Este documento presenta un resumen de tres oraciones sobre bioinformática:
1) La bioinformática estudia la aplicación de herramientas computacionales para el análisis y gestión de datos biológicos.
2) La bioinformática ha evolucionado desde los primeros esfuerzos en los años 1960 para desarrollar bases de datos de proteínas hasta convertirse en una disciplina clave para proyectos de secuenciación genómica a gran escala en los años 1990.
3) La bioinformática utiliza métodos como el alineamiento de secuencias,
1. INSTITUTO DE MARINA MERCANTE ITSMEÑO
DE VERAGUAS
ASIGNATURA:
Biología
PROFESORA:
Lourdes Castillo
ESTUDIANTES:
Gadiel Herrera
Christian Campos
Alejandra Him
Brianth Magallon
NIVEL:
XII – B
TEMA:
Bioinformática
2011
2. Introducción:
Es una materia que se basa en la creación de vida artificial informática
como diferentes tipos de virus que se basan en el estudio de la
bioinformática.
Esta ciencia se basa en el estudio principal de lo que es un sistema
operador o una pagina Web o Internet esta materia se le puede
facilitar al estudiante por medio de este folleto que lleva
detalladamente desde su inicio hasta sus más grandes
descubrimientos en esta ciencia.
Esta es una de las materias mas osadas por los Jocker o Hacker que
se basan en la entrada a sistemas o privados o prohibidos por medio
de virus y claves que acceden a esta materia.
3. Bioinformática, según una de sus definiciones más sencillas, es la aplicación de tecnología
de computadores a la gestión y análisis de datos biológicos. Los términos bioinformática,
biología computacional y, en ocasiones, biocomputación, utilizados en muchas
situaciones como sinónimos, hacen referencia a campos de estudios interdisciplinarios muy
vinculados, que requieren el uso o el desarrollo de diferentes técnicas que incluyen
informática, matemática aplicada, estadística, ciencias de la computación, inteligencia
artificial, química y bioquímica para solucionar problemas, analizar datos, o simular sistemas
o mecanismos, todos ellos de índole biológica, y usualmente (pero no de forma exclusiva) en
el nivel molecular. El núcleo principal de estas técnicas se encuentra en la utilización de
recursos computacionales para solucionar o investigar problemas sobre escalas de tal
magnitud que sobrepasan el discernimiento humano. La investigación en biología
computacional se solapa a menudo con la biología de sistemas.
Los principales esfuerzos de investigación en estos campos incluyen el alineamiento de
secuencias, la predicción de genes, montaje del genoma, alineamiento estructural de
proteínas, predicción de estructura de proteínas, predicción de la expresión génica,
interacciones proteína-proteína, y modelado de la evolución.
Una constante en proyectos de bioinformática y biología computacional es el uso de
herramientas matemáticas para extraer información útil de datos producidos por técnicas
biológicas de alta productividad, como la secuenciación del genoma. En particular, el
montaje o ensamblado de secuencias genómicas de alta calidad desde fragmentos obtenidos
tras la secuenciación del ADN a gran escala es un área de alto interés. Otros objetivos
incluyen el estudio de la regulación genética para interpretar perfiles de expresión génica
utilizando datos de chips de ADN o espectrometría de masas.
4. Conceptos y alcance
Como se ha avanzado en la introducción, los términos bioinformática, biología
computacional y biocomputación son utilizados a menudo como sinónimos, apareciendo
con frecuencia en la literatura básica de forma indiferenciada en sus usos comunes. Sin
embargo, hay conformadas áreas de aplicación propias de cada término. El NIH (National
Institutes of Health, Institutos Nacionales de la Salud de los Estados Unidos), por ejemplo,
aún reconociendo previamente que ninguna definición podría eliminar completamente el
solapamiento entre actividades de las diferentes técnicas, define explícitamente los términos
bioinformática y biología computacional:
• Bioinformática es la investigación, desarrollo o aplicación de herramientas
computacionales y aproximaciones para la expansión del uso de datos biológicos,
médicos, conductuales o de salud, incluyendo aquellas herramientas que sirvan para
adquirir, almacenar, organizar, analizar o visualizar tales datos.
• Biología computacional sería el desarrollo y aplicación de métodos teóricos y de
análisis de datos, modelado matemático y técnicas de simulación computacional al
estudio de sistemas biológicos, conductuales y sociales.
De esta forma, la bioinformática tendría más que ver con la información, mientras que la
biología computacional lo haría con las hipótesis. Por otra parte, el término biocomputación
suele enmarcarse en las actuales investigaciones con biocomputadores y, por ejemplo, T.
Kaminuma lo define de la siguiente forma:
• Biocomputación es la construcción y uso de computadores que contienen
componentes biológicos o funcionan como organismos vivos.
