Plan. Pensum i bioinformatikk. Hva er bioinformatikk?

Transkript

1 Bioinformatikk - et interessant forskningsfelt for statistikere? Mette Langaas Hva er bioinformatikk? Plan Bakgrunn i biologi (gen, genom). Forskningsområder innen bioinformatikk. Funksjonell genomikk: Genekspresjon. DNA microarray data Statistiske metoder for DNA microarray data PubGene, et litteratur-nettverk som kan kombineres med DNA microarray data Hvordan kan statistikere bidra? Figur fra The Human Genome Project Hva er bioinformatikk? Pensum i bioinformatikk Ifølge Professor R. Altman (lederartikkel i Bioinformatics) bør pensum inneholde: Bioinformatikk er et tverrfaglig forskningsområde der matematikk, statistikk og informatikk anvendes til å analysere data som er produsert av eksperimentelt arbeide innen biokjemi, cellebiologi og genetikk. Definisjon benyttet ved Chalmers Universitet. biologi: generelt: molekyl ærbiologi, cellebiologi og genetikk informatikk generelt: programmering, datastrukturer, algoritmer og håndtering av databaser mer spesielt: dynamisk programmering, søkealgoritmer, optimering statistikk generelt: sannsynlighetsteori,statistisk forsøksplanlegging, statistisk analyse og stokastiske prosesser mer spesielt: klusteranalyse, klassifikasjon, nevrale nettverk, genetiske algoritmer og Bayesiansk inferens "bioinformatiske kjernefag" generelt: biologiske databaser, annotasjon av biologiske sekvenser, metoder som støtter laboratorie-arbeid, proteinstruktur mer spesielt: sammenligning av biologiske sekvenser (sequence alignment), Hidden Markov Models og fylogenetiske trær etikk Cellen Kopiert fra foredrag av Terry Speed, ppt Figur fra The Human Genome Project at

2 Figur fra The Human Genome Project at Figur fra The Human Genome Project at Proteinsyntese: translasjon og transkripsjon Noen forskningsområder innen bioinformatikk funksjonell genomikk: utforske funksjonen til genomet, dvs. rollen til hvert gen. proteomikk: hvilke proteiner er tilstede i en celleog hvordan samvirker de ulike proteinene? strukturell genomikk: bestemme den tredimensjonale strukturen til proteiner som er kodet i genomet. pharmacogenetikk: hvordan påvirker ulike genetiske forskjeller en pasients respons på medisiner komparativ genomikk: studere funksjonen til menneskets gener og andre områder av menneskets DNA ved å studere deres paralleller i andre organismer (f.eks. mus). Figur fra The Human Genome Project at Funksjonell genomikk Genekspresjon Genekspresjon. DNA microarray eksperiment og data Statistiske metoder for DNA microarray data PubGene, et litteratur-nettverk som kan kombineres med DNA microarray data. The process by which a gene's coded information is converted into the structures present and operating in the cell. Expressed genes include those that are transcribed into mrna and then translated into protein and those that are transcribed into RNA but not translated into protein (e.g., transfer and ribosomal RNAs)

3 Måle genaktivitet -- før og nå Molekylærbiologi Ett gen analysert for mange sample ved blots Funksjonell genomikk Tusenvis av gener analysert i parallell Anvendelsesområder for microarrays for genekspresjon Sykdomsdiagnostikk og behandling Hvilket ekspresjonsmønster er typisk for en sykdom.. eller kan brukes til å foreslå en behandling? Identifikasjon av nye kandidat-gener for behandling. Hvilke gener påvirkers av en bestemt behandling? Klassifikasjon av sykdommer fra genekspresjon. Tidsutvikling sykdom og behandling Landbruk Matanalyser (Genetisk Modifisert Organismer) Biologisk spørsmål/hypotese Hvilke gener er aktive i kreftsvulster vs. normalt vev? Eksperimentelt design Microarray eksperiment Statistisk analyse Biologisk verifikasjon og fortolkning Microarray eksperiment 1. Microarray printing: Små mengder av tusenvis av klonede eller syntetisk fremstilt DNAfragmenter (gener) avsettes på en glassplaten (kalt microarryen) 2. Merking og hybridisering: mrna fra vevsprøver (som representerer alle aktive gener) merkes og reagerer (hybridiserer) med fragmentene på glassplaten. 3. Måling av intensitet: Intensiteten i hvert punkt (spot) angir aktiviteten til det tilhørende genet. Med inspirasjon fra foredrag av Terry Speed, -ts-sko01.html Microarray printing Microarray printing Robotic printing on glass microscope slides Collections of thousands of cloned gene fragments Arrays of spots of gene fragments e.g /cm 2 Figur fra Ola Myklebost

