Распознавание регуляторных сигналов Факультет биоинженерии и биоинформатики МГУ, второй курс М. Гельфанд (лекции) Д. Равчеев (задания) А. Герасимова (занятия) В.Ю. Макеев (некоторые слайды) Транскрипция и трансляция в прокариотах Сплайсинг (эукариоты) Инициация транскрипции Регуляция транскрипции в прокариотах Структура ДНК-связывающего домена (cI) Структура ДНК-связывающего домена (Cro) Белок-ДНКовые взаимодействия Регуляция транскрипции у эукариот Регуляторные модули (В.Ю.Макеев) • Один и тот же ген может регулироваться несколькими регуляторными модулями, работающими в разных условиях • Расстояние от регуляторного модуля до кодирующих областей может достигать 100 000 пар оснований Представление сигналов • Консенсус • Pattern («образец» - консенсус с вырoжденными позициями) • Позиционная весовая матрица (или профиль) positional weight matrix, PWM, profile • Логические правила • РНКовые сигналы – вторичная структура Консенсус codB purE pyrD purT cvpA purC purM purH purL consensus CCCACGAAAACGATTGCTTTTT GCCACGCAACCGTTTTCCTTGC GTTCGGAAAACGTTTGCGTTTT CACACGCAAACGTTTTCGTTTA CCTACGCAAACGTTTTCTTTTT GATACGCAAACGTGTGCGTCTG GTCTCGCAAACGTTTGCTTTCC GTTGCGCAAACGTTTTCGTTAC TCTACGCAAACGGTTTCGTCGG ACGCAAACGTTTTCGT Образец codB purE pyrD purT cvpA purC purM purH purL consensus pattern CCCACGAAAACGATTGCTTTTT GCCACGCAACCGTTTTCCTTGC GTTCGGAAAACGTTTGCGTTTT CACACGCAAACGTTTTCGTTTA CCTACGCAAACGTTTTCTTTTT GATACGCAAACGTGTGCGTCTG GTCTCGCAAACGTTTGCTTTCC GTTGCGCAAACGTTTTCGTTAC TCTACGCAAACGGTTTCGTCGG ACGCAAACGTTTTCGT aCGmAAACGtTTkCkT Матрица частот j a C G m A A A C G t T T k C k T A 6 0 0 2 9 9 8 0 0 1 0 0 0 0 0 0 C 1 8 0 7 0 0 1 9 0 0 0 0 0 9 1 0 G 1 1 9 0 0 0 0 0 9 1 1 0 5 0 5 0 T 0 0 0 0 0 0 0 0 7 8 9 4 0 3 9 1 Информационное содержание I = j b f(b,j)[log f(b,j) / p(b)] Logo Позиционная весовая матрица (профиль) j a C G m A A A C G t T T k C k T A 6 0 0 2 9 9 8 0 0 1 0 0 0 0 0 0 C 1 8 0 7 0 0 1 9 0 0 0 0 0 9 1 0 G 1 1 9 0 0 0 0 0 9 1 1 0 5 0 5 0 T 1 0 0 0 0 0 0 0 0 7 8 9 4 0 3 9 A 1.1 –1.0 –0.7 0.5 2.2 2.2 1.9 –0.7 –0.7 –0.1 –1.0 –0.7 –1.1 –0.7 –1.4 –0.7 C –0.4 1.9 –0.7 1.6 –0.7 –0.7 G –0.4 0.1 T –0.4 –1.0 –0.7 –1.1 –0.7 –0.7 –1.0 –0.7 –0.7 0.1 2.2 –0.7 –1.2 –1.0 –0.7 –1.1 2.2 –1.1 –0.7 –0.7 –1.0 –0.7 2.2 –0.1 –0.1 –0.7 1.5 1.9 2.2 2.2 –0.3 –0.7 1.2 –0.7 1.0 –0.7 1.0 –0.7 0.6 2.2 W(b,j)=ln(N(b,j)+0.5) – 0.25iln(N(i,j)+0.5) • Вероятностная мотивировка: лог-правдоподобие (с точностью до линейного преобразования) • Ещё одна: z-score (при сообтветствующем основании логарифма) • Термодинамическая мотивировка: свободная энергия (в предположении независимости соседних позиций) • Псевдоотсчеты (pseudocounts) Логические правила, деревья и т.п. – учет зависимостей Составление выборки • Начало: – – – – GenBank специализированные банки данных литература (общоры) литература (оригинальные статьи) • Исправление ошибок • Проверка литературных данных • предсказанные сайты. • Удаление дубликатов Перевыравнивание • Первоначальное выравнивание по биологическим признакам – промоторы: старт транскрипции – участки связывания рибосом: стартовый кодон – сайты сплайсинга: экзон-интронные границы • Выделение сигнала в скользящем окне • Перевыраванивание • и т.