1. Первичный анализ
данных иммунома
человека
Дмитрий Болотин
Лаборатория геномики адаптивного иммунитета,
Институт биоорганической химии им. академиков М.М. Шемякина
и Ю.А. Овчинникова РАН
Яндекс, 2013

2. Клетки адаптивного
иммунитета

3. Клетки адаптивного
иммунитета
Распознают герпес
Распознают ангину
Распознают грипп
Распознают другое

4. Клетки адаптивного
иммунитета
Распознают герпес
Распознают ангину
Клон
Распознают другое
Распознают грипп

5. Т-клеточный рецептор

6. Т-клеточный рецептор
Т-клеточный рецептор
определяет
специфичность данной
клетки к определенному
антигену

7. Т-клеточный рецептор
Т-клеточный рецептор
определяет
специфичность данной
клетки к определенному
антигену

8. Т-клеточный рецептор
Т-клеточный рецептор
определяет
специфичность данной
клетки к определенному
антигену
Правила сборки
рецептора записаны в
гене этого рецептора

9. Ген рецептора
•
Клетки с одной специфичностью имеют одинаковый ген Т-клеточного
рецептора.

10. Ген рецептора
•
Клетки с одной специфичностью имеют одинаковый ген Т-клеточного
рецептора.
ДНК
GTAGCTCCCCCCAAGGCTCATGAAGTTCGCATTCAGATCATTGCTACCTC

11. Ген рецептора
•
Клетки с одной специфичностью имеют одинаковый ген Т-клеточного
рецептора.
Всегда постоянный
ДНК
GTAGCTCCCCCCAAGGCTCATGAAGTTCGCATTCAGATCATTGCTACCTC

12. Ген рецептора
•
Клетки с одной специфичностью имеют одинаковый ген Т-клеточного
рецептора.
Выбирается из набора
(~100 вариантов)
Выбирается из набора
(~40 вариантов)
Всегда постоянный
ДНК
GTAGCTCCCCCCAAGGCTCATGAAGTTCGCATTCAGATCATTGCTACCTC

13. Ген рецептора
•
Клетки с одной специфичностью имеют одинаковый ген Т-клеточного
рецептора.
Выбирается из набора
(~100 вариантов)
Выбирается из набора
(~40 вариантов)
Случайные буквы
Всегда постоянный
ДНК
GTAGCTCCCCCCAAGGCTCATGAAGTTCGCATTCAGATCATTGCTACCTC

14. Ген рецептора
•
Клетки с одной специфичностью имеют одинаковый ген Т-клеточного
рецептора.
Выбирается из набора
(~100 вариантов)
Выбирается из набора
(~40 вариантов)
Случайные буквы
CDR3
Всегда постоянный

15. Ген рецептора
•
Клетки с одной специфичностью имеют одинаковый ген Т-клеточного
рецептора.
Выбирается из набора
(~100 вариантов)
Выбирается из набора
(~40 вариантов)
Случайные буквы
Всегда постоянный
CDR3
Может служить идентификатором данного гена,
а следовательно и данной группы клеток (клона)

16. Данные
Пробоподготовка и
секвенирование
CDR3
CDR3
CDR3
CDR3
CDR3
CDR3
CDR3
CDR3

