Saiba as notícias que tiveram destaque na semana da Universidade Federal do Paraná:

Presentear quem gosta e ainda ajudar quem precisa. Esta é a idéia dos produtos sociais.

O evento internacional de Bioinformática. E ainda, o estresse no trânsito aumenta no final do ano. Confira!

Saiba as notícias que tiveram destaque na semana da Universidade Federal do Paraná:

Presentear quem gosta e ainda ajudar quem precisa. Esta é a idéia dos produtos sociais.

O evento internacional de Bioinformática. E ainda, o estresse no trânsito aumenta no final do ano. Confira!

FUTURO – Almeno una volta è capitato a tutti. State navigando su Internet, e per caso o meno approdate a un sito che in un riquadro vi invita a partecipare a un semplice gioco, il tutto on-line. Non vi serve un joystick, solo il mouse e la tastiera.

Provate, un po’ per curiosità e un po’ per noia, e per voi è finita: che sia un flipper, un tiro a segno, un labirinto o un gioco di strategia, i punti che si accumulano click dopo click diventano una specie di droga, e più il gioco è assuefacente più cercherete di spacciarlo presso i vostri amici. E ora che questi giochini sono disponibili come applicazioni su Facebook, potete anche unirvi a comunità la cui unica aspirazione, ad esempio, è quella di far prosperare la propria fattoria virtuale.

Un team di bioinformatici della School of Computer Science dell’Università McGill ha deciso che questa dipendenza poteva essere messa a frutto per uno dei tanti problemi della biologia molecolare, cioè quello dell’allineamento multiplo delle sequenze genetiche e proteiche.

L’allineamento consiste nel disporre tre o più sequenze in modo da identificarne le omologie. In pratica, alla fine dell’allineamento, le sequenze sono organizzate in modo da avere le regioni più simili l’una di fronte all’altra. Più le sequenze risulteranno simili, più si assumeranno come “imparentate” dal punto di vista evolutivo (specie diverse) o strutturale (proteine e altre biomolecole).

Se pensate che un computer sia in grado di risolvere facilmente un problema simile, vi sbagliate. Mentre l’allineamento a coppie non è un problema, quello multiplo (MSA, Multiple Sequences Alignemt) mette seriamente alla prova i più potenti calcolatori.

Come spiega il coordinatore del progetto, il Dr. Jérôme Waldispuhl, l’assunto di partenza è che gli esseri umani sono molto bravi nel riconoscere i pattern, cosa che invece non sanno fare altrettanto bene i computer, ed è proprio questo il caso: si tratta di identificare degli schemi. Non è un caso che sullo stesso principio siano stati ideati i CAPTCHA e  di conseguenza le loro applicazioni.

Come si può intuire dall’immagine Phylo, questo il nome del gioco che ha debuttato in rete il 29 novembre, ricorda un po’ Tetris, il gioco di logica che continua a divertire dopo ventisei anni, e permette non solo di scegliere il livello di difficoltà (numero di sequenze da confrontare) ma anche a quale ricerca dedicare le proprie energie.

Le sequenze del gioco, che provengono dall’UCSC Genome Browser, sono infatti quelle che si ritengono significative nello studio delle malattie genetiche. Queste sono classificate da un numero identificativo e inserendolo nel campo ID all’inizio del gioco si sceglie di quale disordine genetico occuparsi. Altrimenti la scelta la farà il programma in modo casuale. Oppure si può scegliere, in modo meno specifico, tra diverse categorie di malattie a base genetica.

Come ogni gioco che si rispetti, cattura l’attenzione del giocatore mostrando un punteggio: nella fattispecie, bisogna cercare di fare meglio di quello che ha fatto il computer con gli stessi dati e lo stesso tempo. Solo se si eguaglia o si batte il computer, la soluzione del rompicapo sarà salvata e presa in considerazione (permettendo di superare il livello). La vanità del giocatore è ulteriormente solleticata dalla possibilità di registrarsi e comparire nella classifica dei migliori giocatori.

Il dottor Alan Denise, un collega di Waldispühl all’Università di Parigi Sud afferma risoluto:

La causa precisa della maggior parte delle malattie genetiche è sconosciuta, ma grazie ai giocatori di Phylo, questa ricerca può fare significativi passi in avanti.

mentre i ricercatori della McGill arrivano alla vera e propria minaccia, commentando gli sviluppi in cantiere:

Vorremmo integrare questo gioco direttamente in Facebook come applicazione. Farmville, fatti da parte!