д. пока не сойдётся Начала генов Bacillus subtilis dnaN gyrA serS bofA csfB xpaC metS gcaD spoVC ftsH pabB rplJ tufA rpsJ rpoA rplM ACATTATCCGTTAGGAGGATAAAAATG GTGATACTTCAGGGAGGTTTTTTAATG TCAATAAAAAAAGGAGTGTTTCGCATG CAAGCGAAGGAGATGAGAAGATTCATG GCTAACTGTACGGAGGTGGAGAAGATG ATAGACACAGGAGTCGATTATCTCATG ACATTCTGATTAGGAGGTTTCAAGATG AAAAGGGATATTGGAGGCCAATAAATG TATGTGACTAAGGGAGGATTCGCCATG GCTTACTGTGGGAGGAGGTAAGGAATG AAAGAAAATAGAGGAATGATACAAATG CAAGAATCTACAGGAGGTGTAACCATG AAAGCTCTTAAGGAGGATTTTAGAATG TGTAGGCGAAAAGGAGGGAAAATAATG CGTTTTGAAGGAGGGTTTTAAGTAATG AGATCATTTAGGAGGGGAAATTCAATG dnaN gyrA serS bofA csfB xpaC metS gcaD spoVC ftsH pabB rplJ tufA rpsJ rpoA rplM cons. num. ACATTATCCGTTAGGAGGATAAAAATG GTGATACTTCAGGGAGGTTTTTTAATG TCAATAAAAAAAGGAGTGTTTCGCATG CAAGCGAAGGAGATGAGAAGATTCATG GCTAACTGTACGGAGGTGGAGAAGATG ATAGACACAGGAGTCGATTATCTCATG ACATTCTGATTAGGAGGTTTCAAGATG AAAAGGGATATTGGAGGCCAATAAATG TATGTGACTAAGGGAGGATTCGCCATG GCTTACTGTGGGAGGAGGTAAGGAATG AAAGAAAATAGAGGAATGATACAAATG CAAGAATCTACAGGAGGTGTAACCATG AAAGCTCTTAAGGAGGATTTTAGAATG TGTAGGCGAAAAGGAGGGAAAATAATG CGTTTTGAAGGAGGGTTTTAAGTAATG AGATCATTTAGGAGGGGAAATTCAATG aaagtatataagggagggttaataATG 001000000000110110000000111 760666658967228106888659666 dnaN gyrA serS bofA csfB xpaC metS gcaD spoVC ftsH pabB rplJ tufA rpsJ rpoA rplM cons. num. ACATTATCCGTTAGGAGGATAAAAATG GTGATACTTCAGGGAGGTTTTTTAATG TCAATAAAAAAAGGAGTGTTTCGCATG CAAGCGAAGGAGATGAGAAGATTCATG GCTAACTGTACGGAGGTGGAGAAGATG ATAGACACAGGAGTCGATTATCTCATG ACATTCTGATTAGGAGGTTTCAAGATG AAAAGGGATATTGGAGGCCAATAAATG TATGTGACTAAGGGAGGATTCGCCATG GCTTACTGTGGGAGGAGGTAAGGAATG AAAGAAAATAGAGGAATGATACAAATG CAAGAATCTACAGGAGGTGTAACCATG AAAGCTCTTAAGGAGGATTTTAGAATG TGTAGGCGAAAAGGAGGGAAAATAATG CGTTTTGAAGGAGGGTTTTAAGTAATG AGATCATTTAGGAGGGGAAATTCAATG tacataaaggaggtttaaaaat 0000000111111000000001 5755779156663678679890 Позиционное информационное содержание до и после перевыравнивания позиционные частоты после перевыравнивания (паттерн aGGAGG) Поиск сигнала с самого начала (ab initio) • “дискретные” подходы: считать слова и образцы • “непрерывные” подходы: оптимизация профиля Как считать короткие слова • Рассмотрим все слова длины k (k-меры) • Для каждого k-мера вычислим количество последовательностей, которые его содержат – (не обязательно в точности) • Выберем самый частый k-мер Проблема: Полный перебор возможен только для относительно коротких слов Предположение: если длинное слово встречается часто, его подслова тоже будут часто встречаться Решение: выбрать набор частых коротких слов и склеить в длинное Как считать длинные слова • Рассмотрим некоторые k-меры • Для каждого k-мера вычислим количество последовательностей, которые его содержат – (не обязательно в точности) • Выберем самый частый k-мер Проблема: «некоторые» k-меры - это какие? 