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 CCCACGAAAACGATTGCTTTTT

purE GCCACGCAACCGTTTTCCTTGC

pyrD GTTCGGAAAACGTTTGCGTTTT

purT CACACGCAAACGTTTTCGTTTA

cvpA CCTACGCAAACGTTTTCTTTTT

purC GATACGCAAACGTGTGCGTCTG

purM GTCTCGCAAACGTTTGCTTTCC

purH GTTGCGCAAACGTTTTCGTTAC

purL TCTACGCAAACGGTTTCGTCGG

consensus ACGCAAACGTTTTCGT

Образец

codB CCCACGAAAACGATTGCTTTTT

purE GCCACGCAACCGTTTTCCTTGC

pyrD GTTCGGAAAACGTTTGCGTTTT

purT CACACGCAAACGTTTTCGTTTA

cvpA CCTACGCAAACGTTTTCTTTTT

purC GATACGCAAACGTGTGCGTCTG

purM GTCTCGCAAACGTTTGCTTTCC

purH GTTGCGCAAACGTTTTCGTTAC

purL TCTACGCAAACGGTTTCGTCGG

consensus ACGCAAACGTTTTCGT

pattern 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 1 0 0 0 0 0 0 0 0 7 8 9 4 0 3 9

I = j b f(b,j)[log f(b,j) / p(b)] Информационное содержание

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 0.1 2.2 –0.7 –1.2 –1.0 –0.7 –1.1 2.2 –0.3 –0.7

G –0.4 0.1 2.2 –1.1 –0.7 –0.7 –1.0 –0.7 2.2 –0.1 –0.1 –0.7 1.2 –0.7 1.0 –0.7

T –0.4 –1.0 –0.7 –1.1 –0.7 –0.7 –1.0 –0.7 –0.7 1.5 1.9 2.2 1.0 –0.7 0.6 2.2

• 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)

W(b,j)=ln(N(b,j)+0.5) – 0.25iln(N(i,j)+0.5)

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 subtilisdnaN ACATTATCCGTTAGGAGGATAAAAATG

