Introduzione alla Bioinformatica

• Gli appunti riguardano la bioinformatica, scienza multidisciplinare che integra informatica, chimica, matematica e biologia per raccogliere ed elaborare dati biologici.
• Gli appunti sono relativi al corso di laurea in Biotecnologie Vegetali e Microbiche.
• Il file è stato elaborato da Del Rio Elena nell'anno accademico 2021-2022.

Introduzione alla Bioinformatica

• Il genoma è l'insieme degli acidi nucleici di un organismo aploide, comprendente sequenze codificanti e non codificanti, elementi di controllo e regolazione.
• Gli eucarioti hanno genomi nel nucleo, mitocondri e cloroplasti, con variabilità estrema nel numero di geni e genome type.
• La genomica studia il genoma e necessita di gestire grandi quantità di informazioni biologiche grazie ai progressi nel sequenziamento del DNA.
• La bioinformatica si articola su un aspetto computazionale (analisi in silico) e una parte applicativa (soluzione di problemi biologici da parte dell'utente).
• Il biotecnologo definisce il problema, il bioinformatico formalizza il modello, ed il biotecnologo valuta il software.
• La bioinformatica si occupa della progettazione di software, creazione di database, analisi di sequenza, funzioni e strutture.
• I database biologici archiviano i dati in modo ordinato e accessibile, includendo dati grezzi.
• L'analisi di sequenza confronta vari tipi di informazioni nella sequenza.
• L'analisi della funzione caratterizza il profilo di espressione genica.
• L'analisi della struttura è fondamentale per RNA e proteine, prevedendo strutture e ruoli.
• La bioinformatica si occupa dell'analisi e interpretazione dei dati biologici, dello sviluppo di strumenti e nuovi algoritmi.
• Le unità di informazione includono DNA, RNA e proteine, con analisi di struttura, sequenza, pathway metabolico e mutazioni.

DNA Sequencing

• Un punto fondamentale per gli studi di bioinformatica è la disponibilità di un genoma di riferimento, che permette di decodificare l’informazione genetica attraverso, ad es., studi di genetica comparata.
• Lo studio consente di definire varianti frequenti e rare, potenzialmente associate a patologie.
• Mettere in ordine ed orientare correttamente le sequenze ottenute dal sequenziatore è complesso, data la lunghezza inferiore dei frammenti rispetto al genoma.
• A partire dal 2008 si è notato un calo dei costi di sequenziamento.
• I costi maggiori sono dovuti all'analisi dei dati più che al sequenziamento stesso.
• I dati sono conservati in database primari e secondari (NCBI, ENA, DDBJ), accessibili tramite sistemi come Entrez.
• Gli scienziati devono integrare informazioni da database eterogenei.

L'informatica Essenziale

• Tutti i sistemi informatici moderni sono collegati tra loro tramite un'architettura logica: l'architettura di Von Neumann.
• L'hardware include CPU, RAM, ROM, memorie secondarie e periferiche.
• Il software include programmi o applicazioni eseguite dal calcolatore.
• Un sistema operativo gestisce risorse, storage di dati, input/output e l'interfaccia utente.
• I linguaggi di programmazione formalizzano istruzioni e gli algoritmi possono essere implementati in diversi linguaggi.
• Un database è un sistema di archiviazione di dati organizzati.
• Ci sono database non relazionali (struttura semplice) e relazionali (basati su relazioni tra dati).