17. Данные
Пробоподготовка и
секвенирование
@HWI-ST1155:154:D1M89ACXX:1:1101:14372:1976 1:N:0:
GGCGCGAAAGCAGTGGTATCAACGCAGAGTTCACTGCAATTCAGTCTTGGGGAGCCCCAAGCTAGG
+
#1:BDDDDFDDH>GEGE:C?FGGI>G<DF@GDBDG@DHIEGGGGIGGGIFHIIIDD<?CCCCBCCC
@HWI-ST1155:154:D1M89ACXX:1:1101:14296:1979 1:N:0:
AAAGTGTCCCTGGCCCGAAGAACTGCTCATTGCCCACTTTGGTGGCACAGAGGTACTGAGAGGTAT
+
#4=DDDFFHHHHHJIJJJJIJJJJJJJJJJJJHIJJJJJJJJJHIJIJJIJIJJFHIJIHIHHHAE
@HWI-ST1155:154:D1M89ACXX:1:1101:14454:1981 1:N:0:
CACTGGTGCCTTGTCCAAAGAAAGCTTCAGCCCTTAGGGCCTGTCGTGGTCGACTGCTGGCACAGA
+
#1:A;DDDFFFDFFFIGFIEIBF;AECFDHIIFEFIFEFFFFGIBFF?DF8=@FFEFDEEIE>?C@
@HWI-ST1155:154:D1M89ACXX:1:1101:14499:1984 1:N:0:
CTGGCCCGAAGAACTGCTCATTTTGCCCCCCTTTATCGAGGGTGGCGCAGAGATACAGGGCTGAGT
+
#1:BDDDBFHHHHIIIIIGIGHAGIGGIIIHIIIIGGHGFGII(;AADEDDDBCCDCDDCDD?B@D
@HWI-ST1155:154:D1M89ACXX:1:1101:14251:1993 1:N:0:
TATTGGTCCCCGAACCGAAGGTGTAGCCATACCCCCCGTGTACTTCAACGCTGCAGAGATATATGC
+
#4=DFFFFHHHHHJJJJJJJJJCGHHJIIJJJIGJJJJJHHHBEHFFFFFFDDDDDDDDCCCEEEE
@HWI-ST1155:154:D1M89ACXX:1:1101:14379:1996 1:N:0:
TCAGGGTTCCACTGCCAAAAAACAGTTTTTCATTAGTTCCCCCCCCTCCAGGGCTGCTGGCACAGA
+
#1:DDDFDHFFFHHFIIIIIEHIIIIDGGIIIGHIGIHIDHIIGIHHFFFEEEDBBBD>CC?CCDD
@HWI-ST1155:154:D1M89ACXX:1:1101:14330:1996 1:N:0:
TTATATTCAGTGGTATCAACGCAGAGTCGTATAGGACTCGTCTCTTGGGGACTACAGAGACACCAG
+
#1=DDDDFHHHFHIJJJJJJJIIJJJJHIJGHIIJIJJIJIIJJJJJIJJJIJJJJIHIIHHHGHF
@HWI-ST1155:154:D1M89ACXX:1:1101:14469:1999 1:N:0:
NTGAGCAGTAAGCAGTGGTATCAACGCAGAGTAGTTTGACGTATGCTCTTGGGGCTCTGTCTCCTG
+
#1=DDFFDFFHHHGIIIIAFHIHIHIJJGIJIIIJJJIIJJIBFGIJIJJIJJJJJJJJJJIJJHH
@HWI-ST1155:154:D1M89ACXX:1:1101:14550:1926 1:N:0:
NTAAGGTCAGTGGTATCAACGCAGAGTCCTTTGTTTTCGAGTCTTGGGGAGAATATTCCACATCTG
+
#1BDDFEFGGHHHIJIJJJJJJJJJJGIJJJJJHJJJJJHJIIJJJJJJIJJGGGIJGIJJHHHHH
@HWI-ST1155:154:D1M89ACXX:1:1101:14602:1928 1:N:0:
NCAGTGGTATCAACGCAGAGTTGCATATAATACTTTCTTGGGGGATGCTCACAGAGGGCCTGGTCT
+
#1=DDFFDHHFFHIJJJJIJHHHIJJJIIJJIJJJJGIGIJJIJIGIJJIIIJJJJJHHHFFFFEE