Aparte de las definiciones formales de organismos o instituciones de referencia, los
manuales de esta materia aportan sus propias definiciones operativas, lógicamente
vinculadas en mayor o menor medida con las ya vistas. Como ejemplo, David W. Mount,
en su difundido texto sobre bioinformática, precisa que: …la bioinformática se centra más
en el desarrollo de herramientas prácticas para la gestión de datos y el análisis (por ejemplo,
la presentación de información genómica y análisis secuencial), pero con menor énfasis en
la eficiencia y en la precisión.
Por otra parte, y según el mismo autor: …la biología computacional generalmente se
relaciona con el desarrollo de algoritmos nuevos y eficientes, que se puede demostrar
funcionan sobre un problema difícil, tales como el alineamiento múltiple de secuencias o el
montaje (o ensamblado) de fragmentos de genoma.
Por último, se encuentra en ocasiones una categorización explícita de estos conceptos según
la cual la bioinformática es una subcategoría de la biología computacional. Por ejemplo, la
bióloga Cynthia Gibas anota que: La bioinformática es la ciencia del uso de la información
para entender la biología. (...) Hablando estrictamente, la bioinformática es un subconjunto
del campo mayor de la biología computacional, (siendo esta última) la aplicación de
técnicas analíticas cuantitativas en el modelado de sistemas biológicos.
5. No obstante, y refiriéndose a su propio texto (Developing Bioinformatics Computer Skills,
desarrollo de habilidades computacionales para bioinformática), enseguida pasa a aclarar
que: ...pasaremos de bioinformática a biología computacional y viceversa. Las distinciones
entre las dos no son importantes para nuestro propósito aquí.
En muchas ocasiones, por lo tanto, los términos serán intercambiables y, salvo en contextos
de cierta especialización, el significado último se mantendrá claro utilizando cualquiera de
ellos.
6. Historia
En lo que sigue, y además de los hechos relevantes directamente relacionados con el
desarrollo de la bioinformática, se mencionarán algunos hitos científicos y tecnológicos que
servirán para poner en un contexto adecuado tal desarrollo.
Arrancaremos esta breve historia en la década de los 50 del pasado siglo XX, años en los
que Watson y Crick proponen la estructura de doble hélice del ADN (1953), se secuencia la
primera proteína (insulina bovina) por F. Sanger (1955), o se construye el primer circuito
integrado por Jack Kilby en los laboratorios de Texas Instruments (1958).
Las primeras décadas: años 60 y 70 del siglo XX
En los años 60, L. Pauling elabora su teoría sobre evolución molecular (1962), y Margaret
Dayhoff, una de las pioneras de la bioinformática, publica el primero de los Atlas of Protein
Sequences (1965), que tendrá continuidad en años posteriores, se convertirá en una obra
básica en el desarrollo estadístico, algunos años más tarde, de las matrices de sustitución
PAM, y será precursor de las actuales bases de datos de proteínas. En el área de la tecnología
de computadores, se presentan en el ARPA (Advanced Research Projects Agency, agencia
de proyectos de investigación avanzados) los protocolos de conmutación de paquetes de
datos sobre redes de ordenadores (1968), que permitirán enlazar poco después varios
ordenadores de diferentes universidades en EE.UU.: había nacido ARPANET (1969),
embrión de lo que posteriormente será Internet.
En 1970 se publica el algoritmo Needleman-Wunsch para alineamiento de secuencias;[ se
establece el Brookhaven Protein Data Bank (1971), se crea la primera molécula de ADN
recombinante (Paul Berg, 1972), E. M. Southern desarrolla la técnica Southern blot de
localización de secuencias específicas de ADN (1976), comienza la secuenciación de ADN y
el desarrollo de software para analizarlo (F. Sanger, software de R. Staden, 1977), y se publica
en 1978 la primera secuencia de genes completa de un organismo, el fago Φ-X174 (5.386
pares de bases que codifican 9 proteínas). En ámbitos tecnológicos vinculados, en estos años
se asiste al nacimiento del correo electrónico (Ray Tomlinson, BBN, 1971), al desarrollo de
Ethernet (protocolo de comunicaciones que facilitará la interconexión de ordenadores,
principalmente en redes de ámbito local) por Robert Metcalfe (1973), y al desarrollo del
protocolo TCP (Transmission Control Protocol, protocolo de control de transmisión) por
Vinton Cerf y Robert Kahn (1974), uno de los protocolos básicos para Internet.
7. Años 80
En la década de los 80 se asiste, en diversas áreas, a importantes avances:
Niveles de estructura de las proteínas. En los primeros ochenta se publica cómo investigar la
estructura terciaria mediante RMN; en la siguiente década se desarrollarán métodos para
predecir de novo algunas estructuras secundarias.
