Charla presentada en PyConAr 2012, UNQ.

1. Python para el procesamiento de
secuencias genéticas
Sebastián Bassi
sbassi@genesdigitales.com
Twitter: @sbassi

2. La naturaleza de la información genética
LOCUS NM_052948 3941 bp mRNA linear PRI 02­NOV­2012
DEFINITION Homo sapiens Rho GTPase activating protein 33 (ARHGAP33),
transcript variant 1, mRNA.
ACCESSION NM_052948
VERSION NM_052948.3 GI:289547505
SOURCE Homo sapiens (human)
ORGANISM Homo sapiens
Eukaryota; Metazoa; Chordata; Craniata; Vertebrata;
Euteleostomi;Mammalia; Eutheria; Euarchontoglires; Primates;
Haplorrhini;Catarrhini; Hominidae; Homo.
1 acgggcagcc gttaggggcg gggtctgcag ccgcccgcgc gcggctcgcg ccctcccctt
61 tgtgtcgcca tggcggcggc agcggcgacg agaacggcga gcgaggggtc gagcgcggcc
121 ggggcctgag gaggctacgc gaccatggtg gcacgcagca ctgacagcct ggatggccca
181 ggggagggct cggtgcagcc tctacccact gctggggggc ccagtgtgaa ggggaagcct
241 gggaagaggc tctcagctcc tcgaggcccc ttcccgcggc tggctgactg cgcccatttc
301 cactacgaga acgttgactt tggccacatt cagctcctgc tgtctccaga ccgtgaaggg
361 cccagcctct ctggagagaa tgagctggtg ttcggggtgc aggtgacctg tcagggccgt
421 tcctggccgg ttctccggag ttacgatgac tttcgttccc tggatgccca cctccaccgg
481 tgcatatttg accggaggtt ctcctgcctt ccggagcttc ccccgccccc cgagggtgcc
541 agggctgccc agatgctggt gccactgctg ctgcagtacc tggagacact gtcaggactg
601 gtggacagta acctcaactg cgggcctgtg ctcacctgga tggagctgga caatcacggc
661 cggcgactgc tcctcagtga ggaggcgtca ctcaatatcc ctgcagtggc ggccgcccat

3. La naturaleza de la información genética

4. La naturaleza de la información genética
Nomenclatura IUPAC
A = adenine
C = cytosine
G = guanine
T = thymine
R = G A (purine)
Y = T C (pyrimidine)
K = G T (keto)
M = A C (amino)
S = G C (strong bonds)
W = A T (weak bonds)
B = G T C (all but A)
D = G A T (all but C)
H = A C T (all but G)
V = G C A (all but T)
N = A G C T (any)

5. La naturaleza de
la información
genética

6. La naturaleza de la información genética
Ancho de banda de la información genética humana
3.120 Mbp/ genoma haplotide.
4 nt = 2 bits (00 A, 01 C, 10 T, 11 G)
Eyaculación promedio: 200M espermatozooides
3,12*109 * 2 bits * 2*108 = 1,28*1018 bits = 145.519,152 TB
Considerando duración de 5 segs: 29.104 TB/seg

7. La naturaleza de la información genética

8. La naturaleza de la información genética
¿Cómo llega la información biológica a ser digital?
Método enzimatico (antiguo aunque aun en uso)

