Filogenesi: Esercitazione Matlab - molsim.sci.univr.itmolsim.sci.univr.it/2012_bioinfo2/filogenesi_matlab.pdf · Che cos’è MATrix LABoratory ... Statistica Elaborazione di immagini

Introduzione Primi passi Costruzione di un albero filogenetico Esercizio

Filogenesi:Esercitazione Matlab

Anno Accademico 2010/2011

Laboratorio di Bioinformatica II


Contenuti

1 IntroduzioneIntroduzione a MatlabBioinformatics Toolbox

2 Primi passiAnalisi filogeneticaL’ambiente Matlab

3 Costruzione di un albero filogeneticoImportazione del datasetCalcolo delle distanze e modelli di sostituzioneScelta dell’algoritmoValidazione

4 Esercizio


Introduzione a Matlab

Che cos’èMATrix LABoratory

Sistema interattivo per il calcolo tecnico e scientifico

Linguaggio di programmazione

Internamente: librerie numeriche altamente ottimizzate

Una caratteristica di Matlab è l’espansibilità delle sue funzioni,attraverso delle soluzioni denominate toolbox. Tali toolbox sonocollezioni complete di funzioni Matlab per risolvere particolaricategorie di problemi.


I toolbox

Statistica

Elaborazione di immagini

Elaborazione di segnali

Pattern recognition

Bioinformatica

Sistemi di comunicazione

Sistemi di controllo

Economia & Finanza

Calcolo parallelo

. . .


Applicazioni per la bioinformatica

1 Analisi di sequenzeAllineamento, primer design, identificazione di motivi

2 Analisi di dati microarrayAnalisi di immaginiNormalizzazione dei datiClustering & data mining

3 ProteomicaAnalisi di dati da spettrometria di massa

4 Systems BiologySimulazione di pathway metabolici

5 Filogenesi


Passi di un’analisi filogenetica

1 Costruzione del datasetOttenere le sequenze geniche o proteiche degli organismiin esame

2 Allineamento multiplo di sequenzeCercare l’allineamento migliore introducendo gap

3 Costruzione dell’alberoDefinire una “distanza evolutiva” tra tutte le coppie disequenzeScegliere un algoritmo di clustering per costruire l’albero(UPGMA, Neighbor Joining)

4 ValidazioneDeterminare la robustezza dell’albero


Un tipico comando Matlab

m_alignment = multialignread(

’PF0002.aln’)

;



Risultato


’PF0002.aln’)

;



Risultato


’PF0002.aln’)

;

Nome del comando



Risultato


’PF0002.aln’)

;

Nome del comando

Argomenti in input



Risultato


’PF0002.aln’)

;

Nome del comando

Argomenti in input

NotaPer i comandi di visualizzazione non è necessario specificareun risultato.


L’interfaccia grafica

Sotto Applicazioni −→ Programmazione


Il problema

Il virus dell’HIVLe mutazioni si accumulano nel genoma dei patogeni durante ilpropagarsi dell’infezione. Questa informazione può essereutilizzata per studiare la storia degli eventi di trasmissione, ecome evidenza per l’origine dei diversi ceppi virali.

Caratterizzazione (ad oggi)

Ci sono due ceppi ben caratterizzati nell’AIDS umano: il tipo 1(HIV-1) e il tipo 2 (HIV-2). Entrambi i ceppi rappresentanoinfezioni cross-species. Il portatore dell’HIV-2 è statoidentificato nella specie Cercocebus atys, mentre quellodell’HIV-1, sebbene dibattuto, si ritiene essere lo scimpanzè(Pan troglodytes)


I dati

Sequenze della proteina codificata da pol

Le sequenze sono già allineate

aapol = fastaread(’hivseq.fas’);

Provare a visualizzare l’allineamento con il comando

multialignviewer(aapol);


I dati

Sequenze della proteina codificata da pol

Le sequenze sono già allineate

aapol = fastaread(’hivseq.fas’);

Provare a visualizzare l’allineamento con il comando

multialignviewer(aapol);

NotaSalvare ed estrarre i file nella propria home!


Definire una distanza

DistanzaSi basa tipicamente sul numero di sostituzioni che ci sono tra ledue sequenze (numero di caratteri diversi).

Sintassi del comando

d = seqpdist(aapol,’method’,’Tipo di distanza’);


Definire una distanza (2)

p-distance

Percentuale di siti aminoacidici dove le due sequenze sonodifferenti.