• Científicos: tras la secuenciación del fago Φ-X174 a finales de la década de los 70, en
1982 F. Sanger consigue la secuenciación del genoma del fago λ (fago lambda)
utilizando una nueva técnica, la secuenciación shotgun (secuenciación por
perdigonada), desarrollada por él mismo; también entre 1981 y 1982 K. Wüthrich
publica el método de utilización de la RMN (Resonancia Magnética Nuclear) para
determinar estructuras de proteínas;[37] Ford Doolittle trabaja con el concepto de
secuencia motivo (similitudes supervivientes, según las denomina en el resumen de su
artículo) en 1981; el descubrimiento en 1983 de la PCR (Polymerase Chain Reaction,
reacción en cadena de la polimerasa) lleva a la multiplicación de muestras de ADN,
lo que permitirá su análisis; en 1987, D. T. Burke et al. describen el uso de
cromosomas artificiales de levadura (YAC, Yeast Artificial Chromosome), y Kulesh
et al. sientan las bases de los chips de ADN.
• Bioinformáticos: por lo que se refiere al desarrollo de algoritmos, métodos y
programas, aparece el algoritmo Smith-Waterman (1981),[ el algoritmo de búsqueda
en bases de datos de secuencias (Wilbur-Lipman, 1983), FASTP/FASTN (búsqueda
rápida de similitudes entre secuencias, 1985), el algoritmo FASTA para comparación
de secuencias (Pearson y Lipman, 1988), y comienzan a utilizarse modelos ocultos de
Márkov para analizar patrones y composición de las secuencias (Churchill, 1989), lo
que permitirá más adelante localizar genes y predecir estructuras protéicas; aparecen
importantes bases de datos biológicas (GenBank en 1982, Swiss-Prot en 1986), redes
que las interconectan (EMBnet en 1988), y se potencian o se crean diferentes
organismos e instituciones (EMBL se constituye en 1974 pero se desarrolla durante
la década de los 80, NCBI en 1988); también en estos años empieza a estudiarse la
viabilidad de la Human Genome Initiative (First Santa Fe Conference, 1985), que
será anunciada un año después por el DoE (Department of Energy, departamento de
energía del gobierno de los EE.UU.) y que pondrá en marcha proyectos piloto para
desarrollar recursos y tecnologías críticas; en 1987 el NIH (National Institutes of
Health, institutos nacionales de la salud de EE.UU.) comienza aportar fondos a
proyectos genoma, mientras que en 1988 arranca la Human Genome Initiative, más
conocida finalmente como Human Genome Project (Proyecto Genoma Humano).
• Tecnológicos: 1983 verá la aparición del estándar Compact Disc (CD) en su versión
para ser leído por un ordenador (Yellow Book); Jon Postel y Paul Mockapetris
desarrollan en 1984 el sistema de nombres de dominio DNS, necesario para un
direccionamiento correcto y ágil en Internet; en 1987 Larry Wall desarrolla el
lenguaje de programación PERL, de amplio uso posterior en bioinformática; y a
finales de la década se verán las primeras compañías privadas importantes con
actividades vinculadas al genoma, proteínas, bioquímica, etc. (Genetics Computer
Group – GCG, Oxford Molecular Group, Ltd.), y que, en general, experimentarán
importantes transformaciones años más tarde.
8. Años 90
En los años 90 asistimos a los siguientes eventos:
• Científicos: en 1991 comienza la secuenciación con EST (Expressed Sequence Tags,
marcaje de secuencias expresadas); al año siguiente es publicado el mapa de
ligamiento genético (en baja resolución) del genoma humano completo; en 1995 se
consigue secuenciar completamente los primeros genomas de bacterias
(Haemophilus influenzae, Mycoplasma genitalium, de 1,8 millones de pares de bases
-Mbps- y 0,58 Mbps, respectivamente); en 1996, y en diferentes pasos (por
cromosoma), se hace lo propio con el primer genoma eucariota, el de la levadura
(Saccharomyces cerevisiae, con 12 Mbps), así como en 1997 con el genoma de
Escherichia coli (4,7 Mbps), en 1998 con el primer genoma de un organismo
multicelular (97 Mbp del Caenorhabditis elegans), para terminar la década con el
primer cromosoma humano (el 22) completamente secuenciado en 1999 (33,4
Mbps).