CRONACA - Tempo di bilanci per ViroLab, progetto europeo che ha permesso la costituzione di un’immensa banca dati relativa ai pazienti sieropositivi: un laboratorio virtuale per studiare meglio la malattia e trovare le terapie più adatte per ciascun paziente.

L’idea è venuta a Peter Sloot, ingegnere, docente di scienze computazionali all’Università di Amsterdam: perché non raccogliere in un’unica “super banca dati” europea tutte le informazioni nazionali relative a pazienti con HIV? Detto, fatto: Sloot si è messo al lavoro con un gruppo di colleghi informatici di Londra e tutti insieme hanno trovato il modo di far comunicare tra loro i  database di vari centri clinici e di ricerca sparsi in tutta Europa. Il risultato di questo lavoro, finanziato per oltre 3 milioni di euro dalla Comunità europea, si chiama ViroLab ed è un immenso laboratorio virtuale al quale possono accedere diversi professionisti – informatici, clinici, virologi – con l’obiettivo di studiare meglio l’evoluzione dell’infezione da HIV, e soprattutto di individuare nuove strategie terapeutiche, disegnate quasi su misura su ciascun paziente .
Da qualche mese il progetto ViroLab è ufficialmente terminato, ed è tempo di bilanci. Tutti positivi, come ha raccontato a OggiScienza Simona Di Giambenedetto, ricercatrice presso la Clinica delle malattie infettive dell’Università Cattolica di Roma, tra i collaboratori principali di ViroLab. “A livello locale, il progetto ci ha permesso di informatizzare la raccolta dati dei pazienti”, afferma Di Giambenedetto: un primo risultato concreto già importante, che ha liberato i clinici dai quintali di carta delle cartelle cliniche tradizionali. Ma ancora più interessanti sono i risultati emersi dall’analisi dei dati. Per esempio, ci si è accorti che uno degli aspetti considerati più critici della gestione dei pazienti con infezione da HIV, cioè la resistenza alle terapie, nel tempo si è molto ridimensionato, grazie al miglioramento delle terapie disponibili. E ancora: il panorama complessivo dei dati dice che la malattia non è affatto in diminuzione in Europa, e che ha cambiato distribuzione. A essere più colpiti oggi non sono più tossicodipendenti o omosessuali, ma eterosessuali, di ambo i sessi, di 43-45 anni. “Un segno preciso che la guardia non deve essere abbassata”, commenta la ricercatrice romana.

Miglioramenti in vista anche nella pratica clinica: “Il ViroLab permette di confrontare terapie e di studiare meglio, dal punto di vista genetico e molecolare, i vari ceppi di virus. Caratterizzando per bene ogni paziente e il suo specifico virus e confrontando queste informazioni con quelle presenti nella banca dati riusciamo a individuare le terapie migliori per ciascun paziente”. Il che significa maggiore efficacia con minori effetti collaterali.

Molto positivo, infine, il commento sull’organizzazione del lavoro: ViroLab mette a contatto figure differenti, che portano ciascuna il proprio fondamentale contributo. E come sempre, l’unione fa la forza: oggi il database ospita informazioni relative a quasi 50.000 pazienti di tutta Europa, compresi i paesi dell’Est, spesso ai margini della ricerca internazionale nonostante il carico altissimo di infezione da HIV.

E ora che il progetto, e quindi il finanziamento, è terminato, che succederà al laboratorio virtuale? “Per un paio d’anni la situazione rimarrà tranquilla, grazie al finanziamento europeo a Dynanet, un altro progetto che ne rappresenta la naturale continuazione. Dopo si vedrà: certo, cercheremo tutti di mantenere in vita un database che rappresenta una ricchezza straordinaria”. Di lavoro da fare, comunque, ce n’è ancora molto: gran parte dei dati raccolti sono ancora tutti da analizzare.

http://edna.dml.ce.sharif.edu/dmlsite/sites/default/files/bioinformatics.jpg

La bioinformática es la aplicación de ciencias en computadoras en el campo de la biología molecular. En este trabajo se podrá observar los pasos necesarios de diferentes programas de bioinformática que se utilizan para analizar moleculas biológicas.