≈ 1 se le sequenze sono molto diverse, ≈ 0 se sono benallineate.

Sintassi

d = seqpdist(aapol,’method’,’p-distance’);


Definire una distanza (3)

Jukes-CantorStima Maximum Likelihood delnumero di sostituzioni tra duesequenze. In pratica ho unmodello che mi dice quantopesare una sostituzione.

Modello

A T C GA - α α α

T α - α α

C α α - α

G α α α -

Sintassi

d = seqpdist(aapol,’method’,’Jukes-Cantor’);


Scelta dell’algoritmo

L’albero filogenetico viene costruito a partire dalle distanzecalcolate:

Utilizzo di metodi di clustering generici (UPGMA)

Utilizzo di metodi nati ad hoc per la filogenesi (NeighborJoining)

Sintassi del comando

tree = seqlinkage(d,’metodo’,aapol);tree = seqneighjoin(d,’metodo’,aapol);


Unweighted pair group method using arithmetic averages

UPGMAApproccio di base

La distanza tra cluster è definita come la media delledistanze di tutte le possibili coppie formate da un punto delprimo e un punto del secondo

Da un punto di vista biologico è piuttosto povero: assumeun rate di evoluzione costante

Sintassi

tree = seqlinkage(d,’UPGMA’,aapol);tree = seqlinkage(d,’WPGMA’,aapol);


Neighbor Joining

IdeaInvece di raggruppare i cluster Ci e Cj più vicini fra loro, allostesso tempo:

Minimizza la distanza tra Ci e Cj

Massimizza la separazione di Ci e Cj (entrambi) dagli altricluster

Calcola esplicitamente la lunghezza dei rami

Sintassi

tree = seqneighjoin(d,’equivar’,aapol);


Visualizzare l’albero

Sintassiphytreetool(tree);


Validazione

1 Validazione biologica:Il ceppo dell’HIV2 forma un cluster abbastanza compattoAntenato comune tra uomo e Sooty Mangabey(Cercocebus atys)Ragionamento analogo per HIV1: ultima divergenzaevolutiva tra uomo e scimpanzè

2 Validazione numerica - Bootstrap:Vengono creati M nuovi dataset campionando casualmenteN colonne (con rimpiazzo) e, costruito l’albero per ognidatasetPer ogni sotto-albero dell’albero originale, conto quantevolte compare con la stessa topologia negli alberi dibootstrapRisultato: indice che misura la robustezza dell’albero


Ricapitolando...

» aapol = fastaread(’hivseq.fas’); %caricoi dati

» multialignviewer(aapol);» d = seqpdist(aapol,’method’,’Jukes-Cantor’);» tree = seqlinkage(d,’WPGMA’,aapol);» phytreetool(tree); %visualizzo l’albero


Esercizio

Cercare su pfam la famiglia PF00002 e scaricarel’allineamento

Importare i dati in Matlab con la funzionem = multialignread(’file’); oppurem = fastaread(’file’); (dipende dal formato)Costruire l’albero filogenetico

Provare diversi tipi di distanzeProvare diversi algoritmi di clustering

Testare la robustezza dell’albero con la tecnica delbootstrap


Esercizio (2)

Comandi utilim = fastaread(’file’);

m = multialignread(’file’);

multialignviewer(seq);

d = seqpdist(seq,’method’,’tipo_distanza’);

t = seqlinkage(dist,’variante_alg’,seq);

t = seqneighjoin(dist,’variante_alg’,seq);

phytreetool(albero);

Pc = bootstrap(seq,albero,n_reps);


Esercizio (2)

Comandi utilim = fastaread(’file’);

m = multialignread(’file’);

multialignviewer(seq);

d = seqpdist(seq,’method’,’tipo_distanza’);

t = seqlinkage(dist,’variante_alg’,seq);

t = seqneighjoin(dist,’variante_alg’,seq);

phytreetool(albero);

Pc = bootstrap(seq,albero,n_reps);

NotaMatlab offre un help molto semplice e dettagliato!

Documents

Filogenesi: Esercitazione Matlab - molsim.sci.univr.itmolsim.sci.univr.it/2012_bioinfo2/filogenesi_matlab.pdf · Che cos’è MATrix LABoratory ... Statistica Elaborazione di immagini