4 Microarray fra Mikromatriseprosjektet ved Radiumhospitalet 2700 humane genes tilgjengelig siden desember kr /pr slide Microarray- printer ved NTNU, bildet er hentet fra Eksperiment av Anne Forus Microarray eksperiment: merking og hybridisering Microarray eksperiment: Måling av intensitet Tumor mrna cdna Referanse mrna cdna RNA vevsprøver Revers transkripsjon Fluorescentmerket cdnas Image acquisition Confocal optics One gray scale image for each fluorochrome Digital image processing Hybridisering 2 lasers Vasking etc. Figur fra Ola Myklebost Figur fra Ola Myklebost Data fra microarray eksperimenter For hvert eksperiment (array): G gi =intensitet for grønt-merket sample for gen g i microarray i R gi =intensitet for rødt-merket sample for gen g i microarray i Vanligvis dannes log-ratio intensiteter fra hvert eksperiment: X gi =log 2 (R gi /G gi ) Dette fordi biologer bruker en felles referanse, og gjør parvise sammenligninger. sample 1 sample 2 sample 3 reference sample n reference reference reference Data matrise: {X gi } for g=1,...,#gener og i=1,...,#microarrays Data fra microarray eksperimeter Men egentlig intensiteter (og ikke ratioer): {Y gid } for g=1,...,#gener, i=1,...,#microarrays, d=1,2 merkestoff, som mengden {Y gid } = { G gi,r gi }. Vanskelig å overbevise biologer om at intensiter kan brukes, og gir mer informasjon enn ratioer. Analyse av data fra microarrays er VANSKELIG pga: Store datamengder typisk samples og gener (variable). Mangende data eller upålitelige data. Statistiske metoder er ikke tilpasset eller nye metoder er ikke utviklet

5 Analyse av genekspresjons data OPPGAVE planlegge eksperiment fra bilde til intensitet håndtere systematiske feil håndtere manglende data finne lignende grupper av gener og/eller samples diskriminere mellom to eller flere grupper av samples klassifisere ett nytt sample til en av mange klasser (eller beregne klasse sannsynligheter) finne gener som er ulikt uttrykt (alle samples eller subsett) METODE forsøksplanlegging bildeanalyse ad hoc, trenger statistisk modell! analyse av manglende data clustering diskriminering og klassifikasjon bootstrapping, multippel testing egenskapsutvelgelse Statistisk modell for data fra cdna eksperimenter Utgangspunkt: scannede microarrays, 2 bilder (16 bit) fra hvert DNA microarray eksperiment. Utallige kilder til systematiske feil, bla. ulik effektivitet av de to fargestoffene effekt av penn romlige effekter over glass-platen scanner-innstillinger, etc. Kilder til tilfeldige feil Statistisk modell som tar hensyn til systematiske og tilfeldige feil. Sluttprodukt: Intensiteter, eller videre statistiske analyser. Web-basert implementasjon Romlig systematisk effekt? Intensitet=spot- bakgrunn Glattet intensitet Intensitet -glattet intensitet PubGene litteratur-nettverk som kan kombineres med DNA microarray data rød grønn Figur fra Petter Mostad, Bioinformatics ved Chalmers, PubGene Bakgrunn: Funksjonen til gener kan forstås ved å se på relasjoner mellom gener. Mye informasjon om funksjonen til gener er lagret kun som (fri -tekst) artikler. Hypoteser: At to gener nevnes sammen (i artikkel-tittel eller artikkel-abstract) betyr at det finnes en underliggende sammenheng. Viktig informasjon kan ekstraheres fra titler og abstracts PubGene Løsning: Finner par av gener som nevnes sammen i litteraturen (10 millioner MEDLINE titler og abstracts). [Finner først gen-artikkel matrise, konverterer den til gen-gen matrise.] Visualiserer gen-gen nettverk. En web-site: I tillegg: kombinerer et genekspresjons datasett med litteraturnettverket. Utfordinger: Mange gener har ikke offisielle navn. Mange navn på hvert gen: gen-symboler, korte gen-navn, lange gen-navn, IMAGE clone-id. Få ned feilraten. Oppnådd: Rask og effektiv tekstmining er nyttig. Effektivitet vs.presisjon (statistiske analyser er dyre)

6 PubGene clustering av data fra genekspresjon Hvordan kan statistikere bidra? For å lykkes kreves tett tverrfaglig samarbeid: biologer-medisinere-biokjemikere-genetikereinformatikere og STATISTIKERE! Stort behov for statistisk tankesett innen analyse av genekspresjonsdata tilfeldig og systematisk støy, replikasjon, reproduserbare analyser. Statistiske utfordringer IDAG: Forsøksdesign: konkurrenter til referansedesign. Utarbeide statistisk modell for å håndtere systematiske og tilfeldige feil med utgangspunkt i scannede microarrays. Metoder for å håndtere manglende (og sensurerte) verdier. Generelt metoder for stor-p-liten-n Bioinformatikk - et interessant forskningsfelt for statistikere? Viktige biologiske og medisinske problemstillinger Nytt fagfelt med spennende teknologi Store datamengder Mangel på statistisk ekspertise Mange statistiske utfordringer JA!