas aqui na UFMG temos ao
Dr. Francisco menos uns três grupos de bioinformática, trabalhando com genoma de
Prosdocimi 'Schistosoma mansoni', genômica comparativa e genômica evolutiva,
mas as coisas ainda são um pouco precárias e a infra-estrutura não é
das melhores.
Sou bióloga, especialista em biotecnologia - trabalho com saneamento
- área ambiental - - mas tenho grande interesse em bioinformática.
Dani:
Quais são os conhecimentos básicos de informática que um biólogo
deve ter para iniciar um mestrado em bioinformática?
Bem, não conheço nenhum mestrado em bioinformática e acho que --
se houvesse algum -- o aluno deveria conhecer o básico de sistemas
linux e linguagens de programação. Mas dependendo, se o mestrado
Dr. Francisco
for para biólogos ou para “computólogos”, os conhecimentos a serem
Prosdocimi
exigidos são diferentes. Se for um mestrado para biólogos é possível
que não seja necessário nenhum conhecimento de informática e todo o
conhecimento pode ser adquirido quando da realização do curso.
Qual é campo de trabalho para um pós-graduado em bioinformática,
Dani: além do desenvolvimento de pesquisas em universidades, fundações de
pesquisa Federais,Estaduais e a Licenciatura?
Bem, essa pergunta é um tanto quanto capciosa. Se uma pessoa
formou em bioinformática, imagino que ela queira fazer pesquisa ou
Dr. Francisco
dar aulas. É claro que ela pode também trabalhar em alguma empresa
Prosdocimi
de biotecnologia ou de bioinformática per si... mas acredito que aí ela
teria que ir pra fora do Brasil...
Ricardo: Quais são os trabalhos que vc está fazendo ultimamente na área?
Olá, Ricardo. Ultimamente tenho trabalhado com análises do software
PHRED, com a montagem de um programa para simular a evolução em
Dr. Francisco locos de microsatélites, trabalho também com a diferença na utilização
Prosdocimi de aminoácidos por proteínas de diferentes organismos, com a origem
do código genético, com famílias de proteínas dedos de zinco, dentre
diversas outras coisas.
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
14. 12
Então, estarei entrando em contato com o senhor (pois estou na
Pedro: organização do evento). Mais uma pergunta, ainda é muito cedo para
pensarmos em cursos de graduação em bioinformática no Brasil?
Ok. Acho que um curso de graduação em bioinformática poderia ser
bastante interessante sim, mas acho que é cedo para isso. Ainda não
há, só pra vc ter uma idéia, um conceito amplo do que seja
Dr. Francisco bioinformática e é preciso que esta disciplina fique mais madura ao
Prosdocimi longo dos anos para que esse conceito brote claramente. Acho que os
biólogos moleculares atualmente são os principais candidatos a se
tornarem bioinformatas e não há nem cursos de graduação em biologia
molecular... pelo menos desconheço...
A título de informação: foi criada na grade curricular do Bacharelado
Pedro: em Bioquímica-UFV a BQI460 (Bioinformática), onde serão abordados
os principais aspectos dessa nova área do conhecimento.
Bem, aqui na UFMG o prof. Miguel Ortega já ministra à mais de dois
anos uma matéria de tópicos em bioquímica e biologia molecular cujo
Dr. Francisco assunto é a bionformática. É bastante interessante que a universidade
Prosdocimi de Viçosa tenha proposto uma disciplina específica sobre o assunto e
mostra como está atualizada com relação aos novos avanços da
biologia molecular.
O que você considera como maior desafio para a consolidação da
Pedro:
Bioinformática no Brasil?
Considero o maior desafio a formação dos profissionais e a montagem
Dr. Francisco
de infra-estrutura adequada e de computadores de alto-desempenho
Prosdocimi
para as análises mais elaboradas na área.
1.6. Referências Bibliográficas e textos complementares
1 Davies, K. (2001). Decifrando o genoma. Companhia das letras.
2. NCBI: A Science Primer - http://www.ncbi.nlm.nih.gov/About/primer/index.html
3. NCBI: A Science Primer – Bioinformatics -
http://www.ncbi.nlm.nih.gov/About/primer/bioinformatics.html
4. Chico On Line – Bioinformática - http://www.icb.ufmg.br/~franc/cool
5. GenBank Stats - http://www.ncbi.nlm.nih.gov/Genbank/genbankstats.html
1.7 Brainstorm
1. Dê sua opinião sobre o que entende por bioinformática e qual a importância da
área.
2. Vá ao site do NCBI (National Center for Biotechnology Information, o centro
americano para informação biotecnológica, http://www.ncbi.nlm.nih.gov), leia e
navegue um pouco. Encontre algum serviço interessante e reporte sua experiência.
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
15. 13
CAPÍTULO 2
Genoma, biologia molecular e computação
2.1. Introdução
Como já foi dito, o presente curso não tem como função explicar genômica,
biologia molecular ou computação. Ainda assim, alguns conceitos se tornam
importantes para que possamos seguir o curso e neste capítulo estaremos nos
dedicando a eles.
2.2. Sequenciamento do DNA
Figura 2.1. O dogma central da biologia molecular. Da análise de DNA temos os
projetos genoma, da análise do conteúdo de RNAs mensageiros de uma célula
produzimos estudos de transcriptoma e a partir da análise de conteúdo protéico
geramos os projetos proteoma.