Piattaforme di Sequenziamento degli Acidi Nucleici

• Le NGS (Next Generation Sequencing) incrementano la capacità produttiva ed eseguono più sequenziamenti in parallelo.
• Il metodo Sanger prevede la sintesi di filamenti di DNA complementare interrotti da deossinucleotidi, con lettura tramite separazione elettroforetica su gel.
• Le NGS superano i limiti del Sanger, con tecnologie che includono o meno una fase di amplificazione.
• Le tecnologie più recenti (Oxford Nanopore, PacBio) hanno un alto tasso di errore.
• Con le NGS è aumentata l'efficienza della produzione di sequenze, però sono aumentati gli errori.
• Le tecnologie Illumina e 454 Roche generano un numero elevato di reads con elevata accuratezza ma lunghezza ridotta.
• Il metodo 454 Roche prevede estrazione degli acidi nucleici, frammentazione, aggiunta di adattatori, amplificazione clonale e determinazione della sequenza.
• Illumina produce sequenze di circa 150bp, e con il seq paired, riesce ad ottenere le prime 150bp da un lato e dall'altro.
• La tecnica di sequenziamento PacBio effettua il sequenziamento del DNA a singola molecola tramite l'uso di sofisticati strumenti ottici e guide d'onda.
• Tramite FASTA si caratterizza il riepilogo dei formati dei dati genomici e si immagazzinano sequenze in forma standardizzata.
• Con 'fastq' la prima riga è l'intestazione, e riporta il nome della seq ed altre specifiche della piattaforma di sequenziamento; la 2° riga contiene la seq ordinata delle basi ottenuto tramite il base calling; la 3° riga è uno spaziatore, generalmente identificata con "+", che segnala la presenza dei punteggi di qualità che si trovano sulla 4° riga.

Valutazione Qualità Reads

• I punteggi di qualità sono determinati tramite il Quality score su ogni base.
• Al sistema “Phred” viene associato un punteggio numerico compreso tra 0 e 40 che rappresenta in scala logaritmica la probabilità di errore P, associata alla chiamata di ciascuna base.

Letteratura Scientifica e Uso Risorse Online

• Solitamente il primo autore è quello che ha svolto la maggior parte del lavoro; mentre l'ultimo autore è colui che deve essere contattato per fornire ulteriori chiarimenti e coordinare il progetto di ricerca.
• La struttura dei lavori scientifici scientifici consistono in:
  • Titolo
  • Abstract
  • Keywords
  • Main text(IMRAD)
  • Conclusion
  • Acknowledgement
  • References
  • Supplementary Data.
• L'IF, o impact factor, si calcola come il numero medio di citazioni per articolo per anno.

Confronto di Sequenze

• Il confronto di sequenza consiste nel confrontare la sequenza isolata (già note), fare ipotesi della loro evoluzione, studiare sequenze amminoacidiche.
• La sua funzione è estesa anche a sequenze non identiche.
• Si possono fare supposizioni sulla funzione di un nuovo gene, circa la forma e la struttura della proteina. — stabilità della proteina
• Il confronto dà informazioni sulla filogenesi del gene di interesse o di un organismo.
• Questo consiste nell'allinearle orizzontalmente, incolonnando i residui.
• Il suo obiettivo è massimizzare l'allineamento.
• Questo può essere di tipo:
• globale: è una rappresentazione tot della seq, compreso anche quello che non è condiviso
• locale: presenta solo le regioni condivise, che hanno le stesse basi e lo stesso ordine
• Si vanno quindi a cercare sequenze simili tramite risorse in database pubblici. — GenBank — Swiss-prot — programmi - BLAST - FASTA.
• La similarità va a quantificare attraverso un valore %.

Differenza tra Similarità e Omologia

• Gli scienziati si riferiscono all'omologia e non può essere espressa in termini %, ma in termini di sì o no (o sono omologhe o non lo sono).
• 2 geni si dicono omologhi se derivano da un progenitore (ancestore) comune. — seq ortologhe appartengono a specie diverse — seq paraloghe il processo di diversificazione ha avuto origine in seguito ad un processo di duplicazione genica
• Il metodo confronto e crea a diagrammi ad albero consente la filogenesi.

Dot Plot

• Per la comparazione si utilizza il dot plot; metodo introdotto negli anni ‘70.
• Permette: — Permette di confrontare 2 seq diverse o una sequenza con sé stessa. — Di visualizzare regioni di similarità locale.