18. Данные
•
“Сырые” данные представляют собой последовательности
длинной от 100 до 250 нуклеотидов (букв)
@HWI-ST1155:154:D1M89ACXX:1:1101:14372:1976 1:N:0:
GGCGCGAAAGCAGTGGTATCAACGCAGAGTTCACTGCAATTCAGTCTTGGGGAGCCCCAAGCTAGGAGATCCTGCCATGGGCTTCA
+
#1:BDDDDFDDH>GEGE:C?FGGI>G<DF@GDBDG@DHIEGGGGIGGGIFHIIIDD<?CCCCBCCCBCCBCCCCCCBCCCCBBCBC
@HWI-ST1155:154:D1M89ACXX:1:1101:14296:1979 1:N:0:
AAAGTGTCCCTGGCCCGAAGAACTGCTCATTGCCCACTTTGGTGGCACAGAGGTACTGAGAGGTATGTGAGGGCCTGGCAGACTCC
+
#4=DDDFFHHHHHJIJJJJIJJJJJJJJJJJJHIJJJJJJJJJHIJIJJIJIJJFHIJIHIHHHAEEFFFFFEDDABDDDDDDDDD
@HWI-ST1155:154:D1M89ACXX:1:1101:14454:1981 1:N:0:
CACTGGTGCCTTGTCCAAAGAAAGCTTCAGCCCTTAGGGCCTGTCGTGGTCGACTGCTGGCACAGAAGTACACAGCTGAGTCCCTG
+
#1:A;DDDFFFDFFFIGFIEIBF;AECFDHIIFEFIFEFFFFGIBFF?DF8=@FFEFDEEIE>?C@BDD;;@ACCAB>;;?;>BB(
@HWI-ST1155:154:D1M89ACXX:1:1101:14499:1984 1:N:0:
CTGGCCCGAAGAACTGCTCATTTTGCCCCCCTTTATCGAGGGTGGCGCAGAGATACAGGGCTGAGTCTTCTGGCTGCAGGGCGTGT
+
#1:BDDDBFHHHHIIIIIGIGHAGIGGIIIHIIIIGGHGFGII(;AADEDDDBCCDCDDCDD?B@DDDDEDD<CD?BBCDBB?@>B
@HWI-ST1155:154:D1M89ACXX:1:1101:14251:1993 1:N:0:
TATTGGTCCCCGAACCGAAGGTGTAGCCATACCCCCCGTGTACTTCAACGCTGCAGAGATATATGCTGCTGTCTTCAGGGCTCATG
+
#4=DFFFFHHHHHJJJJJJJJJCGHHJIIJJJIGJJJJJHHHBEHFFFFFFDDDDDDDDCCCEEEEDEDDDDDDDACDDDDDDDDD
@HWI-ST1155:154:D1M89ACXX:1:1101:14379:1996 1:N:0:
TCAGGGTTCCACTGCCAAAAAACAGTTTTTCATTAGTTCCCCCCCCTCCAGGGCTGCTGGCACAGAGATACAGGGCCGAGTCTTCT

19. Данные
•
“Сырые” данные представляют собой последовательности
длинной от 100 до 250 нуклеотидов (букв)
@HWI-ST1155:154:D1M89ACXX:1:1101:14372:1976 1:N:0:
GGCGCGAAAGCAGTGGTATCAACGCAGAGTTCACTGCAATTCAGTCTTGGGGAGCCCCAAGCTAGGAGATCCTGCCATGGGCTTCA
+
#1:BDDDDFDDH>GEGE:C?FGGI>G<DF@GDBDG@DHIEGGGGIGGGIFHIIIDD<?CCCCBCCCBCCBCCCCCCBCCCCBBCBC
@HWI-ST1155:154:D1M89ACXX:1:1101:14296:1979 1:N:0:
AAAGTGTCCCTGGCCCGAAGAACTGCTCATTGCCCACTTTGGTGGCACAGAGGTACTGAGAGGTATGTGAGGGCCTGGCAGACTCC
+
#4=DDDFFHHHHHJIJJJJIJJJJJJJJJJJJHIJJJJJJJJJHIJIJJIJIJJFHIJIHIHHHAEEFFFFFEDDABDDDDDDDDD
@HWI-ST1155:154:D1M89ACXX:1:1101:14454:1981 1:N:0:
CACTGGTGCCTTGTCCAAAGAAAGCTTCAGCCCTTAGGGCCTGTCGTGGTCGACTGCTGGCACAGAAGTACACAGCTGAGTCCCTG
+
#1:A;DDDFFFDFFFIGFIEIBF;AECFDHIIFEFIFEFFFFGIBFF?DF8=@FFEFDEEIE>?C@BDD;;@ACCAB>;;?;>BB(
@HWI-ST1155:154:D1M89ACXX:1:1101:14499:1984 1:N:0:
CTGGCCCGAAGAACTGCTCATTTTGCCCCCCTTTATCGAGGGTGGCGCAGAGATACAGGGCTGAGTCTTCTGGCTGCAGGGCGTGT
+
#1:BDDDBFHHHHIIIIIGIGHAGIGGIIIHIIIIGGHGFGII(;AADEDDDBCCDCDDCDD?B@DDDDEDD<CD?BBCDBB?@>B
@HWI-ST1155:154:D1M89ACXX:1:1101:14251:1993 1:N:0:
TATTGGTCCCCGAACCGAAGGTGTAGCCATACCCCCCGTGTACTTCAACGCTGCAGAGATATATGCTGCTGTCTTCAGGGCTCATG
+
#4=DFFFFHHHHHJJJJJJJJJCGHHJIIJJJIGJJJJJHHHBEHFFFFFFDDDDDDDDCCCEEEEDEDDDDDDDACDDDDDDDDD
@HWI-ST1155:154:D1M89ACXX:1:1101:14379:1996 1:N:0:
TCAGGGTTCCACTGCCAAAAAACAGTTTTTCATTAGTTCCCCCCCCTCCAGGGCTGCTGGCACAGAGATACAGGGCCGAGTCTTCT