A bioinformática surgiu a partir da biologia molecular e dela ainda é inseparável
(figura 2.1). No capítulo anterior, aprendemos que a bioinformática se desenvolveu
principalmente depois do surgimento dos seqüenciadores de DNA em larga escala,
como o ABI Prism 3700. A reação de sequenciamento de DNA consiste basicamente
em um processo de amplificação da molécula de DNA de interesse. Entretanto, durante
essa amplificação, são utilizados tanto os nucleotídeos normais de DNA, conhecidos
como desoxiribonucleotídeos quanto alguns nucleotídeos especiais, conhecidos como
di-desoxiribonucleotídeos. A diferença entre eles é que os didesoxinucleotídeos
apresentam, como o nome diz, uma molécula de oxigênio a menos, eles não contém
uma extremidade 3’OH livre. Assim, se lembrarmos como é formado o esqueleto de
uma cadeia de DNA, veremos que os nucleotídeos adjacentes são ligados entre si
através de uma ligação com um grupamento fosfato exatamente na posição do
carbono 3’. Isso significa que, um nucleotídeo que não apresente um grupamento OH
nesta posição (chamado di-desoxiribonucleotídeo ou simplesmente di-
desoxinucleotídeo) impede a ligação de um nucleotídeo em seguida, o que interrompe
a cadeia de DNA naquela posição. Assim, durante a amplificação em que consiste a
reação de sequenciamento do DNA, são produzidas moléculas de diferentes tamanhos,
sendo que cada uma delas possui, na sua extremidade, um didesoxinucleotídeo que
impede a ligação de outros nucleotídeos a seguir. Além disso, dependendo de qual
base ele carrega, cada um desses nucleotídeos sem a extremidade 3’OH livre
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
16. 14
apresenta um pigmento fluorescente diferente adicionado. Após a reação de
sequenciamento – que é realizada num termociclador, assim como um PCR --, as
moléculas resultantes são submetidas a uma eletroforese. Nesse procedimento, o DNA
resultante da amplificação é submetido a um gradiente elétrico dentro de uma matriz
de gel, que permite uma mobilidade diferencial das moléculas. As moléculas pequenas
de DNA movem mais rapidamente para o pólo positivo durante essa eletroforese.
Essas moléculas pequenas foram aquelas que incorporaram didesoxinucleotídeos mais
precocemente do que as outras. E assim, elas vão se movendo na matriz gelatinosa
mais rapidamente, indo em direção ao pólo positivo. Quando chegam próximo ao pólo,
um laser incide sobre essa molécula e, dependendo de qual didesoxinucleotídeo foi
incorporado em sua extremidade final, o laser promove a incidência da fluorescência
num receptor que capta, afinal, qual foi o comprimento de onda daquele fluoróforo
excitado. Assim, conseguimos descobrir qual foi a última base daquela molécula já que
diferentes didesoxinucleotídeos -- com diferentes bases nitrogenadas (A, C, G ou T) --,
produzem fluorescência diferente a ser captada pelo laser e, dessa forma, sabemos se
a última base daquela molécula é uma adenina, uma guanina, uma citosina ou uma
timina. E à medida que as moléculas vão passando pelo gel, cada uma contendo a
diferença de um único nucleotídeo marcado de acordo com sua base, o computador vai
gerando um perfil de fluorescências que posteriormente serão transformadas nas letras
que representam a seqüência de bases da molécula original por algoritmos específicos,
que trataremos posteriormente neste curso.
Não é tarefa fácil explicar na forma de texto como é realizado o
sequenciamento do DNA e, por isso, recomendo aos alunos acessarem o seguinte site
para entenderem melhor como o seqüenciamento do DNA é realizado, passo a passo:
http://www.dnalc.org/shockwave/cycseq.html. Outras animações interessantes em
biologia molecular (como a da técnica de PCR de amplificação do DNA ou técnicas
forenses baseadas em DNA) podem ser obtidas no mesmo site. É preciso, entretanto,
fazer o download gratuito do programa macromedia shockwave.
2.3. Genômica
Um genoma consiste no conjunto haplóide de informações presentes no DNA de
um determinado organismo. O conjunto é haplóide porque, na verdade, um organismo
diplóide apresenta uma dupla cópia de um mesmo segmento de DNA, presente nos
cromossomos homólogos. Assim, não faz sentido ter essa redundância de informação
e, por isso, considera-se o genoma como sendo o conjunto haplóide de informação
genética. Para obter uma seqüência genômica devemos pegar as células de um
determinado organismo, purificarmos seu DNA e realizarmos a construção da chamada
biblioteca de DNA genômico. Para tal, o DNA do organismo deve ser picotado em
pequenos pedacinhos e ligado nos chamados vetores de clonagem -- que podem ser
plasmídeos, cosmídeos ou vetores que permitem a inserção de segmentos grandes de
DNA, como os BACs ou YACs que são, respectivamente, os cromossomos artificiais de
bactérias e leveduras. A partir desses vetores é que são, freqüentemente,
seqüenciados os segmentos de DNA e cada reação de sequenciamento produz
moléculas apresentando algo entre trezentos e mil pares de bases. Como os genomas
são muito maiores do que esse tamanho, mostra-se necessária a montagem do
genoma utilizando algoritmos de sobreposição de seqüências, que serão apresentados
em aula posterior.
E se o genoma consiste no sequenciamento da molécula de DNA de uma
determinada célula, o transcriptoma consiste no sequenciamento do conteúdo de RNA
mensageiro (mRNA) produzido em uma determinada célula sujeita a determinada
condição. Enquanto uma célula apresenta apenas um genoma estático e imutável, a
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
17. 15
mesma pode apresentar milhares de diferentes conteúdos de transcriptoma, já que a
expressão de genes depende de diversos fatores, como o grau de maturação da célula,
a temperatura à qual ela está sujeita, os nutrientes presentes no meio, a presença de
algum agente mutagênico específico e mais milhares de outros fatores. Assim, os
estudos de transcriptoma podem mostrar a adaptação da célula a determinada
condição e podemos estudar os genes que ficam ativos quando dessa condição. Na
produção de um projeto transcriptoma (ou de genômica funcional, como também é
freqüentemente chamado) deve-se purificar o conteúdo de mRNA da célula da
condição desejada. Como o RNA é uma molécula muito instável, realiza-se sua
transcrição reversa, transformando este RNA numa molécula conhecida como cDNA,
que representa o DNA complementar à seqüência daquele mRNA. Esse cDNA é então
clonado em vetores de clonagem para a produção da biblioteca de cDNA que contém
uma amostra fiel dos mRNAs que foram produzidos pela célula naquela condição. Vale
notar que, enquanto no genoma observa-se normalmente apenas uma cópia de cada
gene, nas análises de transcriptoma, cada um dos genes pode estar amostrado
dezenas de vezes, pois a célula pode estar precisando do mesmo para realizar algum
tipo de processo e ele pode ter sido transcrito centenas de vezes em moléculas de
mRNA.
2.4. As ômicas: integrando a bioinformação
Veja o artigo publicado na edição 32 da revista biotecnologia:
http://www.biotecnologia.com.br/revista/bio32/omicas_32.pdf.
O pesquisador da Embrapa Soja, Eliseu Binneck, apresenta o status atual da
genômica no mundo e ainda vários conceitos importantes de biologia molecular e
genômica.