• Bioinformáticos: búsqueda rápida de similitudes entre secuencias con BLAST
(1990); base de datos de huellas de proteínas PRINTS, de Attwood y Beck (1994);
ClustalW, orientado al alineamiento múltiple de secuencias, en 1994, y PSI-BLAST
en 1997; a finales de la década se desarrolla T-Coffee, que se publica en 2000. Por lo
que se refiere a actividades institucionales y nuevos organismos, tenemos la
presentación por parte del DoE y NIH al Congreso de los EE.UU., en 1990, de un
plan de esfuerzos conjuntos en el Human Genome Project para cinco años; se crean
el Sanger Centre (Hinxton, UK, 1993; ahora Sanger Institute) y el European
Bioinformatics Institute (EBI, Hinxton, UK, 1992-1995).[73] [74]
• Tecnológicos: Tim Berners-Lee inventa la World Wide Web (1990) mediante
aplicación de protocolos de red que explotan las características del hipertexto; en
1991 aparecen los protocolos definitivos de Internet (CERN) y la primera versión del
sistema operativo Linux, muy utilizado posteriormente en aplicaciones científicas; en
1998 Craig Venter funda Celera, compañía que perfeccionará la secuenciación por
perdigonada de F. Sanger y analizará los resultados con software propio.
Primeros años del siglo XXI
A destacar que en los años 2000 están culminando múltiples proyectos de secuenciación de
genomas de diferentes organismos: en 2000 se publican, entre otros, el genoma de
Arabidopsis thaliana (100 Mb) y el de Drosophila melanogaster (180 Mbp). Tras un
borrador operativo de la secuencia de ADN del genoma humano del año 2000, en 2001
aparece publicado el genoma humano (3 Gbp). Poco después, en 2003, y con dos años de
adelanto sobre lo previsto, se completa el Human Genome Project. Por mencionar algunos
de los genomas analizados en los años siguientes, anotaremos que en 2004 aparece el
borrador del genoma de Rattus norvegicus (rata), en 2005 el del chimpancé, en 2006 el del
macaco rhesus, en 2007 el del gato doméstico, y en 2008 se secuencia por primera vez el
genoma de una mujer. Gracias al desarrollo de las técnicas adecuadas, asistimos actualmente
a un aluvión de secuenciaciones de genomas de todo tipo de organismos.
En 2003 se funda en España el Instituto Nacional de Bioinformática, soportado por la
Fundación Genoma España (fundada, a su vez, un año antes y que pretende constituirse en
instrumento del estado para potenciar la investigación en este campo). En 2004, la
9. estadounidense FDA (Food and Drug Administration, agencia para la administración de
alimentos y fármacos) autoriza el uso de un chip de ADN por primera vez. En 2005 se
completa el proyecto HapMap (catalogación de variaciones genéticas en el ser humano). En
2008 UniProt presenta el primer borrador del proteoma completo del ser humano, con más
de veinte mil entradas.
Poco a poco, los primeros programas bioinformáticos se van perfeccionando, y vemos
versiones más completas como la 2.0 de ClustalW (reescrito en C++ en 2007).
10. Principales áreas de investigación
Análisis de secuencias
Desde que el fago Φ-X174 fue secuenciado en 1977 (secuencia provisional: un año más tarde
se publicaría la secuencia completa definitiva), las secuencias de ADN de cientos de
organismos han sido decodificadas y guardadas en bases de datos. Esos datos son analizados
para determinar los genes que codifican para ciertas proteínas, así como también secuencias
reguladoras. Una comparación de genes en una especie o entre especies puede mostrar
similitudes entre funciones de proteínas, o relaciones entre especies (uso de filogenética
molecular para construir árboles filogenéticos).[95]
Con la creciente cantidad de datos, desde hace mucho se ha vuelto poco práctico analizar
secuencias de ADN manualmente. Hoy se usan programas de computadora para estudiar el
genoma de miles de organismos, conteniendo miles de millones de nucleótidos. Estos
programas pueden compensar mutaciones (con bases intercambiadas, borradas o insertadas)
en la secuencia de ADN, para identificar secuencias que están relacionadas, pero que no son
idénticas.[38] Una variante de este alineamiento de secuencias se usa en el proceso de
secuenciación.
La secuenciación conocida como "shotgun" (o por perdigonada: fue usada, por ejemplo, por
el Instituto de Investigación Genómica -The Institute for Genomic Research, TIGR, hoy J.
Craig Venter Institute- para secuenciar el primer genoma de bacteria, el Haemophilus
influenzae)[61] no da una lista secuencial de nucleótidos, pero en cambio nos ofrece las
secuencias de miles de pequeños fragmentos de ADN (cada uno de aproximadamente 600 a
800 nucleótidos de largo). Las terminaciones de estos fragmentos se superponen y, cuando
son alineados de la manera correcta, constituyen el genoma completo del organismo en
cuestión.[96]
El secuenciamiento shotgun proporciona datos de secuencia rápidamente, pero la tarea de
ensamblar los fragmentos puede ser bastante complicada para genomas muy grandes. En el
caso del Proyecto Genoma Humano, llevó varios meses de tiempo de procesador (en una
estación DEC Alpha de alrededor del 2000) para ensamblar los fragmentos. El shotgun
sequencing es el método de elección para todos los genomas secuenciados hoy en día y los
algoritmos de ensamblado genómico son un área crítica de la investigación en bioinformática.
