Fiche de révision : Données et outils in silico

📋 Plan du Cours

1. Fondements de la bio-informatique
2. Niveaux et champs d’application
3. Nomenclature et portails bio-informatiques
4. Bases de données biologiques
5. Principes des alignements de séquences
6. Identité, similarité et homologie
7. Matrices et pénalités de brèches
8. Optimisation et format FASTA
9. Recherche locale avec BLAST
10. Alignements multiples et Clustal

📖 1. Fondements de la bio-informatique

🔑 Notions clés & Définitions

• Bio-informatique : Domaine multidisciplinaire qui utilise des méthodes informatiques pour résoudre des problèmes scientifiques posés par la biologie.

📝 Points essentiels

• Le terme « biologie in silico » désigne aussi la bio-informatique, par analogie avec in vitro et in vivo, et dérive de l’anglais silicon, le silicium des processeurs.

• Les premières études biologiques ayant recours à l’informatique ont suivi la découverte de la structure de l’ADN en 1953 et accompagné le déchiffrement du code génétique dans les années 1960.

• Les fondations théoriques de la bio-informatique sont apparues dans les années 1970, et la discipline s’est le plus développée dans les années 1980.

• La bio-informatique s’est démocratisée en France au début des années 2000 et occupe depuis une place prépondérante dans de nombreuses disciplines biologiques, médicales et pharmaceutiques.

📖 2. Niveaux et champs d’application

★ À maîtriser

• Les trois niveaux de pratique sont :

  • la recherche d’informations stockées dans des bases de données
  • le dry lab, fondé exclusivement sur des outils et données bio-informatiques
  • la computational biology, qui crée des modèles informatiques ou des outils nouveaux

• La bio-informatique moléculaire analyse les données de séquences d’ADN ou de protéines, notamment pour repérer des ressemblances, des gènes et des régions biologiquement pertinentes.

Compléments

• La bio-informatique structurale reconstruit, prédit ou analyse la structure tridimensionnelle et le repliement des macromolécules biologiques.

• La bio-informatique des réseaux étudie les interactions entre gènes, protéines, cellules ou organismes et permet une vision intégrée de systèmes biologiques multiéchelles et dynamiques.

📖 3. Nomenclature et portails bio-informatiques

★ À maîtriser

📌 Une nomenclature commune des gènes et des protéines réduit les ambiguïtés et les erreurs et permet aux acteurs scientifiques et médicaux de se comprendre.

Compléments

• Le HUGO Gene Nomenclature Committee (HGNC) attribue à chaque gène un nom officiel associé à un symbole unique.

• La Human Genome Variation Society (HGVS) établit la nomenclature officielle de description des mutations aux niveaux génomique, transcriptionnel et protéique.

• Le National Center for Biotechnology Information (NCBI) aux États-Unis et le European Bioinformatics Institute (EBI) en Europe hébergent des bases de données et des outils bio-informatiques comparables.

📖 4. Bases de données biologiques

🔑 Notions clés & Définitions

• Base de données : Collection de données structurées, indexées et périodiquement mises à jour.

★ À maîtriser

• Les quatre catégories de sites sont :
  • les banques de séquences
  • les sites de génomique
  • les sites d’exploitation
  • les sites dédiés à de grands projets ciblés

Compléments

• Les informations sont organisées en six niveaux :

  • génomes
  • transcrits
  • protéines
  • fonctions
  • dysfonctions
  • références bibliographiques

• Chaque séquence déposée dans une banque de séquences reçoit un numéro d’accès unique qui permet de retrouver sans équivoque sa provenance et ses attributs.

• GenBank est une banque généraliste de séquences nucléiques qui accepte la redondance, tandis qu’UniProt/Swiss-Prot rassemble des séquences protéiques dans une base décrite comme fiable et sans redondance.

• Les sites de génomique fournissent des séquences de référence de génomes entiers avec leurs annotations et des outils de navigation appelés browsers.

📖 5. Principes des alignements de séquences

🔑 Notions clés & Définitions

• Alignement de séquences : Représentation de deux ou plusieurs séquences d’ADN, d’ARN ou de protéines les unes sous les autres afin de faire ressortir leurs régions identiques ou similaires.

★ À maîtriser

• Les régions conservées d’une séquence sont interprétées comme des zones soumises à une pression de sélection qui contribue au maintien de la fonction de la macromolécule.

Compléments

• Les brèches introduites dans un alignement correspondent à des insertions ou à des délétions de nucléotides ou d’acides aminés.

• L’alignement permet notamment : d’identifier des sites fonctionnels généralement conservés, de prédire la fonction d’une protéine par homologie avec une protéine de fonction connue, de prédire la structure d’une protéine si celle de sa protéine homologue est connue, d’établir une phylogénie à partir d’alignements multiples

💡 Astuce mémo

Des régions conservées signalent une pression de sélection qui maintient une fonction.

📖 6. Identité, similarité et homologie

🔑 Notions clés & Définitions

• Identité de séquences : Correspondance exacte du même nucléotide ou acide aminé à une position donnée de l’alignement.
• Similarité de séquences : Pour les protéines, positions où des acides aminés différents ont des propriétés physico-chimiques suffisamment proches pour qu’une substitution n’entraîne pas de changement notable des propriétés protéiques.
• Homologie de séquences : Parenté évolutive entre des séquences qui dérivent d’un ancêtre commun.