Binneck, Eliseu. As ômicas: integrando a bioinformação. Biotec Ci & Des 32: 28-
37. http://www.biotecnologia.com.br/revista/bio32/omicas_32.pdf
2.5. O PERL e outras linguagens de programação
No capítulo anterior discutimos sobre os conhecimentos relevantes para um
profissional na área de bioinformática. Nesse momento, portanto, gostaria de falar
mais um pouco sobre a informática utilizada para a análise de seqüências. É
extremamente importante que qualquer pessoa trabalhando na área de bioinformática
conheça alguma linguagem de programação. E a principal linguagem utilizada por
profissionais da bioinformática é o PERL. O PERL é uma linguagem de script que foi
criada em 1987 por um cientista da computação chamado Larry Wall e é uma sigla
para Practical Extraction and Report Language ou, em português, Linguagem Prática
de Extração e Relatório. Segundo a wikipedia (http://pt.wikipedia.org/), a origem do
PERL remonta ao shell scripting, que é a programação em linhas de comando, ao awk,
uma outra linguagem bem simples de programação shell e à linguagem C, uma das
mais utilizadas pelos programadores. Essa linguagem é disponível para praticamente
todos os sistemas operacionais, mas é utilizada mais freqüentemente em sistemas
Unix e compatíveis. E o PERL é freqüentemente utilizado pelos bioinformatas porque é
uma linguagem montada para trabalhar facilmente com o processamento de cadeias
de caracteres (chamadas de strings pelos informatas), permitindo ainda uma fácil
manipulação de arquivos texto e a utilização das chamadas expressões regulares,
muito úteis para se realizar busca em seqüências de caracteres. Como tanto o DNA
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
18. 16
quanto o RNA e as proteínas podem ser facilmente representados por seqüências de
caracteres – nucleotídeos ou aminoácidos, representados por seqüências de uma letra
--, o PERL acabou por permitir, intrinsecamente, uma fácil manipulação dos dados de
biologia molecular.
Um exemplo simples de programa em PERL é apresentado abaixo para
transformar uma seqüência de DNA de entrada em uma nova seqüência de RNA. O
programa considera que a fita de DNA de entrada é a fita codificadora e, portanto, o
programa apenas transforma as letras T, de timina, do DNA em letras U, de uracila,
representando as bases do RNA.
Pequeno script PERL para obter uma fita de RNA a partir de uma fita de DNA.
#!/usr/bin/perl
# Seqüência que se deseja utilizar
$meuDNA= “TTCCGAGCCAATTGTATCAGTTGCCAATAG”;
# Faz com que a seqüência de RNA receba a mesma seqüência do DNA
$meuRNA = $meuDNA;
# Troca as bases produzindo a fita complementar
$meuRNA =~ tr/T/U/;
print “Minha seqüência de RNA é: n $meuRNA”;
A primeira linha é obrigatória e diz ao programa o caminho onde se encontra o
interpretador PERL para que o programa possa encontrá-lo na hora de sua execução.
Normalmente o PERL está disponível no diretório /usr/bin das distribuições Unix. Vale
notar que, ao contrário da grande maioria das outras linguagens de programação
normalmente utilizadas, um programa PERL não é compilado de forma a gerar um
executável em linguagem de máquina. O script PERL necessita, portanto, de que exista
um interpretador PERL instalado em alguma pasta de trabalho dentro do computador e
é exatamente a pasta onde esse interpretador está localizado que deve aparecer nesta
primeira linha de código. As linhas do script que se começam com o sinal “#”
representam linhas de comentário e servem apenas para facilitar o entendimento do
código, não sendo realmente lidas pelo interpretador. Todas as variáveis em
programação PERL são precedidas do sinal de dólar “$”, elas não têm um tipo pré-
definido (como inteiro, booleano, real, etc.) e não precisam ser declaradas
anteriormente, cabe ao programador saber como e em que contexto devem ser
utilizadas. Há também as variáveis do tipo array, que são precedidas do sinal de “@” e
as variáveis do tipo hash, que devem ser precedidas do sinal de “%”. Todos os
comandos terminam sempre com um sinal de ponto-e-vírgula. Neste exemplo, a linha
que realmente faz a tradução de uma seqüência de DNA para uma seqüência de RNA é
a que apresenta o sinal “=~”. Esse sinal está relacionado à utilização de uma
expressão regular que, no caso, faz a tradução de todos as letras T de uma seqüência
de caracteres, transformando-as em letras U.
No fundo, a bioinformática – e, num sentido mais amplo, todo software -- pode
ser desenvolvido utilizando-se qualquer linguagem de programação e há os que ainda
preferem utilizar a linguagem C ou Java para produzir qualquer tipo de programa. No
fundo, essa é uma opção pessoal e por mais que uma ou outra linguagem seja mais
adaptada ou mais rápida para determinado problema, é possível fazer quase qualquer
coisa com quase qualquer linguagem. Entretanto, mesmo essa simples tradução que
fizemos de DNA para RNA com apenas uma linha de código, pode se tornar mais árdua
quando realizada em diferentes linguagens e é exatamente por isso que o PERL é mais
utilizado na área; por facilitar a programação. Para sistemas mais complexos, no
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
19. 17
entanto, parece ser consenso que a utilização de uma linguagem de programação
multi-plataforma, como é o caso do Java, seja mais adequada.
2.6. Referências Bibliográficas e textos complementares
1. Dolan DNA Learning Center - Biology Animation Library -
http://www.dnalc.org/resources/BiologyAnimationLibrary.htm
2. Binneck, Eliseu. As ômicas: integrando a bioinformação. Biotec Ci & Des 32: 28-37.
http://www.biotecnologia.com.br/revista/bio32/omicas_32.pdf
3. Perl, Wikipedia. http://pt.wikipedia.org/wiki/Perl
2.7. Brainstorm
1. Você viu a animação sobre como é feito o sequenciamento do DNA, descreva agora
as etapas através das quais é realizada esta técnica.