20. Задача первичной
обработки
•
Восстановить какие клоны и в каком
количестве находились в образце
@HWI-ST1155:154:D1M89ACXX:1:1101:14372:1976 1:N:0:
GGCGCGAAAGCAGTGGTATCAACGCAGAGTTCACTGCAATTCAGTCTTGGGGAGCCCCAAGCTAGGAGATCCTGCCATGGGCTTCAGGCTCCTCTGCTG
+
#1:BDDDDFDDH>GEGE:C?FGGI>G<DF@GDBDG@DHIEGGGGIGGGIFHIIIDD<?CCCCBCCCBCCBCCCCCCBCCCCBBCBCCCCCBBBACCCCCC
@HWI-ST1155:154:D1M89ACXX:1:1101:14296:1979 1:N:0:
AAAGTGTCCCTGGCCCGAAGAACTGCTCATTGCCCACTTTGGTGGCACAGAGGTACTGAGAGGTATGTGAGGGCCTGGCAGACTCCAGGGTCAGGGGAA
+
#4=DDDFFHHHHHJIJJJJIJJJJJJJJJJJJHIJJJJJJJJJHIJIJJIJIJJFHIJIHIHHHAEEFFFFFEDDABDDDDDDDDDDDDDDCDDDDDDBD
@HWI-ST1155:154:D1M89ACXX:1:1101:14454:1981 1:N:0:
CACTGGTGCCTTGTCCAAAGAAAGCTTCAGCCCTTAGGGCCTGTCGTGGTCGACTGCTGGCACAGAAGTACACAGCTGAGTCCCTGGGTTCTGAGGGCT
+
#1:A;DDDFFFDFFFIGFIEIBF;AECFDHIIFEFIFEFFFFGIBFF?DF8=@FFEFDEEIE>?C@BDD;;@ACCAB>;;?;>BB(:?B5<@B@AA@B##
@HWI-ST1155:154:D1M89ACXX:1:1101:14499:1984 1:N:0:
CTGGCCCGAAGAACTGCTCATTTTGCCCCCCTTTATCGAGGGTGGCGCAGAGATACAGGGCTGAGTCTTCTGGCTGCAGGGCGTGTAGGTGAAGGTTTA
+
#1:BDDDBFHHHHIIIIIGIGHAGIGGIIIHIIIIGGHGFGII(;AADEDDDBCCDCDDCDD?B@DDDDEDD<CD?BBCDBB?@>B@DDDAC@AAC3:@?
@HWI-ST1155:154:D1M89ACXX:1:1101:14251:1993 1:N:0:
TATTGGTCCCCGAACCGAAGGTGTAGCCATACCCCCCGTGTACTTCAACGCTGCAGAGATATATGCTGCTGTCTTCAGGGCTCATGTTGCTCACAGTCA
+
#4=DFFFFHHHHHJJJJJJJJJCGHHJIIJJJIGJJJJJHHHBEHFFFFFFDDDDDDDDCCCEEEEDEDDDDDDDACDDDDDDDDDDDDDDDDDDDDDDD
@HWI-ST1155:154:D1M89ACXX:1:1101:14379:1996 1:N:0:
TCAGGGTTCCACTGCCAAAAAACAGTTTTTCATTAGTTCCCCCCCCTCCAGGGCTGCTGGCACAGAGATACAGGGCCGAGTCTTCTGGCTGCAGGGTGT
+
#1:DDDFDHFFFHHFIIIIIEHIIIIDGGIIIGHIGIHIDHIIGIHHFFFEEEDBBBD>CC?CCDDDD?CCDDDCBBB@BD<ACDDCCDDDDDACBB3<>
@HWI-ST1155:154:D1M89ACXX:1:1101:14330:1996 1:N:0:
TTATATTCAGTGGTATCAACGCAGAGTCGTATAGGACTCGTCTCTTGGGGACTACAGAGACACCAGCCCCAAGCTAGGAGATCCTGCCATGGGCTTCAG
+
#1=DDDDFHHHFHIJJJJJJJIIJJJJHIJGHIIJIJJIJIIJJJJJIJJJIJJJJIHIIHHHGHFFFDDDDDBDDDDDDDDCDDDDDDDDDDDDDDDDD
@HWI-ST1155:154:D1M89ACXX:1:1101:14469:1999 1:N:0:
NTGAGCAGTAAGCAGTGGTATCAACGCAGAGTAGTTTGACGTATGCTCTTGGGGCTCTGTCTCCTGGGAGCAGAACTCACAGAAGCTGGAGTTGCCCAGT
+
#1=DDFFDFFHHHGIIIIAFHIHIHIJJGIJIIIJJJIIJJIBFGIJIJJIJJJJJJJJJJIJJHHHHHFFFEEDCEDCDDDDDDDDDDDBCCCDDDDD@
@HWI-ST1155:154:D1M89ACXX:1:1101:14550:1926 1:N:0:
NTAAGGTCAGTGGTATCAACGCAGAGTCCTTTGTTTTCGAGTCTTGGGGAGAATATTCCACATCTGCTCTCACTCTGCCATGGACTCCTGGACCTTCTGC
+
#1BDDFEFGGHHHIJIJJJJJJJJJJGIJJJJJHJJJJJHJIIJJJJJJIJJGGGIJGIJJHHHHHHFFFFFFEEEEEEDDDDDDDDDDDDDDDDDDDDD
@HWI-ST1155:154:D1M89ACXX:1:1101:14602:1928 1:N:0:
NCAGTGGTATCAACGCAGAGTTGCATATAATACTTTCTTGGGGGATGCTCACAGAGGGCCTGGTCTAGAATATTCCACATCTGCTCTCACTCTGCCATGG
+
#1=DDFFDHHFFHIJJJJIJHHHIJJJIIJJIJJJJGIGIJJIJIGIJJIIIJJJJJHHHFFFFEEEEEEEDEEDDFDDDDDDDDDDDDDDDDDDDDDDD