9. Secuenciador enzimatico (ABI3700)

10. La naturaleza de la información genética
¿Cómo llega la información biológica a ser digital?
Método ionico

11. Secuenciador Iónico (ion torrent)

12. Problemas con secuencias
>gi|291310313|gb|GQ250366.1| Phomopsis sp. JMS­
2010j isolate 439B4 translation elongation factor
1­alpha (EF1­a) gene, partial cds
AAGGTTAGTAAATATCACAGTCACGGAACATGCTACCTGGCCCTCCATACT
GCACCTCAATCATCAGCCCGCAGCTGCTCGCGCGGCCTCGCCATGTCGGGG
GGCGCATTTTCACCCCTCGCTTTGGATTTTCAATTTTCAGTGCGAGTGCGG
GGTGCGCTTATCAGGGGGCGGGCTTATCTCCTACAACCAAAACCCTGTTAC
ATCACTCACTCAATCCTTGTCACCACCACCAATACGCTCACCATCAACCCC
ATCGCCTCTTTCAATACAACTCGTGAAACGCGT
>GQ250366_Phomopsis_sp.
AAGGTTAGTAAATATCACAGTCACGGAACATGCTACCTGGCCCTCCATACT
GCACCTCAATCATCAGCCCGCAGCTGCTCGCGCGGCCTCGCCATGTCGGGG
GGCGCATTTTCACCCCTCGCTTTGGATTTTCAATTTTCAGTGCGAGTGCGG
GGTGCGCTTATCAGGGGGCGGGCTTATCTCCTACAACCAAAACCCTGTTAC
ATCACTCACTCAATCCTTGTCACCACCACCAATACGCTCACCATCAACCCC
ATCGCCTCTTTCAATACAACTCGTGAAACGCGT

13. Problemas con secuencias
Secuencias con vectores, conectores y
productos de clonado

14. Problemas con secuencias
Diseño de secuencias para sintesis de ADN: Introducir
mutaciones puntuales manteniendo traducción pero
alterando el perfil de restricción.
Peptide: MGNCNGASK
ORIGINAL SEQUENCE:
7 FokI Tsp509I TspEI Sse9I
|
| 12 HpyCH4V CviRI
| |
| | 20 BseGI BstF5I
| | |
ATGGGTAATTGCAACGGGGCATCCAAG
|||||||||||||||||||||||||||
TACCCATTAACGTTGCCCCGTAGGTTC
1 27

15. Problemas con secuencias
Diseño de secuencias para sintesis de ADN: Introducir
mutaciones puntuales manteniendo traducción pero
alterando el perfil de restricción.
Peptide: MGNCNGASK
5 MaeIII
|
| 7 FokI
| |
| | 12 HpyCH4V CviRI
| | |
| | | 20 BseGI BstF5I
| | | |
ATGGGTAACTGCAACGGGGCATCCAAG
|||||||||||||||||||||||||||
TACCCATTGACGTTGCCCCGTAGGTTC
1 27

16. Biopython
Conjunto de herramientas libres en Python para bioinformática
y biología molecular
Algunas características:
●Parseo archivos bioinformáticos en estructuras propias
de Python
●Clase “sequence” para guardar secuencias, ids y
distintas caracteristicas (features)
●Interfaces con programas bioinformáticos típicos
(clustalw, blast, primer3 and more)
●Herramientas para realizar operaciones comunes con
secuencias de ADN y proteinas (traducción, transcripción,
Tm, peso molecular)
●Código para gestionar alineamientos
●Integración con otros lenguajes como BioCorba

17. Aportes a Biopython
Código:
●Tm function
●LCC function
●2 checksums function in Bio.SeqUtils.CheckSum
Otros:
●Feedback
●Bug reporting
●Testing (BLAST, SFF files, BioSQL)

18. Clase secuencia
>>> from Bio.Seq import Seq
>>> from Bio.Alphabet import IUPAC
>>> seq = Seq('GATCGATGGGCCTATATA',
IUPAC.unambiguous_dna)
>>> rna = seq.transcribe()
>>> str(rna)
'GAUCGAUGGGCCUAUAUA'
>>> rna.translate()
Seq('DRWAYI', IUPACProtein())