1я попытка: те, которые встречаются в выборке Но: сигнал (консенсусный k-мер) может и не встретиться. 2я попытка: те, которые встречаются в выборке и похожие на них. Но: – опять же, сигнал может и не попасть в это множество; – а размер множества «похожих» слов растёт экспоненциально Теоретико-графовый подход Каждый k-мер в каждой последовательности соответствует вершине. Два k-мера соединены ребром, если они похожи (например, отличаются не более, чем в h позиций, h<<k). Получается n-дольный граф (n – количество последовательностей). Сигнал соответствует клике (полному подграфу) – или по крайней мере плотному графу – с вершинами в каждой доле Простой алгоритм • Удалить все вершины, которые не могут быть продолжены до полных графов – то есть, не имеют ребер во все доли • Из списка пар удалить все, которые … – то есть не образуют треугольники с третьими вершинами во всех долях • И т.д.. (не будет в такой форме работать для поиска плотных подграфов) Оптимизация. Expectation - Maximization • Породим начальное множество профилей (например, каждый из имеющихся k-меров породит один профиль) • Для каждого профиля: – найти наилучшего представителя в каждой последовательности – обновить профиль • Повторять пока не сойдётся Этот алгоритм сходится, но не может покинуть область локального максимума. Поэтому если начальное приближение было плохим, он сойдётся к ерунде. Решение: стохастическая оптимизация. Имитация теплового отжига • Цель: максимизировать информационное содержание I I = j b f(b,j)[log f(b,j) / p(b)] • или любой другой функционал, измеряющий однородность множества сайтов Алгоритм Обозначим: A – текущий сигнал (множество потенциальных сайтов), I(A) – его информационное содержание. B – сигнал, отличающийся от А выбором сайта в одной последовательности, I(B) – го информационное содержание. • если I(B) I(A), B принимается • если I(B) < I(A), B принимается с вероятностью P = exp [(I(B) – I(A)) / T] Температура T медленно снижается, первоначально она такова, что почти все изменения принимаются (Р близко к 1). Gibbs sampler Опять, A – сигнал, I(A) – его информационное содержание. На каждом шаге в одной последовательности выбирается новый сайт с вероятностью P ~ exp [(I(Anew)] Для каждого потенциального сайта подсчитывается, сколько раз он был выбран. (Замечание: сигнал всё время меняется) Использование свойств сигнала • Днк-связывающие белки и их сигналы Кооперативные однородные палиндромы прямые повторы Кооперативные неоднородные кассеты Другие РНКовые сигналы Распознавание: весовые матрицы (профили) Позиционные веса нуклеодтидов W(b,j)=ln(N(b,j)+0.5) – 0.25iln(N(i,j)+0.5) Вес потенциального сайта b1…bk – это сумма соответствующих позиционных весов: S(b1…bk ) = j=1,…,kW(bj,j) Усиление слабого сигнала Распределение весов сайтов связывания рибосом на сайтах (зеленый) и не-сайтах (красный) Нейронные сети: архитектура • 4k входных