21. Основная сложность ошибки в данных
ATTAGACA

22. Основная сложность ошибки в данных
ATTACACA
ATTAGACA

23. Основная сложность ошибки в данных
ATTACACA
ATTAGACA
AT-AGACA

24. Основная сложность ошибки в данных
ATTACACA
ATTAGACA
AT-AGACA
ATTACGACA

25. Чем плохи ошибки?
•
Создают искусственное разнообразие
Реальность:
Данные:
ATTAGACA
ATTAGACA
ATTACACA
ATGAGACA
ATTA-ACA
ATTACGACA

26. Один массив
•
от 1 - 100 млн. входных последовательностей
•
100 - 250 нуклеотидов каждая
•
~ 100 Гб входных данных
•
~1 млн. вариантов CDR3
•
отдельные клоны занимают от 20% до <0.0001%
образца

27. Схема MiTCR
CDR3
Разметка последовательности
...
TRBV12-2
TRBJ1-3
Деление по
качеству
Хорошие
Сырые данные
Формирование
клонов
Плохие
Объединение
данных
Результат
!
Кластеризация

28. Схема MiTCR
CDR3
Разметка последовательности
...
TRBV12-2
TRBJ1-3
Деление по
качеству
Хорошие
Сырые данные
Формирование
клонов
Плохие
Объединение
данных
Результат
!
Кластеризация

29. Разметка
последовательности
@HWI-ST1155:154:D1M89ACXX:1:1101:14372:1976 1:N:0:
GGCGCGAAAGCAGTGGTATCAACGCAGAGTTCACTGCAATTCAGTCTTGGGGAGCCCCAAGCTAGGAGATCCTGCCATGGGCTTC
+
1:BDDDDFDDH>GEGE:C?FGGI>G<DF@GDBDG@D#IEGGGGIGGGIFHIIIDD<?CCCCBCCCBCCBCCCCCCBCCCCBBCBC
CDR3