Juramos, en nuestro honor que no hemos incurrido en actos de deshonestidad académica en la preparación del trabajo que hoy sometemos.

Autor: Arthur M. Lesk.

Tamanho: 6 Mb

Numero de páginas; 250

Download rapidshare

There was only one problem: Sumatra was not supporting git so I was unable to use it. Therefore, giving the fact was opensource I just baked a series of patches which were integrated in the tool and now sumatra has a git support

If you want to have a feel about it and want to try with git there is an example repository on github which you can use.

This is the results of the webinterface (sumatra stores everything in the django ORM system) showing the tables of the simulations:

If you click on the single record you can access the details of the simulation:

Using sumatra you will be able to:

• search your simulations’ results
• describe the results of the simulation on the simulation record itself, keeping everything very compact and ordered.
• retrieve all the tiny details when you will need (papers hopefully..)

Storing all this informations is done automatically for you (except the analysis’ results of course), so you can focus more on your science, without worrrying on loosing your results.

Soon I’ll integrate sumatra in Neuronvisio.

P.S.: The patch for git integration (second part) is on its own way and it should be integrated soon in the tree, so you will need to run the bleeding edge and integrate the patch yourself if it’s not yet there (and you can’t wait )

Have Fun

Muchos me han preguntado a lo largo de estos últimos años si existe alguna diferencia fundamental entre la Biología Computacional y la Bioinformática. Son acaso dos nombres para definir una misma disciplina científica? En definitiva ambas disciplinas  usan términos como informática y computacional y de algún modo ambas palabras implican el uso de computadoras aplicadas a la Biología. Creo que es una pregunta válida y para nada trivial. Lo primero que  trato de explicar es que el término computacional no implica necesariamente el uso de computadoras, sino que mas bien computacional implica computo, calculaciones y el uso de técnicas numéricas en el área de la biología. La bioinformática es una disciplina mucho más supeditada a los biológos, de algún modo es menos interdisciplinaria, y si usan ampliamente y sostenidamente la tecnología informática aplicada a contextos biológicos. La Biología Computacional es mucho más interdisciplinaria, o sea posee un profundo conocimiento de matemática y estadistica, programación y aún de la problemática biológica.
La Biología Computacional y  la Bioinformática son básicamente áreas de estudio interdisciplinarias en sus naturalezas, y con una estrecha relación con la Biología, pero hasta haí llega toda similitud. El propósito de este posting es mostrar las diferencias en cuanto a propósito y método de ambas disciplinas, disciplinas que tan a menudo son asumidas como similares, aún por profesionales altamente calificados .  Es importante aclarar  que estas diferencias que voy a citar provienen de mi experiencia vital de estudio y trabajo. He encontrado Biólogos que consideran esencialmente que ambas disciplinas son la misma cosa con diferentes nombres. Supongo que sus experiencias profesionales le hayan hecho arrivar a semejante y errada conclusión. Un elemento que comparten ambas disciplinas científicas, es su papel no protagónico pese a jugar papeles fundamentales en cualquier investigación biológica, los Biólogos tienden a vernos y asumirnos como accesorios extremadamente útiles , profesionales que podemos resolver un amplio rango de problemas, pero no necesariamente en pleno entendimiento de la problemática biológica. Creo que es una apreciación lamentable y que muchos de nosotros hemos sufrido en carne propia. Podemos definir a dichas áreas como sigue:

La biología computacional consiste fundamentalmente en el desarrollo de algoritmos y modelos matemáticos para facilitar el entendimiento de problemas biológicos. La biología computacional es extremadamente multidisciplinaria,  abarca esencialmente fuertes conocimientos de: Matemática,  Química y Bioquímica, Biología Molecular, Programación, Física, Estadísticas entre otras áreas del conocimiento humano.

La Bioinformática es el uso y aplicación de la tecnología de la información y ciencias de la computación al campo de la Biología Molecular. Como dije anteriormente su formación es más estrecha, menos interdisciplinaria, su formación académica básicamente está formada por un fuerte componente de programación en diferentes lenguages, desarrollo y administración de Bases de Datos, conocimientos profundos de Sistemas Operativos como UNIX y Linux , Administración de redes y por supuesto un entendimiento de la problemática biológica. Originalmente la Bioinformática fué usada en la creación y mantenimiento de Bases de Datos para guardar de modo coherente la información biológica proveniente de la llamada Revolución Genómica que originó enormes volumenes de información biológica. Eventualmente su trabajo incorporaría el desarrollo de aplicaciones basadas en internet y el desarrollo de interfases para las databases, donde los biólogos pudieran  recuperar esta información de un modo simple con el uso de la Internet y tambié añadir nueva información .

