Integração de bases de dados de genes homólogos e aplicação em análises de sequências

• Autor(a) principal: Gabriel da Rocha Fernandes
• Data de Publicação: 2011
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/BUOS-9PNKJA
• topic: Bioinformática; Metagenômica; Bioinformática; Transcriptômica

Bases de dados biológicos são importantes fontes para pesquisas científicas. Algumas bases secundárias agrupam suas proteínas em grupos de ortólogos e categorias funcionais, como as bases COG (Cluster of Ortholog Groups) e KO (KEGG Orthology). A base KO foi usada em um teste de anotação automatizada de ESTs de Caenorhabditis elegans. Conduzimos um experimento controle em que a EST é designada à sua proteína cognata de C. elegans. Para a anotação simulamos um transcriptoma novo removendo as seqüências do verme da base de dados. Obtivemos três classes de anotação: corretas ou trocadas (quando o KO anotado era respectivamente igual ou discordante do designado) e especuladas (quando a EST era anotada, porém não designada). Obtivemos 68%, 4% e 28% de anotações corretas, trocadas e especuladas, respectivamente. Entretanto, as especulações diminuem para 4,4% quando designamos essas ESTs a proteínas que não estão na base KO. Para isso utilizamos proteínas KEGG não classificadas em grupos KO. Na tentativa de aumentar a quantidade de informações em bases de dados como COG e KO, desenvolvemos uma metodologia baseada no recrutamento de seqüências que compartilhem o mesmo grupo UniRef50 de uma proteína recrutadora já existente na base de dados original. Um filtro de seleção de tamanho retirava recrutadas com mais que 10% de diferença de tamanho da recrutadora. Utilizando essa metodologia aumentamos a quantidade de proteínas na base COG de 124.369, provenientes de 63 genomas, para 961.725, com representantes de 3.477 genomas. A base recebeu a denominação UniRef Enriched COG (UECOG). Recentemente um novo enriquecimento foi feito utilizando um filtro em que exigíamos que o alinhamento entre a proteína recrutadora e a recrutada apresentasse valor-e menor que 1x10-10 e cobrisse pelo menos 50% da proteína recrutadora. Com isso obtivemos um total de 2.450.485 entradas, oriundas de 5.748 organismos distintos (UECOG 2.0). O último procedimento foi utilizado para enriquecer a base de dados KO, aumentando as informações contidas de 1.940.617 proteínas para 4.447.538, e o número de organismos presentes de 1.315 para 32.213. A utilização de filtros de significância do alinhamento e de cobertura da seqüência recrutadora mostrou alta acurácia ao separar proteínas semelhantes, mas que possuem grupos de ortólogos distintos. A base enriquecida UEKO (UniRef Enriched KO) foi usada para testar a anotação automatizada de ESTs, como descrito anteriormente. A proporção de anotações trocadas diminuiu para 1% e as corretas aumentaram para 74%. Entretanto, as especulações continuaram freqüentes, mostrando que ainda existe muita informação a ser acrescentada. O número de anotações corretas, todavia, aumentou em 12%. Foram realizados também estudos de metagenomas de microbiota intestinal humana. Um deles, utilizando 13 amostras públicas comparou as anotações proporcionadas pelo KO e UEKO. Essa comparação mostrou que a base UEKO anota mais que KO, já que mais de 100 grupos tem alinhamento exclusivo com a base enriquecida. Entretanto, a grande diferença é de caráter qualitativo, uma vez que há uma melhoria nos escores atribuídos pelo BLAST e as sequências são anotadas por proteínas de clados mais próximos, o que foi demonstrado por análise filogenética. O outro estudo procurou analisar, filogenética e funcionalmente, a estrutura da microbiota e identificamos nas amostras certos padrões filogenéticos e funcionais. Esses grupos, chamados de enterotipos, possuem características que os diferenciam dos demais, como a super-representação em um determinado enterotipo de enzimas envolvidas na síntese de vitaminas, em relação aos demais.