Bioinformática com Rosalind utilizando Python

Essa apresentação contempla a resolução de problemas de bioinformática utilizando a plataforma Rosalind e a linguagem de programação Python.

1. Bioinformática com Rosalind Marcos Castro PUG Beach Python User Group (PUG-PI)

2. Bioinformática... Biólogos e programadores lendo a palavra “bioinformática” em Python :

3. Sequências

4. Validando sequências DNA/RNA

5. Testando...

6. Rosalind é uma plataforma para o aprendizado de bioinformática através da resolução de problemas. http://rosalind.info

7. Lista de problemas

8. Árvore de problemas

9. Sugerir problemas

10. Ranking

11. Submissão de código No final da página de cada problema você encontrará:

12. Submissão de código

13. Se acertar o problema...

14. Counting DNA Nucleotides http://rosalind.info/problems/dna/

15. Transcribing DNA into RNA http://rosalind.info/problems/rna/

16. Complementing a Strand of DNA Inverte a string ‘A’ e ‘T’ são complementares um do outro assim como ‘C’ e ‘G’. Entrada: AAAACCCGGT String invertida: TGGCCCAAAA Saída: ACCGGGTTTT

17. Complementing a Strand of DNA http://rosalind.info/problems/revc/ “s” representa uma string “l” representa uma lista “d” representa um dicionário

18. Counting Point Mutations Problema da classe de alinhamento. Serão dadas duas strings de tamanhos iguais. A Hamming distance entre duas strings “s” e “t” é o número de símbolos correspondentes que são diferentes em “s” e “t”.

19. Counting Point Mutations Exemplo: Resposta: 7

20. Counting Point Mutations http://rosalind.info/problems/hamm/

21. Translating RNA into Protein   Nesse problema é dada como entrada uma string RNA “s” correspondente a uma fita de mRNA . A saída é uma string proteína codificada a partir de “s”.

22. Translating RNA into Protein   Para resolver esse problema, o Rosalind fornece uma tabela de códons para mapear cada aminoácido.

23. Translating RNA into Protein  

24. Translating RNA into Protein   Resumindo: cada conjunto de 3 letras da string RNA corresponde a um aminoácido. Exemplo: string RNA: AUGGCC “AUG” corresponde a “M” na tabela. “GCC” corresponde a “A” na tabela.

25. Translating RNA into Protein   http://rosalind.info/problems/prot/

26. Finding a Motif in DNA   http://rosalind.info/problems/subs/ Nesse problema são dadas como entrada duas strings “s” e “t”. A saída são todas as posições em que “t” ocorre em “s”.

27. Finding a Motif in DNA   Exemplo de entrada: s = GATATATGCATATACTT t = ATAT Saída: 2 4 10

28. Finding a Motif in DNA  

29. Enumerating Gene Orders Problema da classe “Rearranjos de Genoma”. Uma permutação de tamanho “n” é um ordenamento dos inteiros positivos: {1, 2, ..., n} A entrada é um inteiro n <= 7. A saída é composta pelo número de permutações seguido de uma lista de todas as permutações.

30. Enumerating Gene Orders Exemplo de saída para n = 3: 6 1 2 3 1 3 2 2 1 3 2 3 1 3 1 2 3 2 1

31. Enumerating Gene Orders http://rosalind.info/problems/perm/ Construindo o código aos poucos... l = [1, 2, 3]

32. Enumerating Gene Orders p = [(1, 2, 3), (1, 3, 2), (2, 1, 3), (2, 3, 1), (3, 1, 2), (3, 2, 1)]

33. Enumerating Gene Orders print ( new_l ) exibirá: (1, 2, 3) (1, 3, 2) (2, 1, 3) e assim por diante...

34. Enumerating Gene Orders A linha 10 exibe a quantidade de permutações.

35. Enumerating Gene Orders Código final:

36. Enumerating Gene Orders Execução:

37. Finding a Shared Motif http://rosalind.info/problems/lcsm/ Problema interessante onde o Rosalind fornece várias strings (cadeias de DNA) como entrada e quer como saída a maior substring comum a todas as strings fornecidas.