Otro aspecto de la bioinformática en análisis de secuencias es la búsqueda automática de
genes y secuencias reguladoras dentro de un genoma.[97] No todos los nucleótidos dentro de
un genoma son genes. Dentro del genoma de organismos más avanzados, grandes partes del
ADN no sirven a ningún propósito obvio. Este ADN, conocido como "ADN basura", puede,
sin embargo, contener elementos funcionales todavía no reconocidos. La bioinformática
sirve para estrechar la brecha entre los proyectos de genoma y proteoma (por ejemplo, en el
uso de secuencias de ADN para identificación de proteínas). Mapa del cromosoma X del
ser humano (extraído de la página web del NCBI). La transcripción del genoma humano es
uno de los mayores logros de la bioinformática.
11. Anotación de genomas
En el contexto de la genómica, anotación es el proceso de marcado de los genes y otras
características biológicas de la secuencia de ADN.[99] El primer sistema software de anotación
de genomas fue diseñado en 1995 por Owen White, quien fue miembro del equipo que
secuenció y analizó el primer genoma en ser descodificado de un organismo independiente,
la bacteria Haemophilus influenzae. White construyó un software para localizar los genes
(lugares en la secuencia de DNA que codifican una proteína), el ARN de transferencia, y
otras características, así como para realizar las primeras atribuciones de función a esos genes.
[61]
La mayoría de los actuales sistemas de anotación genómica trabajan de forma similar,
pero los programas disponibles para el análisis del genoma se encuentran en continuo
cambio y mejora.
Biología evolutiva computacional
La Biología evolutiva es el estudio del origen ancestral de las especies, así como de su cambio
a través del tiempo.[100] La informática ha apoyado a los biólogos evolutivos en diferentes
campos clave. Ha permitido a los investigadores:
• Seguir la evolución de un alto número de organismos midiendo cambios en su ADN,
en lugar de hacerlo exclusivamente mediante su taxonomía física u observaciones
fisiológicas.[38]
• Más recientemente, comparar genomas completos, lo que permite el estudio de
eventos evolutivos más complejos, tales como la duplicación de genes, la
transferencia horizontal de genes, o la predicción de factores significativos en la
especiación bacteriana.[101]
• Construir modelos computacionales complejos de poblaciones para predecir el
resultado del sistema a través del tiempo.
• Seguir y compartir información sobre un amplio y creciente número de especies y
organismos.
Los esfuerzos futuros se centrarán en reconstruir el cada vez más complejo árbol filogenético
de la vida.[103] El área de investigación de las ciencias de la computación denominada
computación evolutiva se confunde ocasionalmente con la Biología evolutiva computacional,
pero ambas áreas no guardan relación. Dicho campo se centra en el desarrollo de algoritmos
genéticos y otras estrategias de resolución de problemas con una marcada inspiración
evolutiva y genética.
Medición de la biodiversidad
La biodiversidad de un ecosistema puede definirse como el conjunto genómico completo de
todas las especies presentes en un medio ambiente particular,[104] sea este una biopelícula en
una mina abandonada, una gota de agua de mar, un puñado de tierra, o la biosfera completa
del planeta Tierra. Se utilizan bases de datos para recoger los nombres de las especies, así
como de sus descripciones, distribuciones, información genética, estado y tamaños de las
poblaciones, necesidades de su hábitat, y cómo cada organismo interactúa con otras especies.
Se usa software especializado para encontrar, visualizar y analizar la información; y, lo que es
más importante, para compartirla con otros interesados.[105] La simulación computacional
puede modelar cosas tales como dinámica poblacional, o calcular la mejora del acervo
genético de una variedad (en agricultura), o la población amenazada (en biología de la
conservación). Un potencial muy excitante en este campo es la posibilidad de preservar las
secuencias completas del ADN, o genomas, de especies amenazadas de extinción,
12. permitiendo registrar los resultados de la experimentación genética de la Naturaleza in silico
para su posible reutilización futura, aún si tales especies fueran finalmente perdidas.[106]
Pueden citarse, como ejemplos significativos, los proyectos Species 2000 o uBio.