gyrA GTGATACTTCAGGGAGGTTTTTTAATG

serS TCAATAAAAAAAGGAGTGTTTCGCATG

bofA CAAGCGAAGGAGATGAGAAGATTCATG

csfB GCTAACTGTACGGAGGTGGAGAAGATG

xpaC ATAGACACAGGAGTCGATTATCTCATG

metS ACATTCTGATTAGGAGGTTTCAAGATG

gcaD AAAAGGGATATTGGAGGCCAATAAATG

spoVC TATGTGACTAAGGGAGGATTCGCCATG

ftsH GCTTACTGTGGGAGGAGGTAAGGAATG

pabB AAAGAAAATAGAGGAATGATACAAATG

rplJ CAAGAATCTACAGGAGGTGTAACCATG

tufA AAAGCTCTTAAGGAGGATTTTAGAATG

rpsJ TGTAGGCGAAAAGGAGGGAAAATAATG

rpoA CGTTTTGAAGGAGGGTTTTAAGTAATG

rplM AGATCATTTAGGAGGGGAAATTCAATG

dnaN ACATTATCCGTTAGGAGGATAAAAATG

gyrA GTGATACTTCAGGGAGGTTTTTTAATG

serS TCAATAAAAAAAGGAGTGTTTCGCATG

bofA CAAGCGAAGGAGATGAGAAGATTCATG

csfB GCTAACTGTACGGAGGTGGAGAAGATG

xpaC ATAGACACAGGAGTCGATTATCTCATG

metS ACATTCTGATTAGGAGGTTTCAAGATG

gcaD AAAAGGGATATTGGAGGCCAATAAATG

spoVC TATGTGACTAAGGGAGGATTCGCCATG

ftsH GCTTACTGTGGGAGGAGGTAAGGAATG

pabB AAAGAAAATAGAGGAATGATACAAATG

rplJ CAAGAATCTACAGGAGGTGTAACCATG

tufA AAAGCTCTTAAGGAGGATTTTAGAATG

rpsJ TGTAGGCGAAAAGGAGGGAAAATAATG

rpoA CGTTTTGAAGGAGGGTTTTAAGTAATG

rplM AGATCATTTAGGAGGGGAAATTCAATG

cons. aaagtatataagggagggttaataATG

num. 001000000000110110000000111

760666658967228106888659666

dnaN ACATTATCCGTTAGGAGGATAAAAATG

gyrA GTGATACTTCAGGGAGGTTTTTTAATG

serS TCAATAAAAAAAGGAGTGTTTCGCATG

bofA CAAGCGAAGGAGATGAGAAGATTCATG

csfB GCTAACTGTACGGAGGTGGAGAAGATG

xpaC ATAGACACAGGAGTCGATTATCTCATG

metS ACATTCTGATTAGGAGGTTTCAAGATG

gcaD AAAAGGGATATTGGAGGCCAATAAATG

spoVC TATGTGACTAAGGGAGGATTCGCCATG

ftsH GCTTACTGTGGGAGGAGGTAAGGAATG

pabB AAAGAAAATAGAGGAATGATACAAATG

rplJ CAAGAATCTACAGGAGGTGTAACCATG

tufA AAAGCTCTTAAGGAGGATTTTAGAATG

rpsJ TGTAGGCGAAAAGGAGGGAAAATAATG

rpoA CGTTTTGAAGGAGGGTTTTAAGTAATG

rplM AGATCATTTAGGAGGGGAAATTCAATG

cons. tacataaaggaggtttaaaaat

num. 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

АлгоритмОбозначим: 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 весНейрон:• 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

Эукарио-тические

промоторы

Сайты связывания рибосом• Надежность

предсказания зависит от информационного содержания

CRP (E. coli)

0102030405060708090

100110

3 3,2 3,4 3,6 3,8 4 4,2 4,4 4,6 4,8 5

threshold

OV

UN

OV: перепредсказание (% лишних среди всех предсказанных) = 1 – специфичность UN: недопредсказание (% потерянных правильных) = 1 – чувствительность

Запись GenBank для гена E. coligene complement(120178..121551) /note="b0112" /gene="aroP"CDS complement(120178..121551) /gene="aroP" /product="aromatic amino acid transport protein"protein_bind complement(121599..121617) /bound_moiety="TyrR documented site"protein_bind complement(121622..121640) /bound_moiety="TyrR documented site"protein_bind complement(121653..121664) /bound_moiety="PutA predicted site"promoter complement(121683..121711) /note="factor Sigma70; promoter aroP; documented +1 at 121671"protein_bind complement(121810..121823) /bound_moiety="OxyR predicted site"protein_bind complement(121813..121835) /bound_moiety="ArgR predicted site"

aroP TyrR TyrR PutA Pr. OxyR ArgR

Что же делать?

• филогенетическое картирование: правильные сайты консервативны

Консервативная областьpurL

ST AGCGGCATTTTGCGTAACAATGCGCCAGTTGGCAACTT-ATT-CGCAACGATAGCCGCACC--GTATGACAAGAAAAAGCEC AGCGGCATTTTGCGTAAACCTGCGCCAGATGGCAACTT-ATT-ACAGCCATTGGCGGCACG--CGTTGCTAATTCACGATYP AGTGGCATTTTGCGCAACAAAACGCCAGTGTGCAACTTTATTGCGAGCTATTTGCTGAGTCTGCGTTACACACACATAGC ** *********** ** ****** ******* *** * ** * * * *

ST GG-TGATT---------TTATTTCT-------ACGCAAACGGTTTCGTCGGCGCGTCAGATTCTTTATAATGACGGCCGTEC GG-TGATT---------TTATTTCC-------ACGCAAACGGTTTCGTCAGCGCATCAGATTCTTTATAATGACGCCCGTYP GGCTGTTTCTGACTGAATTATTAATAATAGATACGCAAACGGTTTCGTCGGCGGCTCAGATTCACTATAATGGCGCGCGT ** ** ** ***** ***************** *** ******** ******* ** ***

ST TTCCCCCC-------------------TTGCGCACACCAAA--------------GCTTAGAAGACGAGAGA--CTTA--EC TTCCCCCCC------------------TTGGGTACACCGAAA-------------GCTTAGAAGACGAGAGA--CTTA--YP TTTGCCCTGTTGTTGCGCCAATGAATGTTGCGCCCAATGAAGTGCTGTTCCAGCCGCTTCGAAGACGAGAGAAACTTAGA ** *** *** * ** ** **** ************ ****

ST TGATGGAAATTCTGCGTGGTTCGCCTGCACTGTCTGCATTCCGTATCAATAAACTGCTGGCGCGCTTTCAGGCTGCCAACEC TGATGGAAATTCTGCGTGGTTCGCCTGCACTGTCGGCATTCCGAATCAACAAACTGCTGGCACGTTTTCAGGCTGCCAGGYP TTATGGAAATACTGCGTGGTTCACCCGCTTTGTCGGCTTTTCGTATCACCAAACTGTTGTCCCGTTGCCAGGATGCTCAC * ******** *********** ** ** **** ** ** ** **** ****** ** * ** * **** ***