19. Clase SeqIO
class Convert_fasta_header():
''' Convert '''
def __init__(self, seq_file_in, seq_file_out):
''' Read files into seq objects '''
self.fh = open(seq_file_in, "rU")
self.seqs = []
for rec in SeqIO.parse(self.fh, "fasta"):
self.c = rec.description.split('|')[3].split('.')[0]
self.n = rec.description.split(' ')[1]
self.n2 = rec.description.split(' ')[2].split('.')[0]
self.new_header = '_'.join([self.c, self.n, self.n2])
rec.description = ''
rec.id = self.new_header
self.seqs.append(rec)
self.fh.close()
self.fh = open(seq_file_out, "w")
SeqIO.write(self.seqs, self.fh, "fasta")
self.fh.close()

20. Búsqueda BLAST
from Bio.Blast import NCBIStandalone as BLAST
r,e = BLAST.blastall(b_exe, 'blastn', b_db,f_in,
gap_open='3', gap_extend='2',
wordsize=20, expectation=1e-50,
alignments=1, descriptions=1,
align_view='0', html='F')
Analizar el resultado del BLAST
from Bio.Blast import NCBIXML
for rec in NCBIXML.parse(r):
for align in rec.alignments:
for hsp in align.hsps:
print hsp.query_start, hsp.query_end
print hsp.sbjct_start, hsp.sbjct_end
if hsp.identities>90:
print align.title

21. Análisis de restricción
# Hacer analisis de restriccion.
anal = Restriction.Analysis(Restriction.CommOnly, dna)
anal.print_as("map")
anal.print_that()
# Guardar las enzimas que cortan esta seq.
enzORI = anal.with_sites().keys()
enzORIset = set(enzORI)
(...)
anal = Restriction.Analysis(Restriction.CommOnly,
Seq.Seq(x, IUPAC.unambiguous_dna))
enzTMP = anal.with_sites().keys()
enzTMPset = set(enzTMP)
if enzTMPset!=enzORIset and enzORI!=None:
pames = str(enzTMP)[1:-1]
print 'Proposed sequence enzymes: %s' % pames

22. SNPs en 23andme

23. # https://www.23andme.com/you/download/revisions/
#
# More information on reference human assembly build 36:
# http://www.ncbi.nlm.nih.gov/projects/mapview/map_search.cgi?
taxid=9606&build=36
#
# rsid chromosome position genotype
rs4477212 1 72017 AA
rs3094315 1 742429 AA
rs3131972 1 742584 GG
rs12124819 1 766409 AA
rs11240777 1 788822 GG
rs6681049 1 789870 CC
rs4970383 1 828418 AC
rs4475691 1 836671 CT
rs7537756 1 844113 AG
rs13302982 1 851671 GG
rs1110052 1 863421 GT
rs2272756 1 871896 AG
rs3748597 1 878522 CC
rs13303106 1 881808 AG
rs28415373 1 883844 CC

24. class SNPdata():
''' Retrieve SNP data '''
def __init__(self, seq_file_in):
fh = open(seq_file_in)
rsid = {}
for line in fh:
if not line.startswith("#"):
data = line.split()
rsid[data[0]] = {'chromosome':data[1],
'position':int(data[2]),
'genotype':data[3]}
fh.close()
def __getitem__(self, x):
return rsid[x]
def __len__(self):
return len(rsid)

25. Mas información
Biopython website: www.biopython.org
Documentation: biopython.org/wiki/Category:Wiki_Documentation
Cock PJ, et al. “Biopython: freely available Python tools for
computational molecular biology and bioinformatics”. Bioinformatics
2009 Jun 1; 25(11) 1422-3. doi:10.1093/bioinformatics/btp163
pmid:19304878.
Bassi S (2007) A Primer on Python for Life Science Researchers. PLoS
Comput Biol 3(11): e199. doi:10.1371/journal.pcbi.0030199
Book: “Python for Bioinformatics” http://tinyurl.com/biopython
Mailing list:
Users: http://lists.open-bio.org/mailman/listinfo/biopython/
Developers: http://lists.open-bio.org/mailman/listinfo/biopython-dev
Python in Argentina: www.python.org.ar

26. ¡Gracias!