📝 Points essentiels

📌 Un pourcentage peut exprimer la similarité, mais l’homologie est une relation binaire et ne possède pas de pourcentage.

💡 Astuce mémo

Identité = même résidu ; similarité = propriétés proches ; homologie = ancêtre commun.

📖 7. Matrices et pénalités de brèches

🔑 Notions clés & Définitions

• Matrice de scores : Tableau de valeurs décrivant la probabilité que deux résidus apparaissent l’un en face de l’autre dans un alignement, au moyen de logarithmes de rapports de probabilités.

★ À maîtriser

📌 Les modèles de pénalité de brèche distinguent généralement le coût d’ouverture d’une brèche du coût d’extension, souvent inférieur, ce qui reflète l’apparition des insertions et suppressions par petits blocs.

Compléments

📌 Les matrices nucléiques utilisent généralement une récompense pour une correspondance et une pénalité pour une non-correspondance, tandis que les matrices protéiques tiennent aussi compte de la fréquence et de la nature chimique des acides aminés.

• Les matrices BLOSUM sont calculées à partir de fréquences de substitutions observées dans des blocs d’alignements de séquences apparentées sans brèches, et leur nombre indique le seuil de similarité utilisé pour regrouper les séquences.

• BLOSUM62 est une matrice standard pour des séquences modérément divergentes, avec ou sans brèches autorisées, tandis que BLOSUM45 est utilisée pour repérer des séquences plus éloignées.

• Une unité PAM équivaut à un changement moyen d’acide aminé toutes les cent positions, soit 1 %, et PAM120 ainsi que PAM250 figurent parmi les matrices couramment utilisées.

• Avec blastp, une pénalité d’ouverture de brèche de 11 et une pénalité d’extension de 1 s’associent à BLOSUM62, tandis que le couple associé à BLOSUM45 est 15/2.

📖 8. Optimisation et format FASTA

★ À maîtriser

• La programmation dynamique résout un problème d’optimisation en le divisant en sous-problèmes dépendants, stocke leurs solutions intermédiaires dans un tableau, puis choisit la séquence de solutions au score maximal.

• Un enregistrement FASTA comprend une ligne d’identification commençant par « > », suivie de lignes contenant une séquence nucléotidique ou protéique.

Compléments

• Pour aligner deux séquences par programmation dynamique, l’algorithme choisit entre apparier des résidus ou insérer une brèche dans l’une des deux séquences afin de maximiser le score total.

💡 Astuce mémo

FASTA : ligne d’identification « > », puis lignes de séquence.

📖 9. Recherche locale avec BLAST

🔑 Notions clés & Définitions

• BLAST : Altschul et col. - Basic Local Alignment Search Tool qui recherche des régions de similarité locale entre une séquence requête et des séquences d’une banque de données.
• E value : Nombre d’alignements que l’on s’attendrait à trouver dans une banque aléatoire avec un score supérieur ou égal à celui de l’alignement observé.

★ À maîtriser

• BLAST génère des mots courts dépassant un seuil de score, repère leurs positions dans la banque et étend les alignements locaux, puis classe les segments selon leur score maximal et calcule une E value.

Compléments

• Dans BLAST, la taille k des mots est de l’ordre de 3 pour les acides aminés et de 11 pour les acides nucléiques.

📌 blastn compare une requête nucléique à une banque nucléique, blastp une requête protéique à une banque protéique, blastx une requête nucléique traduite à une banque protéique, tblastn une requête protéique à une banque nucléique traduite, et tblastx des séquences nucléiques traduites des deux côtés.

• Une E value de 0,001 est typiquement utilisée comme seuil lors des recherches dans des banques de séquences, tandis qu’une E value élevée augmente le nombre de correspondances distantes mais aussi le taux d’alignements équivoques.

• Pour les séquences protéiques, un taux de similarité inférieur à 30 % ne permet généralement pas d’établir une relation évolutive par la seule comparaison des séquences.

💡 Astuce mémo

BLAST : mots, extension des segments, classement des scores.

📖 10. Alignements multiples et Clustal

🔑 Notions clés & Définitions

• Alignement multiple : Comparaison simultanée d’au moins trois séquences afin d’étudier des groupes de gènes ou de protéines apparentés et leurs motifs communs.

📝 Points essentiels

• L’alignement multiple aide à mettre en évidence des motifs communs liés à la fonction ou à la structure et à étudier les relations évolutives entre séquences apparentées.

📌 La programmation dynamique appliquée directement à n séquences devient impraticable en alignement multiple, car le temps et l’espace mémoire nécessaires augmentent exponentiellement avec leur nombre.

• Les stratégies progressives construisent un alignement multiple en alignant progressivement des paires de séquences, en choisissant une paire initiale puis en ajoutant des séquences à un alignement ou en regroupant des sous-familles.

• Clustal est une série de programmes d’alignement multiple comprenant notamment ClustalW, ClustalX et Clustal Omega.