30. Схема обработки
CDR3
Разметка последовательности
...
TRBV12-2
TRBJ1-3
Деление по
качеству
Хорошие
Сырые данные
Формирование
клонов
Плохие
Объединение
данных
Результат
!
Кластеризация

31. Формирование первичных
клонотипов
GGCGCGAAAGCAGTGGTATCAACGCAGAGTTCACTGCAATTCAGTCTTGGGGAGCCCCAAGCTAGGAGATCCTGCCATGGGCTTC
Информация о численности
последовательностей с
одинаковыми CDR3-ими
хранится в префиксном дереве
•
AACGC
•
Такая структура данных
позволяет осуществлять
нечеткий поиск
соответствующих записей
A
G
C
ATTAG
T
ATTTC

32. Качество
@HWI-ST1155:154:D1M89ACXX:1:1101:14372:1976 1:N:0:
GGCGCGAAAGCAGTGGTATCAACGCAGAGTTCACTGCAATTCAGTCTTGGGGAGCCCCAAGCTAGGAGATCCTGCCATGGGCTTC
+
1:BDDDDFDDH>GEGE:C?FGGI>G<DF@GDBDG@D#IEGGGGIGGGIFHIIIDD<?CCCCBCCCBCCBCCCCCCBCCCCBBCBC

33. Качество
@HWI-ST1155:154:D1M89ACXX:1:1101:14372:1976 1:N:0:
GGCGCGAAAGCAGTGGTATCAACGCAGAGTTCACTGCAATTCAGTCTTGGGGAGCCCCAAGCTAGGAGATCCTGCCATGGGCTTC
+
1:BDDDDFDDH>GEGE:C?FGGI>G<DF@GDBDG@D#IEGGGGIGGGIFHIIIDD<?CCCCBCCCBCCBCCCCCCBCCCCBBCBC
•
Для каждого прочитанного нуклеотида (буквы) секвенатор дает
значение качества, определяющее вероятность ошибки секвенирован
в данной позиции
•
Качество (Q) - это число от 0 до 50. log(-Q/10) ~ Pошибки
•
Буквы с качеством ниже заданного порога мы называем “плохими”
•
CDR3 с такими буквами мы тоже называем “плохими”

34. Качество
@HWI-ST1155:154:D1M89ACXX:1:1101:14372:1976 1:N:0:
GGCGCGAAAGCAGTGGTATCAACGCAGAGTTCACTGCAATTCAGTCTTGGGGAGCCCCAAGCTAGGAGATCCTGCCATGGGCTTC
+
1:BDDDDFDDH>GEGE:C?FGGI>G<DF@GDBDG@D#IEGGGGIGGGIFHIIIDD<?CCCCBCCCBCCBCCCCCCBCCCCBBCBC
•
Для каждого прочитанного нуклеотида (буквы) секвенатор дает
значение качества, определяющее вероятность ошибки секвенирован
в данной позиции
•
Качество (Q) - это число от 0 до 50. log(-Q/10) ~ Pошибки
•
Буквы с качеством ниже заданного порога мы называем “плохими”
•
CDR3 с такими буквами мы тоже называем “плохими”

35. Схема MiTCR
CDR3
Разметка последовательности
...
TRBV12-2
TRBJ1-3
Деление по
качеству
Хорошие
Сырые данные
Формирование
клонов
Плохие
Объединение
данных
Результат
!
Кластеризация

36. Кластеризация клонотипов
Число
последовательностей
56567
210
•
CDR3
TGTGCCAGCAGTTTGGGGATTCAT
TGTGCCGGCAGTTTGGGGATTCAT
Клонотипы, отличающиеся на одну букву от клонотипов,
превосходящих их по концентрации более чем в N раз, удаляются
из образца, т.к. они могут быть результатом ошибки

37. Кластеризация клонотипов
Число
последовательностей
56567
210
•
CDR3
TGTGCCAGCAGTTTGGGGATTCAT
TGTGCCGGCAGTTTGGGGATTCAT
Клонотипы, отличающиеся на одну букву от клонотипов,
превосходящих их по концентрации более чем в N раз, удаляются
из образца, т.к. они могут быть результатом ошибки