нейронов (сенсоров), присутствие конкретного нуклеотида в конкретной позиции (да/нет) или 2k нейронов (пурин/пиримидин, AT/GC) • один или более слоёв внутренних нейронов • один выходной нейрон (сайт/не-сайт) • каждый нейрон связан соединениями с нейронами соседнего уровня • каждому соединению приписан вес Нейрон: • суммирует (с весами) входящие сигналы • сравнивает результат с порогом (или преобразует по заданному правилу) • если сумма выше порога, отправляет сигнал всем нейронам следующего уровня (или просто преобразованное значение) Обучение: • Обработать сайты и не-сайты из обучающей выборки одни за одним, несколько полных итераций. • Для каждого объекта сделать предсказание. • Если оно неправильное, изменить веса. Сети отличаются архитектурой, способом обработки сигнала, расписанием обучения Оценка качества алгоритмов Чувствительность: правильно предсказанные / все правильные Специфичность: правильно предсказанные / все предсказанные • Трудно составить тестирующую выборку: – неизвестные сайты – активация в определенных условиях – неспецифическое связывание Промоторы E. coli • профиль, предсказывающий 1 сайт на 2000 нт, имеет чувствительность: – 25% на всех промоторах, – 60% на конститутивных (неактивируемых) промоторах Эукариотические промоторы Сайты связывания рибосом • Надежность предсказания зависит от информационного содержания CRP (E. coli) 110 100 90 80 70 60 50 40 30 20 10 0 OV UN 3 3,2 3,4 3,6 3,8 4 4,2 4,4 4,6 4,8 5 threshold OV: перепредсказание (% лишних среди всех предсказанных) = 1 – специфичность UN: недопредсказание (% потерянных правильных) = 1 – чувствительность Запись GenBank для гена E. coli gene CDS protein_bind protein_bind protein_bind promoter protein_bind protein_bind aroP complement(120178..121551) /note="b0112" /gene="aroP" complement(120178..121551) /gene="aroP" /product="aromatic amino acid transport protein" complement(121599..121617) /bound_moiety="TyrR documented site" complement(121622..121640) /bound_moiety="TyrR documented site" complement(121653..121664) /bound_moiety="PutA predicted site" complement(121683..121711) /note="factor Sigma70; promoter aroP; documented +1 at 121671" complement(121810..121823) /bound_moiety="OxyR predicted site" complement(121813..121835) /bound_moiety="ArgR predicted site" TyrR TyrR PutA Pr. OxyR ArgR Что же делать? • филогенетическое картирование: правильные сайты консервативны Консервативная область purL ST AGCGGCATTTTGCGTAACAATGCGCCAGTTGGCAACTT-ATT-CGCAACGATAGCCGCACC--GTATGACAAGAAAAAGC EC AGCGGCATTTTGCGTAAACCTGCGCCAGATGGCAACTT-ATT-ACAGCCATTGGCGGCACG--CGTTGCTAATTCACGAT YP AGTGGCATTTTGCGCAACAAAACGCCAGTGTGCAACTTTATTGCGAGCTATTTGCTGAGTCTGCGTTACACACACATAGC ** *********** ** ****** ******* *** * ** * * * * ST GG-TGATT---------TTATTTCT-------ACGCAAACGGTTTCGTCGGCGCGTCAGATTCTTTATAATGACGGCCGT EC GG-TGATT---------TTATTTCC-------ACGCAAACGGTTTCGTCAGCGCATCAGATTCTTTATAATGACGCCCGT YP