Μοτίβα σε βιολογικές αλληλουχίες

Abstract

Στα προηγούμενα κεφάλαια συζητήσαμε προβλήματα που σχετίζονται με τη σύσταση και την πρωτοταγή οργάνωση βιολογικών αλληλουχιών. Αντιμετωπίσαμε τους συνδυασμούς καταλοίπων ως “λέξεις” σε βιολογικά κείμενα και εξετάσαμε τρόπους για την ανάλυσή τους και τη χρήση τους ως δεικτών προέλευσης και λειτουργικότητας σε γονιδιωματικό επίπεδο. Στο Κεφάλαιο αυτό θα επικεντρωθούμε στη μελέτη ακριβώς αυτών των λέξεων, που στη βιολογία ονομάζουμε “μοτίβα αλληλουχίας” από πλευράς λειτουργίας. Σημείο εκκίνησης του κεφαλαίου είναι η περιγραφή της λειτουργίας των σημείων πρόσδεσης μεταγραφικών παραγόντων, μικρών αλληλουχιών που κωδικοποιούν πολύ συγκεκριμένα μηνύματα σε γονιδιωματικές αλληλουχίες και ο ορισμός της έννοιας του “μοτίβου”. Στη συνέχεια θα διατυπωθούν μια σειρά από προβλήματα που σχετίζονται με αυτές τις αλληλουχίες και αφορούν την περιγραφή τους, τον εντοπισμό τους μέσα σε μεγαλύτερες αλληλουχίες, και την εκτίμηση της σημασίας τους. Στο πρώτο μέρος του κεφαλαίου συζητιούνται τρόποι περιγραφής των μοτίβων, όπως είναι οι συναινετικές αλληλουχίες και οι πίνακες βαρών και αναλύεται το “εύκολο” πρόβλημα του εντοπισμού ενός γνωστού μοτίβου σε μεγαλύτερες αλληλουχίες. Στη συνέχεια, και στο επίπεδο των μαθηματικών θα γίνει μια εισαγωγή στη Θεωρία Πληροφορίας και θα δούμε πώς έννοιες όπως η Εντροπία Shannon και το Πληροφοριακό Περιεχόμενο μπορούν να χρησιμοποιηθούν για να αξιολογήσουν τη σημασία ενός μοτίβου αλληλουχίας. Έχοντας καλύψει τα “εύκολα” προβλήματα θα περάσουμε στο “δύσκολο” πρόβλημα της de novo ανακάλυψης ενός άγνωστου μοτίβου και θα εξετάσουμε διαφορετικούς αλγορίθμους για την επίλυσή του, με έμφαση τυχαιοκρατικές προσεγγίσεις τύπου Monte Carlo όπως η δειγματοληψία Gibbs. Στο τέλος του Κεφαλαίου θα πρέπει να μπορείτε: Να διακρίνετε μεταξύ συναινετικών αλληλουχιών και μοτίβων αλληλουχίας και να αναγνωρίζετε τις μεταξύ τους διαφορές. Να δημιουργήσετε πίνακες μοτίβων αλληλουχιών από σύνολα ολιγονουκλεοτιδίων και να περιγράφετε μοτίβα αλληλουχιών μέσω αυτών.

In previous chapters, we discussed problems related to the composition and primary organization of biological sequences. We treated combinations of residues as "words" in biological texts and examined ways to analyze them and use them as indicators of origin and functionality at the genomic level. In this chapter, we will focus on studying precisely these words, which in biology we call "sequence motifs" in terms of function. The starting point of the chapter is the description of the function of transcription factor binding sites, small sequences that encode very specific messages in genomic sequences, and the definition of the concept of "pattern." Next, a series of problems related to these sequences will be formulated, concerning their description, their identification within larger sequences, and the assessment of their significance. The first part of the chapter discusses ways of describing patterns, such as consensus sequences and weight tables, and analyzes the "easy" problem of locating a known pattern in larger sequences. Next, at the mathematical level, we will introduce Information Theory and see how concepts such as Shannon Entropy and Information Content can be used to evaluate the significance of a sequence pattern. Having covered the "easy" problems, we will move on to the "difficult" problem of de novo discovery of an unknown pattern and examine different algorithms for solving it, with an emphasis on Monte Carlo-type random approaches such as Gibbs sampling. By the end of the chapter, you should be able to: Distinguish between consensus sequences and sequence patterns and recognize the differences between them. Create sequence pattern tables from sets of oligonucleotides and describe sequence patterns using them.