Análisis de la expresión génica
La expresión génica de muchos genes puede determinarse por la medición de niveles de
mRNA mediante múltiples técnicas, incluyendo microarrays de ADN, secuenciación de EST
( Expressed Sequence Tag), análisis en serie de la expresión génica (Serial Analysis of Gene
Expression - SAGE), MPSS (Massively Parallel Signature Sequencing), o diversas
aplicaciones de hibridación in situ. Todas estas técnicas son extremadamente propensas al
ruido y/o sujetas a sesgos en la medición biológica, y una de las principales áreas de
investigación en la biología computacional trata del desarrollo de herramientas estadísticas
para separar la señal del ruido en los estudios de expresión génica con alto volumen de
procesamiento.[107] Estos estudios se usan a menudo para determinar los genes implicados en
un desorden: podrían, por ejemplo, compararse datos de microarrays de células epiteliales
cancerosas con datos de células no cancerosas para determinar las transcripciones que son
activadas o reprimidas en una población particular de células cancerosas.[108]
Análisis de la regulación
La regulación génica es la compleja orquestación de eventos que comienzan con una señal
extracelular tal como una hormona, que conducen a un incremento o decremento en la
actividad de una o más proteínas.[109] Se han aplicado técnicas bioinformáticas para explorar
varios pasos en este proceso. Por ejemplo, el análisis del promotor de un gen implica la
identificación y estudio de las secuencias motivo en los alrededores del ADN de la región
codificante de un gen.[110] Estos motivos influyen en el alcance según el cual esa región se
transcribe en ARNm. Los datos de expresión pueden usarse para inferir la regulación génica:
podrían compararse datos de microarrays provenientes de una amplia variedad de estados de
un organismo para formular hipótesis sobre los genes involucrados en cada estado. En un
organismo unicelular, podrían compararse etapas del ciclo celular a lo largo de variadas
condiciones de estrés (choque de calor, inanición, etc.). Podrían aplicarse, entonces,
algoritmos de agrupamiento (algoritmos de clustering, o análisis de cluster) a esa información
de expresión para determinar qué genes son expresados simultáneamente.[111] Por ejemplo,
los promotores de estos genes se pueden buscar según la abundancia de secuencias o
elementos regulatorios.
Análisis de la expresión de proteínas
Véase también: Expresión génica
Los microarrays de proteínas y la espectrometría de masas de alto rendimiento pueden
proporcionar una instantánea de las proteínas presentes en una muestra biológica. La
bioinformática está muy comprometida en dar soporte a ambos procedimientos. La
aproximación a los microarrays de proteínas encara similares problemas a los existentes para
microarrays destinados a ARNm,[112] mientras que para la espectrometría de masas el
problema es casar grandes cantidades de datos de masa contra masas predichas por bases de
datos de secuencias de proteínas, además del complicado análisis estadístico de muestras
donde se detectan múltiples, pero incompletos, péptidos de cada proteína.[113]
13. Análisis de mutaciones en el cáncer
En el cáncer, los genomas de las células afectadas son reordenados en complejas y/o aún
impredecibles maneras. Se realizan esfuerzos masivos de secuenciación para identificar
sustituciones individuales de bases (o puntos de mutación de nucleótidos) todavía
desconocidos en una variedad de genes en el cáncer.[114] Los bioinformáticos continúan
produciendo sistemas automatizados para gestionar el importante volumen de datos de
secuencias obtenido, y crean nuevos algoritmos y software para comparar los resultados de
secuenciación con la creciente colección de secuencias del genoma humano y de los
polimorfismos de la línea germinal. Se están utilizando nuevas tecnologías de detección
física, como los microarrays de oligonucleótidos para identificar pérdidas y ganancias
cromosómicas (técnica denominada hibridación genómica comparativa), y los arrays de
polimorfismos de nucleótido simple para detectar puntos de mutación conocidos. Estos
métodos de detección miden simultáneamente bastantes cientos de miles de posiciones a lo
largo del genoma, y cuando se usan con una alta productividad para analizar miles de
muestras, generan terabytes de datos por experimento. De esta forma las masivas cantidades
y nuevos tipos de datos proporcionan nuevas oportunidades para los bioinformáticos. A
menudo se encuentra en los datos una considerable variabilidad, o ruido, por lo que
métodos como el de los modelos ocultos de Márkov y el análisis de puntos de cambio están
siendo desarrollados para inferir cambios reales en el número de copias de los genes
(número de copias de un gen particular en el genotipo de un individuo, cuya magnitud puede
ser elevada en células cancerígenas).
Otro tipo de datos que requiere novedosos desarrollos informáticos es el análisis de las
lesiones encontradas de forma recurrente en buen número de tumores, principalmente por
análisis automatizado de imagen clínica.
Predicción de la estructura de las proteínas
Alineamiento estructural de tiorredoxinas del ser humano y de la mosca Drosophila
melanogaster. Las proteínas se muestran como cintas, con la proteína humana en rojo y la de
la mosca en amarillo. Generado con PDB 3TRX y 1XWC.