38. Кластеризация клонотипов
Число
последовательностей
56567
210
•
CDR3
TGTGCCAGCAGTTTGGGGATTCAT
TGTGCCGGCAGTTTGGGGATTCAT
Клонотипы, отличающиеся на одну букву от клонотипов,
превосходящих их по концентрации более чем в N раз, удаляются
из образца, т.к. они могут быть результатом ошибки

39. Результаты
•
Извлекает CDR3 из 98% входных
последовательностей
•
Корректирует более 95% ошибок
(искусственного разнообразия) при этом
сокращая естественное разнообразее менее чем
на 2%

40. Схема MiTCR
CDR3
Разметка последовательности
...
TRBV12-2
TRBJ1-3
Деление по
качеству
Хорошие
Сырые данные
Формирование
клонов
Плохие
Работают параллельно
Объединение
данных
Результат
!
Кластеризация

41. Производительность
•
Обрабатывает 50 000 последовательностей в секунду
(AMD Phenom II X4 955 @ 3.2 GHz)
•
Потребляет ~ 5 кбайт на хранение одного клонотипа
•
Этого достаточно, чтобы за 20 минут обработать
самый сложный (разнообразный) массив из нашего
опыта на машине с 16 Гб ОЗУ

42. MiTCR
•
Pure Java
•
Open source
https://bitbucket.org/milaboratory/mitcr
•
API для встраивания и автоматизированного
анализа через Groovy скрипты
•
Опубликована в Maven Central
•
Ubuntu PPA, Windows Installer, cross platform jar file

43. База данных
иммуномов

44. Мотивация
1. Возможна диагностика заболеваний по иммуномным данным
2. Для диагностики будут нужны паттерны иммунного ответа
3. Для вычисления этих паттернов необходимы большие
выборки образцов здоровых доноров и пациентов
4. Объединение в одном месте данных из многих источников
позволит набрать необходимые выборки образцов с
известными заболеваниями
5. База как таковая сможет служить хорошим источником
контрольных данных

45. Задачи
•
Хранение данных иммуномов человека с
сопутствующей мета-информацией об истории
болезни
•
Обеспечение разграничения прав доступа к
различным массивам (публичные и приватные
массивы)
•
Поиск новых паттернов и уточнение старых
•
Распознавание паттернов в поступающих данных

46. Мотивация пользователя
•
Простой интерфейс для обработки данных
(MiTCR или его преемник будут осуществлять
обработку на серверной стороне)
•
Интерфейс (Web и API) для простого анализа и
сравнения образцов, к которым имеется доступ
•
Share your immunome

47. Доставка данных
Amazon
S3
OpenStack
Swift
Специализированные
облачные сервисы
Другие облачные
сервисы
•
Входными данными могут служить как сырые данные
секвенирования так и уже обработанные массивы

48. Примерная структура
Amazon
S3
OpenStack
Swift
?
BackUp / хранение
обработанных
массивов
“Сырые”
данные
Web GUI / API

49. Характерные запросы на
низком уровне
•
Найти все массивы, в которых встречается
определенный клон
•
Найти все клоны, встречающиеся в группе
массивов
•
Различные нечеткие поиски и группировки

50. Прототип
Clones
DataSets
ATTAGACA
Int[] datasets
ID
Name
{1,3,30,40}
1
Control_1
40
String CDR3
Flu_1
Indexed using GiST or GIN

51. Производительность прототипа
•
На входе:
•
‣
Результат:
112 массивов
‣
‣
‣
•
CDR3 ключей 26 млн
Суммарный объем данных
с ключами: ~70 Гб
‣
Запрос “все клоны из 2-х
массивов”:
latency ~ 150ms;
throughput ~ 50 op/sec
суммарно 45 млн клонов
Железо:
‣
Core i7-2600 @ 3.8 GHz
‣
16 Gb RAM
‣
Soft. RAID1 2xSSD 128 Gb

52. Заключение
•
Аккумуляция большого количества данных
необходима для извлечения паттернов имунного
ответа для реальной диагностики
•
База сразу будет полезна для текущей работы
исследователей, что должно помочь ее
наполнению
•
Реализация такой базы существенно упрощается
за счет существующих облачных сервисов

53. Спасибо за внимание
bolotin.dmitriy@gmail.com
http://milaboratory.com/