2. Descreva como são feitos projetos genoma e transcriptoma.
3. Perguntas sobre o texto escrito por Binneck.
a. Apesar de apresentarem um número de genes bastante similar a outros
organismos, diz-se que os seres humanos apresentam uma diversidade de
proteínas muito maior do que eles. A que se deve tal diversidade?
b. Qual a porcentagem do genoma humano que é responsável pela produção
de genes/proteínas? E o resto, qual seria o motivo – se é que há algum – para
haver tanto DNA não codificante no genoma?
c. Você acredita que genes que alteram seus padrões de expressão em
conjunto possam ter funções parecidas? Por quê?
d. Escolha duas das ciências “ômicas” e descreva-as
e. Discorra sobre o papel da bioinformática na agregação de dados em biologia
4. Com relação a linguagens de programação, por que o PERL é conhecido como a
linguagem dos bioinformatas? Os dados em bioinformática podem ser tratados com
outras linguagens de programação? Cite outra linguagem possível.
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
20. 18
CAPÍTULO 3
Alinhamento de Seqüências
3.1. Introdução
O alinhamento de seqüências consiste no processo de comparar duas
seqüências (de nucleotídeos ou proteínas) de forma a se observar seu nível de
identidade. Essa técnica de comparação de seqüências é implementada segundo um
conceito de desenvolvimento de programas conhecido como um algoritmo guloso e é
um dos pilares de toda a bioinformática. Existem centenas de aplicações do
alinhamento de seqüências, tanto na identificação de genes e proteínas desconhecidas,
quanto na comparação da ordem de genes em genomas de organismos proximamente
relacionados (sintenia), no mapeamento de seqüências expressas dentro de um
genoma para identificação de genes, na montagem de genomas e em diversas outras
aplicações.
Por exemplo, podemos alinhar duas seqüências para descobrirmos o grau de
similaridade entre as seqüências de forma que possamos inferir (ou não) a uma delas,
alguma propriedade já conhecida da outra (Prosdocimi et al., 2003). O alinhamento
entre duas seqüências pode ser feito de forma global ou local (Figura 3.1.).
Figura 3.1. Alinhamento global e local. À esquerda vemos um exemplo de como é
feito um alinhamento global das seqüências e à direita vemos um exemplo da
realização de um alinhamento local. Retirado de Prosdocimi et al., 2003.
3.2. Alinhamento Global
O alinhamento global é feito quando comparamos uma seqüência de
aminoácidos ou nucleotídeos com outra, ao longo de toda sua extensão
(http://www.ncbi.nlm.nih.gov/Education/BLASTinfo/glossary2.html). O algoritmo
Needleman-Wunsch é o mais conhecido para realizar esse tipo de alinhamento,
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
21. 19
embora outros programas, como o MULTALIN
(http://prodes.toulouse.inra.fr/multalin/multalin.html) também o façam (Corpet,
1988). Nesse caso são dados valores em uma matriz de comparação para as
similaridades (matches), diferenças (mismatches) e falhas (gaps) encontrados durante
o alinhamento das seqüências. As somas dos valores do alinhamento, de acordo com
essa matriz de comparação, resulta num valor, que é um escore de similaridade entre
as seqüências (Figura 3.2.). No MULTALIN não é dado escore de similaridade (já que ele
permite o alinhamento de várias seqüências ao mesmo tempo), e a semelhança entre
as seqüências deve ser medida através de inspeção visual.
3.3. Alinhamento Local
O alinhamento local acontece quando a comparação entre duas seqüências não
é feita ao longo de toda sua extensão, mas sim através de pequenas regiões destas
(http://www.ncbi.nlm.nih.gov/Education/BLASTinfo/glossary2.html).
O principal programa utilizado para o alinhamento local de seqüências é o
BLAST (Basic Local Alignment Search Tool ou Ferramenta Básica de Procura por
Alinhamento Local), encontrado em http://www.ncbi.nlm.nih.gov/BLAST/. Esse
software compreende um conjunto de algoritmos de comparação de seqüências
montado de forma a explorar toda a informação contida em bases de dados de DNA e
proteínas (http://www.ncbi.nlm. nih.gov/BLAST/blast_overview.html). Os programas
BLAST foram desenvolvidos de modo a aumentar ao máximo a velocidade da busca
por similaridade -- já que as bases de dados são grandes e vêm crescendo
exponencialmente --, mesmo correndo o risco de perder um pouco na sensibilidade do
resultado (Altschul et al., 1997). A rapidez da busca deve-se ao fato de que o
programa utiliza uma heurística que quebra as seqüências de entrada e das bases de
dados em fragmentos – as palavras (words) – e procura, inicialmente, similaridades
entre elas. A busca é então feita com palavras de tamanho W que devem apresentar
pelo menos um escore T de alinhamento entre si, dado de acordo com uma matriz de
valores. Assim, as palavras que apresentam esse escore T (maior responsável pela
velocidade e sensibilidade da busca) (Altschul et al., 1997) são estendidas em ambas
as direções para ver se geram um alinhamento com um escore maior do que S. Uma
outra vantagem de se utilizar o alinhamento local feito pelo BLAST é que, dessa forma,
é possível identificar relações entre seqüências que apresentam apenas regiões
isoladas de similaridade
(http://www.ncbi.nlm.nih.gov/Education/BLASTinfo/similarity.html).
Figura 3.2. Alinhamento de seqüências. O alinhamento de seqüências de DNA é feito
através da procura de uma região de similaridade entre duas seqüências utilizando um
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
22. 20
algoritmo guloso. Quando essa região é encontrada são dados pontos para
similaridades (match), diferenças (mismatches), abertura de falhas (gap opening) e
extensão de falhas (gap extension) que possam ser encontradas no seu alinhamento.
A somatória dos pontos desse alinhamento é chamado de escore do alinhamento e, no
exemplo mostrado, o escore do alinhamento é 3. Tais escores são contabilizados tanto
nos alinhamentos globais quanto locais.
Os resultados do BLAST são então apresentados de acordo com dois
parâmetros: o valor do escore (Score bits) e o valor E (e-value). O valor de escore
depende do tamanho do alinhamento, do número de matches/mismatches/gaps e da
matriz de comparação de seqüências utilizada e é normalizado através de variáveis
estatísticas (http://www.ncbi.nlm.nih.gov/Education/BLASTinfo/Blast_output.html). Já
o valor E representa o número de alinhamentos com escores iguais ou melhores que
“S” que seria de se esperar que ocorressem ao acaso numa base de dados do tamanho
da utilizada. Assim, quanto menor o valor E, melhor o alinhamento, de forma que
(num banco de dados de grandes proporções) um valor de E igual a zero significa que
não há chance de que um alinhamento entre as duas seqüências tenha ocorrido por
mero acaso (http://www.ncbi.nlm.nih.gov/Education/BLASTinfo/glossary2.html).