La predicción de la estructura de las proteínas es otra importante aplicación de la
bioinformática. La secuencia de aminoácidos de una proteína, también llamada estructura
primaria, puede ser determinada fácilmente desde la secuencia de nucleótidos sobre el gen
que la codifica.[119] En la inmensa mayoría de los casos, esta estructura primaria determina
únicamente una estructura de la proteína en su ambiente nativo. (Hay, por supuesto,
excepciones, como la encefalopatía espongiforme bovina, o "mal de las vacas locas"; ver,
también, prión.) El conocimiento de esta estructura es vital para entender la función de la
14. proteína.[120] En ausencia de mejores términos, la información estructural de las proteínas se
clasifica usualmente como estructura secundaria, terciaria y cuaternaria. Una solución general
viable para la predicción de tales estructuras permanece todavía como problema abierto. Por
ahora, la mayoría de los esfuerzos han sido dirigidos hacia heurísticas que funcionan la
mayoría de las veces.[121]
Una de las ideas clave en bioinformática es la noción de homología. En la rama genómica de
la bioinformática, se usa la homología para predecir la función de un gen: si la secuencia de
gen A, cuya función es conocida, es homóloga a la secuencia de gen B, cuya función es
desconocida, puede inferirse que B podría compartir la función de A.[122] En la rama
estructural de la bioinformática, la homología se usa para determinar qué partes de una
proteína son importantes en la formación de la estructura y en la interacción con otras
proteínas. En la técnica denominada modelado por homología, esta información se usa para
predecir la estructura de una proteína una vez conocida la estructura de una proteína
homóloga.[123] Esta es, actualmente, la única vía para predecir estructuras de proteínas de una
manera fiable.
Un ejemplo de lo anterior es la similar homología proteica entre la hemoglobina en humanos
y la hemoglobina en las legumbres (leghemoglobina). Ambas sirven al mismo propósito de
transportar oxígeno en el organismo. Aunque las dos tienen una secuencia de aminoácidos
completamente diferente, sus estructuras son virtualmente idénticas, lo que refleja sus
prácticamente idénticos propósitos.[124]
Otras técnicas para predecir la estructura de las proteínas incluyen el enhebrado de proteínas
(protein threading)[125] y el modelado de novo (desde cero), basado en las características
físicas y químicas.[126]
Al respecto, pueden verse también motivo estructural (structural motif) y dominio estructural
(structural domain).
Genómica comparativa
El núcleo del análisis comparativo del genoma es el establecimiento de la correspondencia
entre genes (análisis ortólogo) o entre otras características genómicas de diferentes
organismos. Estos mapas intergenómicos son los que hacen posible rastrear los procesos
evolutivos responsables de la divergencia entre dos genomas. Una multitud de eventos
evolutivos actuando a diferentes niveles organizativos conforman la evolución del genoma.[127]
Al nivel más bajo, las mutaciones puntuales afectan a nucleótidos individuales. Al mayor
nivel, amplios segmentos cromosómicos experimentan duplicación, transferencia horizontal,
inversión, transposición, borrado e inserción. Finalmente, los genomas enteros están
involucrados en procesos de hibridación, poliploidía y endosimbiosis, conduciendo a
menudo a una súbita especiación.
La complejidad de la evolución del genoma plantea muchos desafíos excitantes a
desarrolladores de modelos matemáticos y algoritmos, quienes deben recurrir a un espectro
de técnicas algorítmicas, estadísticas y matemáticas que se extienden desde exactas,
heurísticas, con parámetros fijados, y mediante algoritmos de aproximación para problemas
basados en modelos de parsimonia, hasta algoritmos "Márkov Chain Monte Carlo" para
análisis Bayesiano de problemas basados en modelos probabilísticos.[128]
Muchos de estos estudios están basados en la detección de homología y la computación de
familias de proteínas.
15. Modelado de sistemas biológicos
La biología de sistemas implica el uso de simulaciones por ordenador de subsistemas
celulares (tales como redes de metabolitos y enzimas que comprenden el metabolismo,
caminos de transducción de señales, y redes de regulación genética), tanto para analizar
como para visualizar las complejas conexiones de estos procesos celulares.[129] La vida
artificial o la evolución virtual tratan de entender los procesos evolutivos por medio de la
simulación por ordenador de sencillas formas de vida (artificial).[130]
Análisis de imagen de alto rendimiento
Se están usando tecnologías de computación para acelerar o automatizar completamente el
procesamiento, cuantificación y análisis de grandes cantidades de imágenes biomédicas con
alto contenido en información. Los modernos sistemas de análisis de imagen incrementan la
habilidad del observador para realizar análisis sobre un amplio o complejo conjunto de
imágenes, mejorando la precisión, la objetividad (independencia de los resultados según el
observador), o la rapidez. Un sistema de análisis totalmente desarrollado podría reemplazar
completamente al observador. Aunque estos sistemas no son exclusivos del campo de las
imágenes biomédicas, cada vez son más importantes tanto para el diagnóstico como para la
investigación. Algunos ejemplos:
• Cuantificación y localización subcelular con alta productividad y precisión (high-
content screening, citohistopatología).[131]
• Morfometría.[132]
• Análisis y visualización de imágenes clínicas.[133]
• Determinación de patrones en el flujo del aire en tiempo real de la respiración
pulmonar de animales vivos.