38. Finding a Shared Motif Em um primeiro momento você poderá pensar em gerar todas as substrings possíveis de apenas uma das strings, armazenar elas numa lista e percorrer o restante das strings para saber qual é a substring comum e de maior tamanho. itertools . combinations () faz isso...

39. Finding a Shared Motif Como gerar todas as substrigs de uma string? Para a string “ABCD”: “A”, “B”, “C”, “D”, “AB”, “AC”, “AD”, “BC”, “BD”, “CD”, “ABC”, “ABD”, “ACD”, “BCD”, “ABCD”. Fácil não é mesmo ?

40. Finding a Shared Motif Para uma string de tamanho 4, serão geradas 15 substrings. Para uma string de tamanho 10, serão geradas 1023 substrings. Para uma string de tamanho 20 são geradas 1.048.575 substrings. E para uma string do caso de teste do Rosalind ? Obs.: strings de tamanho 1000

41. Ops ...

42. Finding a Shared Motif A exceção aconteceu porque eu tentei armazenar um número muito grande de elementos numa lista. Qual a solução? a) Otimizar meu código b) Comprar mais memória RAM c) Mudar o algoritmo d) Implementar em Java ( Haha )

43. Finding a Shared Motif Solução trivial para o problema seria não guardar as substrings. A cada substring gerada você verifica nas outras strings. Isso resolve. Alguns casos de testes foram testados, o programa levou entre 5 a 8 segundos. Será que podemos melhorar isso?

44. Finding a Shared Motif Uma possível otimização é não fazer verificação de uma determinada substring caso ela tenha tamanho menor do que a maior substring guardada até o momento. Para um determinado caso de teste, essa otimização diminuiu o tempo de 6.2 segundos para 3.7 segundos.

45. Arquivos FASTA Formato FASTA é um arquivo baseado em texto para representar sequências genéticas onde os nucleotídeos ou aminoácidos são representados usando códigos de uma única letra. Linhas do arquivo que começam com “>” ou “;” representam comentários (descrição da sequência).

46. Arquivos FASTA

47. NCBI NCBI: National Center of Biotechnology Information http://www.ncbi.nlm.nih.gov/ NCBI dentre outras funções, armazena dados da sequenciação de genomas.

48. NCBI

49. NCBI

50. BLAST Basic Local Alignment Search Tool É a ferramenta de alinhamento mais utilizada atualmente. Alinha uma sequência de entrada contra uma base de dados desejada.

51. BLAST Mais informações: http://pt.slideshare.net/marlluslustosa/slides-blast

52. K-mers Composição k- mer é uma coleção de todas as substrings k- mer de texto . Composição k- mer para TATGGGGTGC com k=3: {TAT, ATG, TGG, GGG, GGG, GGT, GTG, TGC}

53. Grafos De Bruijn Reconstrução de strings Como era feito: procura-se um caminho no grafo que visita cada nó somente uma vez (caminho hamiltoniano ). Problema: mais de um caminho encontrado. Novo grafo desenvolvido: Grafo de Bruijn O Grafo de Bruijn representa melhor uma composição k-mer .

54. Grafos De Bruijn O foco agora é nas arestas. Caminhos eulerianos : passa por uma aresta somente uma vez.

55. Construção do Grafo De Bruijn Exemplo de sequência: TAATG com k = 3 Composição k-mer : {TAA, AAT, ATG} {TAA, AAT, ATG} são as arestas do grafo. Os nós são formados por prefixos e sufixos de cada mer. Prefixo de TAA: TA Sufixo de TAA: AA

56. Construção do Grafo De Bruijn Continuação... {TAA, AAT, ATG} TAA AAT ATG TA AT AA TG

57. Desafio String Reconstruction from Read-Pairs Problem http://rosalind.info/problems/4i/ Grafos De Bruijn Caminhos eulerianos Reconstrução de genomas

58. Sugestões de estudo https://www.youtube.com/pycursos Playlist Python para Bioinformatas Livro:

59. Fim marcoscastro .me www.facebook.com/groups/pugpi/ Obrigado!