O BLAST apresenta diferentes subprogramas que devem ser utilizados de
acordo com o tipo de seqüência de entrada e os bancos de dados que se deseja
pesquisar. A TABELA 3.1 apresenta as possibilidades de entrada, bancos de dados e
programa a ser utilizado.
Formato da Formato da Programa
Seqüência de Banco de dados seqüência que é BLAST
Entrada comparado adequado
Nucleotídeos Nucleotídeos Nucleotídeos BLASTn
Proteínas Proteínas Proteínas BLASTp
Nucleotídeos Proteínas Proteínas BLASTx
Proteínas Nucleotídeos Proteínas TBLASTn
Nucleotídeos Nucleotídeos Proteínas TBLASTtx
Tabela 3.1: Programas BLAST utilizados de acordo com o formato de entrada de
seqüência e banco de dados desejados. Adaptada de
http://www.ncbi.nlm.nih.gov/Education/BLASTinfo/query_tutorial.html.
3.4. Alinhamentos ótimos e heurísticos
Algo que deve ser levado em consideração sempre que se deseja fazer
alinhamentos de seqüências é o fato de que o alinhamento desejado seja o melhor
possível de ser obtido através de ferramentas computacionais ou se desejamos apenas
uma aproximação válida desse melhor resultado. É evidente que, em condições
normais, desejaríamos sempre obter o melhor resultado de alinhamento possível e,
portanto, utilizaríamos os algoritmos que produzem resultados ótimos. Entretanto,
algumas vezes precisamos obter uma maior rapidez de busca e, portanto, aceitamos
que o resultado obtido não seja “o melhor possível” e, assim, utilizamos algoritmos
que apresentam algum tipo de heurística. E essa heurística, no caso, normalmente
consiste em uma forma qualquer que o programador utiliza para acelerar a produção
dos resultados, em detrimento da obtenção do melhor resultado possível. Assim
obtém-se um resultado aproximado, mas rápido. A tabela 3.2 apresenta os principais
algoritmos utilizados em bioinformática para o alinhamento de seqüências.
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
23. 21
Tipo de Precisão do Número de seqüências
Programa
Alinhamento Alinhamento a serem alinhadas
BLAST2Sequences Local Heurístico 2
SWAT (Smith-Waterman) Local Ótimo 2
ClustalW Global Heurístico N
Multalin Global Heurístico N
Needleman-Wunsch Global Ótimo 2
Tabela 3.2:Principais programas de alinhamento de seqüências e suas características.
As ferramentas de alinhamento ótimo são aquelas que nos dão como resultado
o melhor alinhamento possível de acordo com a metodologia algorítmica de
comparação de seqüências. Via de regra, a execução desses algoritmos é mais lenta
do que a daqueles algoritmos que não geram o resultado perfeito e, como vimos na
tabela 4.2., existem ferramentas de alinhamento ótimo locais e globais. O maior
problema em utilizar os programas de alinhamento ótimo consiste nos casos onde são
alinhadas múltiplas seqüências entre si. Nesses casos, o alinhamento ótimo pode se
tornar simplesmente impossível de ser feito, pois gastaria uma quantidade de tempo
quase infinita para alinhar otimamente uma quantidade seqüências não muito grande.
Nos outros casos, entretanto, deve-se preferir a utilização de algoritmos que produzam
o alinhamento ótimo em detrimento dos algoritmos de pesquisa heurística.
Algoritmos heurísticos são aqueles que não realizam o alinhamento ótimo entre
seqüências. Esses algoritmos freqüentemente utilizam alguma técnica alternativa para
acelerar o resultado da busca por seqüências similares, no caso. O BLAST, por
exemplo, como vimos no item anterior, parte a seqüência em pedaços para acelerar a
busca e outros algoritmos realizam diferentes maneiras de gerar um resultado que
seja o mais próximo possível do resultado ótimo. Como já comentado, são
principalmente utilizados em alinhamentos múltiplos, onde os algoritmos ótimos
demoram um tempo muito grande para gerar os resultados. São freqüentemente
utilizados também quando da comparação de seqüências contra grandes bancos de
dados, exatamente como faz o BLAST, que procura a similaridade de uma seqüência
de entrada contra milhões de outras presentes em seu banco de dados.
Muitas vezes, os resultados obtidos com programas heurísticos devem ser
confirmados por programas de alinhamento ótimo antes de serem publicados em
revistas especializadas. Entretanto algumas vezes tal procedimento não é necessário e
tudo vai depender do tipo de trabalho que está sendo realizado.
3.5. Alinhamentos simples e múltiplos
Como também já foi comentado na seção anterior, existem dois tipos principais
de alinhamentos de seqüências no que concerne ao número de seqüências que são
comparadas durante o alinhamento. Quando apenas duas seqüências são comparadas
entre si, diz-se que o alinhamento é simples. E, nesses casos, normalmente prefere-se
utilizar alinhamentos ótimos para gerarem os resultados, exceto nos casos onde
milhares de alinhamentos simples devem ser realizados.
De forma contrária, considera-se um alinhamento múltiplo quando três ou mais
seqüências devem ser alinhadas entre si. No fundo, o alinhamento múltiplo é montado
a partir do alinhamento par a par de cada uma das seqüências com todas as outras,
seguido por um outro procedimento que irá gerar o resultado final do alinhamento de
todas contra todas. Assim, se 10 seqüências são comparadas entre si, serão
necessárias 10! (fatorial de 10) comparações de seqüências, o que representam
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
24. 22
3.628.800 comparações. E é exatamente por isso que os programas heurísticos são
preferidos para gerar esse tipo de resultado.
3.6. Matrizes de comparação
Outra coisa de suma importância quando da realização de qualquer alinhamento
de seqüências é a matriz de substituição que é utilizada. Na figura 3.2. é mostrado um
alinhamento e o número de “pontos” dados para coincidências (matches), divergências
(mismatches), abertura de gaps (gap opening) e extensão de gaps (gap extension).
Entretanto, ao utilizarmos matrizes de substituição podemos dar valores diferentes
para coincidências de diferentes nucleotídeos ou aminoácidos. Vale notar que o
resultado de um alinhamento de seqüências pode ser completamente diferente
dependendo da matriz de substituição utilizada.