• Cuantificación del tamaño de la oclusión a través de imágenes en tiempo real, tanto
por desarrollo como por recuperación, de lesiones arteriales.[134]
• Realización de observaciones conductuales basadas en prolongadas grabaciones en
vídeo de animales de laboratorio.
• Observaciones en infrarrojo (espectroscopia infrarroja) para la determinación de la
actividad metabólica.[135]
Acoplamiento proteína-proteína
En las últimas dos décadas, decenas de miles de estructuras tridimensionales de proteínas
han sido determinadas por cristalografía de rayos X y espectroscopía mediante resonancia
magnética nuclear de proteínas (RMN de proteínas). Una cuestión central para los científicos
es si resulta viable la predicción de posibles interacciones proteína-proteína solamente
basados en esas formas 3D, sin realizar experimentos identificativos de estas interacciones.
Se han desarrollado una variedad de métodos para enfrentarse al problema del acoplamiento
proteína-proteína, aunque parece que queda todavía mucho trabajo en este campo.[136
16. Herramientas de software
Las herramientas de software para bioinformática van desde simples herramientas de línea
de comandos hasta mucho más complejos programas gráficos y servicios web autónomos
situados en compañías de bioinformática o instituciones públicas. La más conocida
herramienta de biología computacional entre los los biólogos es, probablemente, BLAST, un
algoritmo para determinar la similitud de secuencias arbitrarias con otras secuencias,
probablemente residentes en bases de datos de proteínas o de secuencias de ADN. El NCBI
(National Center for Biotechnology Information, EE.UU.), por ejemplo, proporciona una
implementación muy utilizada, basada en web, y que trabaja sobre sus bases de datos.
Para alineamientos múltiples de secuencias, el clásico ClustalW, actualmente en su versión 2,
es el software de referencia. Puede trabajarse con una implementación del mismo en el EBI
(Instituto Europeo de Bioinformática).
BLAST y ClustalW son sólo dos ejemplos de los muchos programas de alineamiento de
secuencias disponibles. Existe, por otra parte, multitud de software bioinformático con otros
objetivos: alineamiento estructural de proteínas, predicción de genes y otros motivos,
predicción de estructura de proteínas, predicción de acoplamiento proteína-proteína, o
modelado de sistemas biológicos, entre otros. En Anexo:Software para alineamiento de
secuencias y Anexo:Software para alineamiento estructural pueden encontrarse sendas
relaciones de programas o servicios web adecuados para cada uno de estos dos objetivos en
particular.
Servicios Web en bioinformática
Se han desarrollado interfaces basadas en SOAP y en REST (Representational State
Transfer, transferencia de estado representacional) para una amplia variedad de aplicaciones
bioinformáticas, permitiendo que una aplicación, corriendo en un ordenador de cualquier
parte del mundo, pueda usar algoritmos, datos y recursos de computación alojados en
servidores en cualesquiera otras partes del planeta. Las principales ventajas radican en que el
usuario final se despreocupa de actualizaciones y modificaciones en el software o en las bases
de datos. Los servicios bioinformáticos básicos, de acuerdo a la clasificación implícita del
EBI, pueden clasificarse en:
• Servicios de obtención de información en línea (consultas a bases de datos, por
ejemplo).
• Herramientas de análisis (por ejemplo, servicios que den acceso a EMBOSS).
• Búsquedas de similitudes entre secuencias (servicios de acceso a FASTA o BLAST,
por ejemplo).
• Alineamientos múltiples de secuencias (acceso a ClustalW o T-Coffee).
• Análisis estructural (acceso a servicios de alineamiento estructural de proteínas, por
ejemplo).
• Servicios de acceso a literatura especializada y ontologías.
La disponibilidad de estos servicios web basados en SOAP a través de sistemas tales como
los servicios de registro, (servicios de distribución y descubrimiento de datos a través de
servicios web) demuestra la aplicabilidad de soluciones bioinformáticas basadas en web. Estas
herramientas varían desde una colección de herramientas autónomas con un formato de
datos común, y bajo una única interface autónoma o basada en web, hasta sistemas
integradores y extensibles para la gestión del flujo de trabajo bioinformático.
17. Conclusión:
Es una ciencia basada en los estudios específicos del Internet muchos de los
biliosos la estudian para una mayor protección informática así también para
crear diferentes clases de recursos biotecnológicos que puedan ayudar a
desarrollar una mejor fracción o una mejor formación a lo que es la
Bioinformática.