Менее консервативная область

yjcD

ST AAA-GCATAAAAAGCGGCAAAGTTCAGTTGAAAAAGCGTTGATGATCGCTGGATAATCGTTTGCTTTTTTTTG---CCACEC AAA-GAGAAAAAAGCAGCAAACTTCGGTTGAAAAAGCCGCTATGATCGCCGGATAATCGTTTGCTTTTTTTA----CCACYP AAATGTATTAAATGTCGCATTCGGGTGTTGATTAGTCACCACTGATGGCTAGATAATCGTTTGCCTTAAATGACATCTGC *** * *** * *** ***** * * **** ** ************* ** * * *

ST CC--------GTTTTGT--------ATACGTG----GAGCTAAACGTTTGCTTTTTTGCGGCGCCCCG-G-TTGTCGTAAEC CC--------GTTTTGT--------ATGCGCG----GAGCTAAACGTTTGCTTTTTTGCGACGCAGCA-AATTGTCGCAAYP CCTAAACTTCGATTTTTTTTCAGTCATGCGTTCTCCCAGCTAATCGTTTGCTATTTTTCCCCGCTCTATGAGTCAGGGAG ** * *** * ** ** ****** ******** **** * *** * * *

ST ATGTAGC----------ACAAGGA-GATAACGTTGCGCTGTTAGTGGATTACCTCCCACGTATACCGACGAATAATAAATEC ACCTGGA----------GCAGGAA-GATAACGTTTCGCTGGCAGGGGATTGTCCGCCACGCATCTTGACGAAAATTAAACYP AGTTAGTGAGTTCATCGACAGGAACGGAAACGATTACGTAGAGAAGGGCGCTTGGCTTGGCATGCTATTTTAAAATGA-C * * * ** * * * **** * * ** * * ** * * * *

ST TCTCAGGGGATGTTTTCT-ATGTCT------ACGCCTTCAGCGCGTACCGGCGGTTCACTCGACGCCTGGTTTAAAATTTEC TCTCAGGGGATGTTTTCTTATGTCT------ACGCCATCAGCGCGTACCGGCGGTTCACTCGACGCCTGGTTTAAAATTTYP ACACAGGGGACATCACC--ATGTCTAGCAGCAACCCTCAAGCACAGCCAAAGGGCACGCTTGATGCATTCTTTAAGCTTA * ******* * * ****** * ** *** * * ** * ** ** ** * ***** **

rbsD в энтеробактериях: ответ

Sty AGGGTTACACTGCGGC-CAGCGAAACGTTTCGCTAGTGGAGCAGAAAAATGAAGAAAGGCSen AGGGTTACACTGCGGC-CAGCGAAACGTTTCGCTAGTGGAGCAGAAAAATGAAGAAAGGCStm GGGGTTACACTGCGGC-CAGCGAAACGTTTCGCTAGTGGAGCAGAAAAATGAAGAAAGGCEco AGGATTAAACTGTGGGTCAGCGAAACGTTTCGCTGATGGAGAA-AAAAATGAAAAAAGGCYpe TTTTCTAAACTCCTTGTTAGCGAAACGTTTCGCTCTTGGAGTA-GATCATGAAAAAAGGT ** *** **************** ***** * * ***** *****  Sty ACCGTACTCAACTCTGAAATCTCGTCGGTCATTTCCCGTCTGGGGCATACTGATACTCTGSen ACCGTACTCAACTCTGAAATCTCGTCGGTCATTTCCCGTCTGGGGCATACTGATACTCTGStm ACCGTACTCAACTCTGAAATCTCGTCGGTCATTTCCCGTCTGGGGCATACTGATACTCTGEco ACCGTTCTTAATTCTGATATTTCATCGGTGATCTCCCGTCTGGGACATACCGATACGCTGYpe GTATTACTGAACGCTGATATTTCCGCGGTTATCTCCCGTCTGGGCCATACCGATCAGATT * ** ** **** ** ** **** ** *********** ***** *** *

Регулирующие модули обычно консервативны и часто содержат кластеры сходных сайтов

связывания одинаковых молекул фактора (В.Макеев)

rVISTA:все / выравненные / консервативные сайты

ура!