As matrizes de comparação são principalmente utilizadas durante o alinhamento
de seqüências de proteínas e isso se deve ao fato de que existem aminoácidos que são
mais (ou menos) parecidos entre si do que outros. Há aminoácidos com cargas
polares, apolares ou sem carga e a mudança, em uma proteína, de um aminoácido
apresentando uma determinada característica para outro da mesma característica é
menos drástica do que uma mudança para um aminoácido apresentando característica
diferente. Portanto, as matrizes de substituição são extremamente utilizadas no
alinhamento de seqüências protéicas.
Mesmo no caso de seqüências de nucleotídeos são mais comuns as mutações
conhecidas como transições do que as transversões. Nas transições, a mutação ocorre
entre bases do mesmo tipo, purina para purina (A para G ou G para A) ou pirimidina
para pirimidina (C para T ou T para C), enquanto nas transversões ocorre a mudança
de uma purina para uma pirimidina ou o contrário. Dessa forma, ao utilizarmos
matrizes de substituição, podemos dar mais pesos para as transversões do que para as
transições, o que faria com que o resultado fosse mais relevante e pudesse estar mais
relacionado com a evolução, por exemplo.
As matrizes de substituição mais comuns para seqüências nucleotídicas são a
mat50 e a mat70, enquanto para seqüências protéicas as mais conhecidas são as
matrizes PAM e BLOSUM. As matrizes BLOSUM (Blocks Substitution Matrix), por
exemplo, são baseadas na observação das freqüências de substituição em blocos de
alinhamentos locais de proteínas relacionadas. Existem várias matrizes BLOSUM e elas
devem ser utilizadas para comparar proteínas contendo um determinado valor de
identidade, por exemplo, a matriz mais utilizada pelos programas é a BLOSUM62, que
foi montada para comparar proteínas que apresentem 62% de aminoácidos idênticos.
Abaixo vemos as matrizes de substituição de nucleotídeos mat50 e mat70.
Podemos perceber que a matriz mat70 apresenta valores menores para algumas
substituições. Isso faz com que o valor final do alinhamento entre duas seqüências de
DNA seja menor e, portanto, a matriz mat70 gera um resultado de alinhamento local
de um menor número de bases do que a matriz mat50, que estende o alinhamento um
pouco mais.
Bases A C G T Y R N
A 2 -2 0 -2 -2 1 0
C -2 2 -2 0 1 -2 0
G 0 -2 2 -2 -2 1 0
T -2 0 -2 2 1 -2 0
Y -2 1 -2 1 1 -2 0
R 1 -2 1 -2 -2 1 0
N 0 0 0 0 0 0 0
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
25. 23
Tabela 3.3: Matriz de substituição de nucleotídeos mat50. O valor dado para cada
troca pode ser visto nas interseções. O Y representa pirimidinas, o R representa
purinas e o N representa qualquer nucleotídeo.
Bases A C G T Y R N
A 2 -2 -1 -2 -2 0 0
C -2 2 -2 -1 0 -2 0
G -1 -2 2 -2 -2 0 0
T -2 -1 -2 2 0 -2 0
Y -2 0 -2 0 0 -2 0
R 0 -2 0 -2 -2 0 0
N 0 0 0 0 0 0 0
Tabela 3.4: Matriz de substituição de nucleotídeos mat70. O valor dado para cada
troca pode ser visto nas interseções. O Y representa pirimidinas, o R representa
purinas e o N representa qualquer nucleotídeo.
3.7. Exemplos reais de alinhamentos
a) Alinhamento global simples entre seqüências de DNA, usando o algoritmo
Needleman-Wunsch.
########################################
# Program: needle
# Rundate: Fri Nov 19 15:57:40 2004
# Align_format: srspair
# Report_file: 1x2.needle
########################################
#=======================================
#
# Aligned_sequences: 2
# 1: Seq1
# 2: Seq2
# Matrix: EDNAFULL
# Gap_penalty: 10.0
# Extend_penalty: 0.5
#
# Length: 736
# Identity: 464/736 (63.0%)
# Similarity: 464/736 (63.0%)
# Gaps: 272/736 (37.0%)
# Score: 2261.0
#
#
#=======================================
Seq1 1 0
Seq2 1 GCACGAGGACTGTGAACCGAATCGGTTCAGTAAAATGTTCAATTGTGCGC 50
Seq1 1 0
Seq2 51 TGGAATCTATTGTGTAGACTATTAACTATGGAATTTTACTTCACATTGAC 100
Seq1 1 CTTTCAAGATGAACG 15
|||||||||||||||
Seq2 101 TAAAAAGCTGAGCAAATATACCTGGAGCGTTCAGACTTTCAAGATGAACG 150
Seq1 16 AACCAACTGGTGTCGGGCCAACATTTGCTGATGCATGCGATGATGGCGAA 65
||||||||||||||||||||||||||||||||||||||||||||||||||
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
26. 24
Seq2 151 AACCAACTGGTGTCGGGCCAACATTTGCTGATGCATGCGATGATGGCGAA 200
Seq1 66 CTTATCAGCATTTGTTGTCTTTGTGGTAAAACGTTTTCAAGTCAGAGTCT 115
||||||||||||||||||||||||||||||||||||||||||||||||||
Seq2 201 CTTATCAGCATTTGTTGTCTTTGTGGTAAAACGTTTTCAAGTCAGAGTCT 250
Seq1 116 TCTACACAAACATTTTGAATTGATGCATGAAGGTACGGAAATAGATACTG 165
||||||||||||||||||||||||||||||||||||||||||||||||||
Seq2 251 TCTACACAAACATTTTGAATTGATGCATGAAGGTACGGAAATAGATACTG 300
Seq1 166 AACAGTATGATCTAAGTGGATTTGCCGCTATGGGGAATGAACAAGGTCGT 215
||||||||||||||||||||||||||||||||||||||||||||||||||
Seq2 301 AACAGTATGATCTAAGTGGATTTGCCGCTATGGGGAATGAACAAGGTCGT 350
Seq1 216 AAAAGTAATGGTGAAGAAGATGCAAATTTCCGAGTTCTGAATTGTGCGTT 265
||||||||||||||||||||||||||||||||||||||||||||||||||
Seq2 351 AAAAGTAATGGTGAAGAAGATGCAAATTTCCGAGTTCTGAATTGTGCGTT 400
Seq1 266 TTGCAACAAAGTATTTACTAAACACTGTAATTTAAACACACATATCAAAG 315
||||||||||||||||||||||||||||||||||||||||||||||||||
Seq2 401 TTGCAACAAAGTATTTACTAAACACTGTAATTTAAACACACATATCAAAG 450
Seq1 316 CAGTCCATAA---------------------------------------- 325
||||||||||
Seq2 451 CAGTCCATAAAGGTCAGATTCTGTTAATGTAAACAGTTTTTGTATATACA 500
Seq1 326 -------------------------------------------------- 325
Seq2 501 GCGTTCCTATCTTTGTTTTTCTTCAATACTTACCTGTTAGGGTTTTTGGT 550
Seq1 326 ---------AGGTGTAAAACCGTTTGAATGCACTTATTGTTATAAAGGAT 366
|||||||||||||||||||||||||||||||||||||||||
Seq2 551 CATTATTTTAGGTGTAAAACCGTTTGAATGCACTTATTGTTATAAAGGAT 600
Seq1 367 TCACTCGAAATTCTGATCTTCATAAGCACATCGACGCTGTTCACAAAGGT 416
||||||||||||||||||||||||||||||||||||||||||||||||||
Seq2 601 TCACTCGAAATTCTGATCTTCATAAGCACATCGACGCTGTTCACAAAGGT 650
Seq1 417 CTCAAGCCTTTCGGATGTGAAGTATGCCAGCGAAACTTCTCTCAGAAA 464
||||||||||||||||||||||||||||||||||||||||||||||||
Seq2 651 CTCAAGCCTTTCGGATGTGAAGTATGCCAGCGAAACTTCTCTCAGAAATC 700
Seq1 465 464
Seq2 701 CAGCCTTAAACGACACATAGAAAGCATTCACGAAAG 736
#---------------------------------------
#---------------------------------------
b) Alinhamento local simples entre as mesmas seqüências de DNA, usando o
algoritmo BLAST.
