Análisis básico de secuencias

Una vez que sabemos acceder y extraer secuencias de las distintas bases de datos, vamos a empezar a analizarlas.

EMBOSS

Usaremos diferentes programas del paquete de software EMBOSS.


Algunos programas de EMBOSS

  • infoseq: ¿Cuál es el %GC del genoma del HIV? ¿Y su longitud?
  • extractseq: ¿Podrías extraer los CDS e intrones del gen tat del HIV? ¿Cuál es su composición en GC%? Explica el resultado observado
  • revseq: Genera la secuencia complementaria inversa del HIV

Ejercicio

  1. Utilizando extractseq, haga el splicing del gen de la rodopsina de Xenopus y extraiga la CDS completa.
  2. Use plotorf para visualizar las ORFs en la CDS obtenida y confirmar que el splicing ha sido correcto.
  3. También puede utilizar cusp (véase más adelante) para contar los codones y confirmar que esta CDS tiene un solo codon de stop al final de la secuencia.

Análisis composicional

Ya hemos visto en el tema anterior como se determina la longitud y el contenido global en G+C (%GC) de una secuencia (infoseq). También es interesante determinar la variación espacial del %GC a lo largo de una secuencia (freak). ¿Qué observamos en el freak de la secuencia del HIV? ¿Qué explicación podríamos darle a priori a esa distribución?

La composición de una secuencia de ADN se puede estudiar determinando las frecuencias de mononucleótidos, dinucleótidos, etc… Para ello se usa una ventana movil que se va desplazando posición a posición a lo largo de la secuencia (compseq). Por ejemplo, para determinar la frecuencia de dinucleótidos se usa una ventana de tamaño 2 y salto de 1:

ATTCCGTGAACTG…

AT, TT, TC, CG, GT…

¿Qué observamos en la secuencia del HIV al calcular la proporción de mononucleótidos y dinucleótidos? ¿Qué significa la frecuencia esperada? ¿Cómo debe calcularse esta frecuencia esperada?


Uso de codones

Es importante subrayar que los codones no se cuentan cómo los trinucleótidos. Estos últimos se cuentan mediante compseq con una ventana solapante. Los codones son también trinucléotidos, pero NO solapantes. Otra cuestión a tener en cuenta es que los codones hay que contarlos en la fase correcta. El recuento de codones hay que hacerlo pues con el programa cusp. El uso de codones (o dialecto genético) es especie-específico en organismos unicelulares y región-específico en multicelulares.

Ejercicios (Analisis composicional & Uso de codones)

¿Cuáles son los codones más utilizados en cada una de las bacterias estudiadas? ¿Qué aminoácidos codifican esos codones? Compara el resultado con la base de datos del uso de codones.


Patrones en el ADN

Existen varias utilidades de EMBOSS para el descubrimiento de patrones (o motivos), tanto en el ADN como en las proteínas. Una manera visualizar estos patrones es mediante el llamado ‘juego del caos’. El programa de EMBOSS que permite obtener una representación caótica de una secuencia de ADN es chaos. Puede usar la secuencia de la región de la beta-globina humana para obtener su representación caótica, y compararla con la imagen que se obtiene tras aleatorizar la secuencia mediante suffleseq.

¿Qué diferencias se observan entre la secuencia real y la aleatorizada? ¿Qué representan los huecos de puntos en la figura obtenida para la secuencia real?


Mapas de restricción

El programa ‘restrict‘ permite obtener un listado de las dianas que presenta una secuencia problema de ADN para distintas enzimas de restricción. Se pueden especificar una o dos enzimas de restricción, o bien todas las enzimas de REBASE. Existen opciones para controlar los sitios que se quieren obtener y para elegir el formato de salida.