GGCTGTTTCTGACTGAATTATTAATAATAGATACGCAAACGGTTTCGTCGGCGGCTCAGATTCACTATAATGGCGCGCGT ** ** ** ***** ***************** *** ******** ******* ** *** ST TTCCCCCC-------------------TTGCGCACACCAAA--------------GCTTAGAAGACGAGAGA--CTTA-EC TTCCCCCCC------------------TTGGGTACACCGAAA-------------GCTTAGAAGACGAGAGA--CTTA-YP TTTGCCCTGTTGTTGCGCCAATGAATGTTGCGCCCAATGAAGTGCTGTTCCAGCCGCTTCGAAGACGAGAGAAACTTAGA ** *** *** * ** ** **** ************ **** ST TGATGGAAATTCTGCGTGGTTCGCCTGCACTGTCTGCATTCCGTATCAATAAACTGCTGGCGCGCTTTCAGGCTGCCAAC EC TGATGGAAATTCTGCGTGGTTCGCCTGCACTGTCGGCATTCCGAATCAACAAACTGCTGGCACGTTTTCAGGCTGCCAGG YP TTATGGAAATACTGCGTGGTTCACCCGCTTTGTCGGCTTTTCGTATCACCAAACTGTTGTCCCGTTGCCAGGATGCTCAC * ******** *********** ** ** **** ** ** ** **** ****** ** * ** * **** *** Менее консервативная область yjcD ST AAA-GCATAAAAAGCGGCAAAGTTCAGTTGAAAAAGCGTTGATGATCGCTGGATAATCGTTTGCTTTTTTTTG---CCAC EC AAA-GAGAAAAAAGCAGCAAACTTCGGTTGAAAAAGCCGCTATGATCGCCGGATAATCGTTTGCTTTTTTTA----CCAC YP AAATGTATTAAATGTCGCATTCGGGTGTTGATTAGTCACCACTGATGGCTAGATAATCGTTTGCCTTAAATGACATCTGC *** * *** * *** ***** * * **** ** ************* ** * * * ST CC--------GTTTTGT--------ATACGTG----GAGCTAAACGTTTGCTTTTTTGCGGCGCCCCG-G-TTGTCGTAA EC CC--------GTTTTGT--------ATGCGCG----GAGCTAAACGTTTGCTTTTTTGCGACGCAGCA-AATTGTCGCAA YP CCTAAACTTCGATTTTTTTTCAGTCATGCGTTCTCCCAGCTAATCGTTTGCTATTTTTCCCCGCTCTATGAGTCAGGGAG ** * *** * ** ** ****** ******** **** * *** * * * ST ATGTAGC----------ACAAGGA-GATAACGTTGCGCTGTTAGTGGATTACCTCCCACGTATACCGACGAATAATAAAT EC ACCTGGA----------GCAGGAA-GATAACGTTTCGCTGGCAGGGGATTGTCCGCCACGCATCTTGACGAAAATTAAAC YP AGTTAGTGAGTTCATCGACAGGAACGGAAACGATTACGTAGAGAAGGGCGCTTGGCTTGGCATGCTATTTTAAAATGA-C * * * ** * * * **** * * ** * * ** * * * * ST TCTCAGGGGATGTTTTCT-ATGTCT------ACGCCTTCAGCGCGTACCGGCGGTTCACTCGACGCCTGGTTTAAAATTT EC TCTCAGGGGATGTTTTCTTATGTCT------ACGCCATCAGCGCGTACCGGCGGTTCACTCGACGCCTGGTTTAAAATTT YP ACACAGGGGACATCACC--ATGTCTAGCAGCAACCCTCAAGCACAGCCAAAGGGCACGCTTGATGCATTCTTTAAGCTTA * ******* * * ****** * ** *** * * ** * ** ** ** * ***** ** rbsD в энтеробактериях: ответ Sty Sen Stm Eco Ype AGGGTTACACTGCGGC-CAGCGAAACGTTTCGCTAGTGGAGCAGAAAAATGAAGAAAGGC AGGGTTACACTGCGGC-CAGCGAAACGTTTCGCTAGTGGAGCAGAAAAATGAAGAAAGGC GGGGTTACACTGCGGC-CAGCGAAACGTTTCGCTAGTGGAGCAGAAAAATGAAGAAAGGC AGGATTAAACTGTGGGTCAGCGAAACGTTTCGCTGATGGAGAA-AAAAATGAAAAAAGGC TTTTCTAAACTCCTTGTTAGCGAAACGTTTCGCTCTTGGAGTA-GATCATGAAAAAAGGT ** *** **************** ***** * * ***** ***** Sty Sen Stm Eco Ype ACCGTACTCAACTCTGAAATCTCGTCGGTCATTTCCCGTCTGGGGCATACTGATACTCTG ACCGTACTCAACTCTGAAATCTCGTCGGTCATTTCCCGTCTGGGGCATACTGATACTCTG ACCGTACTCAACTCTGAAATCTCGTCGGTCATTTCCCGTCTGGGGCATACTGATACTCTG ACCGTTCTTAATTCTGATATTTCATCGGTGATCTCCCGTCTGGGACATACCGATACGCTG GTATTACTGAACGCTGATATTTCCGCGGTTATCTCCCGTCTGGGCCATACCGATCAGATT * ** ** **** ** ** **** ** *********** ***** *** * Регулирующие модули обычно консервативны и часто содержат кластеры сходных сайтов связывания одинаковых молекул фактора (В.Макеев) rVISTA:все / выравненные / консервативные сайты ура!