BLASTN 2.2.8 [Jan-05-2004]
Reference: Altschul, Stephen F., Thomas L. Madden, Alejandro A. Schaffer,
Jinghui Zhang, Zheng Zhang, Webb Miller, and David J. Lipman (1997),
"Gapped BLAST and PSI-BLAST: a new generation of protein database search
programs", Nucleic Acids Res. 25:3389-3402.
Query= Seq1
(464 letters)
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
27. 25
Database: seq2
1 sequences; 736 total letters
Searching.done
Score E
Sequences producing significant alignments: (bits) Value
Seq2 652 0.0
>Seq2
Length = 736
Score = 652 bits (329), Expect = 0.0
Identities = 329/329 (100%)
Strand = Plus / Plus
Query: 1 ctttcaagatgaacgaaccaactggtgtcgggccaacatttgctgatgcatgcgatgatg 60
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Sbjct: 136 ctttcaagatgaacgaaccaactggtgtcgggccaacatttgctgatgcatgcgatgatg 195
Query: 61 gcgaacttatcagcatttgttgtctttgtggtaaaacgttttcaagtcagagtcttctac 120
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Sbjct: 196 gcgaacttatcagcatttgttgtctttgtggtaaaacgttttcaagtcagagtcttctac 255
Query: 121 acaaacattttgaattgatgcatgaaggtacggaaatagatactgaacagtatgatctaa 180
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Sbjct: 256 acaaacattttgaattgatgcatgaaggtacggaaatagatactgaacagtatgatctaa 315
Query: 181 gtggatttgccgctatggggaatgaacaaggtcgtaaaagtaatggtgaagaagatgcaa 240
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Sbjct: 316 gtggatttgccgctatggggaatgaacaaggtcgtaaaagtaatggtgaagaagatgcaa 375
Query: 241 atttccgagttctgaattgtgcgttttgcaacaaagtatttactaaacactgtaatttaa 300
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Sbjct: 376 atttccgagttctgaattgtgcgttttgcaacaaagtatttactaaacactgtaatttaa 435
Query: 301 acacacatatcaaagcagtccataaaggt 329
|||||||||||||||||||||||||||||
Sbjct: 436 acacacatatcaaagcagtccataaaggt 464
Score = 276 bits (139), Expect = 3e-78
Identities = 139/139 (100%)
Strand = Plus / Plus
Query: 326 aggtgtaaaaccgtttgaatgcacttattgttataaaggattcactcgaaattctgatct 385
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Sbjct: 560 aggtgtaaaaccgtttgaatgcacttattgttataaaggattcactcgaaattctgatct 619
Query: 386 tcataagcacatcgacgctgttcacaaaggtctcaagcctttcggatgtgaagtatgcca 445
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Sbjct: 620 tcataagcacatcgacgctgttcacaaaggtctcaagcctttcggatgtgaagtatgcca 679
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
28. 26
Query: 446 gcgaaacttctctcagaaa 464
|||||||||||||||||||
Sbjct: 680 gcgaaacttctctcagaaa 698
Database: seq2
Posted date: Nov 19, 2004 3:58 PM
Number of letters in database: 736
Number of sequences in database: 1
Lambda K H
1.37 0.711 1.31
Gapped
Lambda K H
1.37 0.711 1.31
Matrix: blastn matrix:1 -3
Gap Penalties: Existence: 5, Extension: 2
Number of Hits to DB: 2
Number of Sequences: 1
Number of extensions: 2
Number of successful extensions: 2
Number of sequences better than 10.0: 1
Number of HSP's better than 10.0 without gapping: 1
Number of HSP's successfully gapped in prelim test: 0
Number of HSP's that attempted gapping in prelim test: 0
Number of HSP's gapped (non-prelim): 2
length of query: 464
length of database: 736
effective HSP length: 9
effective length of query: 455
effective length of database: 727
effective search space: 330785
effective search space used: 330785
T: 0
A: 0
X1: 6 (11.9 bits)
X2: 15 (29.7 bits)
S1: 12 (24.3 bits)
S2: 8 (16.4 bits)
c) Alinhamento global múltiplo entre as mesmas seqüências de DNA (e outras
duas mais), usando o algoritmo CLUSTALW.
CLUSTAL W (1.81) multiple sequence alignment
Seq1 ------------------------------------------------------------
Seq4 -GCACGAGGACTGTGA-----ACCGAATCGGTTCAGTAAAATGTTCAATTGTGCGCTGGA
Seq2 ------------------------------GTTCAGTAAAATGTTCAATTGTGCGCTGGA
Seq3 GGCACGAGGGCTACGACTGTGAACGAATCGGTTCAGTAAAATGTTCAATTGTGCGCTGGA
Seq1 ------------------------------------------------------------
Seq4 ATCTATTGTGTAGACTATTAACTATGGAATTTTACTTCACATTGACTAAAAAGCTGAGCA
Seq2 ATCTATTGTGTAGACT-TTAACTATGGAATTTTACTTCACATTGACTAAAAAGCTGAGCA
Seq3 ATCTATTGTGTAGACTATTAACTATGGAATTTTACTTCACATT-ACTAAAAAGCTGAGCA
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br
29. 27
Seq1 ---------------------CTTTCAAGATGAACGAACCAACTGGTGTCGGGCCAACAT
Seq4 AATATACCTGGAGCGTTCAGACTTTCAAGATGAACGAACCAACTGGTGTCGGGCCAACAT
Seq2 AATATACCTGGAGCGTTCAGACTTTCAAGATGAACGAACCAACTGGTGTCGGGCCAACAT
Seq3 AATATACCTGGAGCGTTCAGACTTTCAAGATGAACGAACCAACTGGTGTCGGGCCAACAT
***************************************
Seq1 TTGCTGATGCATGCGATGATGGCGAACTTATCAGCATTTGTTGTCTTTGTGGTAAAACGT
Seq4 TTGCTGATGCATGCGATGATGGCGAACTTATCAGCATTTGTTGTCTTTGTGGTAAAACGT
Seq2 TTGCTGATGCATGCGATGATGGCGAACTTATCAGCATTTGTTGTCTTTGTGGTAAAACGT
Seq3 TTGCTGATGCATGCGATGATGGCGAACTTATCAGCATTTGTTGTCTTTGTGGTAAAACGT
************************************************************
Seq1 TTTCAAGTCAGAGTCTTCTACACAAACATTTTGAATTGATGCATGAAGGTACGGAAATAG
Seq4 TTTCAAGTCAGAGTCTTCTACACAAACATTTTGAATTGATGCATGAAGGTACGGAAATAG
Seq2 TTTCAAGTCAGAGTCTTCTACACAAACATTTTGAATTGATGCATGAAGGTACGGAAATAG
Seq3 TTTCAAGTCAGAGTCTTCTACACAAACATTTTGAATTGATGCATGAAGGTACGGAAATAG
************************************************************
Seq1 ATACTGAACAGTATGATCTAAGTGGATTTGCCGCTATGGGGAATGAACAAGGTCGTAAAA
Seq4 ATACTGAACAGTATGATCTAAGTGGATTTGCCGCTATGGGGAATGAACAAGGTCGTAAAA
Seq2 ATACTGAACAGTATGATCTAAGTGGATTTGCCGCTATGGGGAATGAACAAGGTCGTAAAA
Seq3 ATACTGAACAGTATGATCTAAGTGGATTTGCCGCTATGGGGAATGAACAAGGTCGTAAAA
************************************************************
Seq1 GTAATGGTGAAGAAGATGCAAATTTCCGAGTTCTGAATTGTGCGTTTTGCAACAAAGTAT
Seq4 GTAATGGTGAAGAAGATGCAAATTTCCGAGTTCTGAATTGTGCGTTTTGCAACAAAGTAT
Seq2 GTAATGGTGAAGAAGATGCAAATTTCCGAGTTCTGAATTGTGCGTTTTGCAACAAAGTAT
Seq3 GTAATGGTGAAGAAGATGCAAATTTCCGAGTTCTGAATTGTGCGTTTTGCAACAAAGTAT
************************************************************
Seq1 TTACTAAACACTGTAATTTAAACACACATATCAAAGCAGTCCATAAAGGT----------
Seq4 TTACTAAACACTGTAATTTAAACACACATATCAAAGCAGTCCATAAAGGTCAGATTCTGT
Seq2 TTACTAAACACTGTAATTTAAACACACATATCAAAGCAGTCCATAAAGGT----------
Seq3 TTACTAAACACTGTAATTTAAACACACATATCAAAGCAGTCCATAAAGGT----------
**************************************************
Seq1 ------------------------------------------------------------
Seq4 TAATGTAAACAGTTTTTGTATATACAGCGTTCCTATCTTTGTTTTTCTTCAATACTTACC
Seq2 ------------------------------------------------------------
Seq3 ------------------------------------------------------------
Seq1 -----------------------------GTAAAACCGTTTGAATGCACTTATTGTTATA
Seq4 TGTTAGGGTTTTTGGTCATTATTTTAGGTGTAAAACCGTTTGAATGCACTTATTGTTATA
Seq2 -----------------------------GTAAAACCGTTTGAATGCACTTATTGTTATA
Seq3 -----------------------------GTAAAACCGTTTGAATGCACTTATTGTTATA
*******************************
Seq1 AAGGATTCACTCGAAATTCTGATCTTCATAAGCACATCGACGCTGTTCACAAAGGTCTCA
Seq4 AAGGATTCACTCGAAATTCTGATCTTCATAAGCACATCGACGCTGTTCACAAAGGTCTCA
Seq2 AAGGATTCACTCGAAATTCTGATCTTCATAAGCACATCGACGCTGTTCACAAAGGTCTCA
Seq3 AAGGATTCACTCGAAATTCTGATCTTCATAAGCACATCGACGCTGTTCACANAGGTCTCA
*************************************************** ********
Seq1 AGCCTTTC-GGATGTGAAGTATGCCAGCGAAACTTCTCTCAGAAA---------------
Seq4 AGCCTTTC-GGATGTGAAGTATGCCAGCGAAACTTCTCTCAGAAATCCAGCCTTAAACGA
Seq2 AGCCTTTCCGGATGTGAAGTATGCCAGCGAAACTTCTCTCAGAAATCCAGCCTAAAACGA
Seq3 AGCCTTTC-GGATGTGAAGTATGCCAGCGAAACTTCTCTCAGAAATCCAGCCTANAACGA
******** ************************************
Seq1 ------------------------------------------------------------
Seq4 CACATAGAAAGCATTCACGAAAG-------------------------------------
Seq2 CACATAGAAGCAATTCACGAAGATCCTCGGCATCGCTGAAGAGAAACCAGATTGTATAAT
© Francisco Prosdocimi, 2007. Todos os direitos reservados ao autor da obra.
Críticas, sugestões, comentários e apreciações são bem-vindos franc @ icb . ufmg . br