La Biología Computacional es una disciplina más teórica y mucho más basada en el uso de Matemática y Estadisticas , y creo que entiende en grado mayor los escenarios y procesos biológicos. La Bioinformática es una disciplina mucho más práctica y su propósito es el desarrollo  de soluciones informáticas de diversas clases para biólogos. Ambas disciplinas son indispensables a este punto y hacen posible muchas cosas en la Biología moderna.

Los seres vivos son o bien complejos e intrincadamente coordinados agregados de células o bien, como era en un principio, células individuales. Cada célula es una sociedad en miniatura. En ella los individuos son moléculas e interaccionan de acuerdo con las leyes de la física y la química, intercambiando ATP, divisa de la energía biológica. Existe una clara división del trabajo y, pese a existir en las más grandes y complicadas de ellas un núcleo –las células eucariotas- no existe tal cosa como un centro o un director. El ADN contiene las instrucciones que guían la actividad celular, pero esta larga cadena de nucleótidos es una molécula inerte. Necesita el desgarrón químico delas proteínas y ARNs que realizan la transcripción y la traducción de su mensaje para fabricar, en los ribosomas, más proteínas.
Desde que en 1953 James Watson y Francis Crick revelaran la estructura del ADN se ha producido lo que podría calificarse como una auténtica revolución científica, que ha permitido comprender mejor –y seguir profundizando en la comprensión de- cómo funcionan los organismos, si, pero también nos enseña lo fundamental sobre cómo pudieron y cómo no pudieron evolucionar…su historia. El análisis de la biología a nivel molecular y celular es imprescindible para ver lo que toda vida tiene en común, así como lo que diferencia –más allá de las apariencias- a unos organismos de otros. Permite, por tanto, establecer de manera fiable las relaciones de parentesco entre todos y cada uno de los seres vivos, a través de sus proteínas y sus ácidos nucleicos.Bruce Alberts es un bioquímico americano que, para cualquiera que haya cursado biología molecular o se haya interesado en profundidad por ella, no necesita presentación. Su libro Biología Molecular de la Célula, escrito en colaboración con otros notables científicos, entre ellos el mismo James Watson, es el libro de referencia en lo que se refiere al estudio de la célula viva.Su trabajo de investigación ha estado centrado fundamentalmente en la replicación del ADN y las proteínas asociadas. Sin embargo su interés por la educación ha ido mucho más allá de su disciplina. Desde la Presidencia del Consejo del SERP institute intenta promover mejoras en la educación científica en particular y en la educación en general que permitan que las futuras generaciones de profesionales y, en fin, de personas, sean más competentes, creativas, tolerantes y juiciosas.

Lea la entrevista completa en castellano y en formato PDF desde mi blog

En una nota personal, en mis años de Graduate School el libro Biología molecular de la célula, era el libro que se usaba en los 2 cursos de Biología Molecular para el  programa de Biología Computacional, no como texto primario pero si como libro de referencia. Excelente texto, por cierto viene con algunos problemas muy dificiles y complejos, pero repito excelente libro de texto. El libro costaba para la época como $ 100 o más y no teniamos otra opción que comprarlo.

Fuente: Desdeelexilio / Biología molecular de la célula (entrevista a Bruce Alberts)

CRONACA – Si chiama Zsyntax (dove la Z viene dal greco zoi, vita) ed è un nuovo linguaggio logico che promette di rivoluzionare il mondo della biologia molecolare, trattando le singole reazioni alla pari di teoremi matematici e traducendo le informazioni biologiche in un “formato” direttamente leggibile da un software. Lo hanno messo a punto, dopo tre anni di tentativi ed errori, tre scienziati di provenienze differenti: il filosofo della scienza Giovanni Boniolo, l’oncologo molecolare Pier Paolo Di Fiore (entrambi dell’IFOM di Milano e dell’Università di Milano) e il logico Marcello D’Agostino, dell’Università di Ferrara.

In apparenza, il linguaggio – che è stato appena descritto in un articolo pubblicato sulla rivista PLoS One – è molto semplice e il suo impiego non richiede particolari abilità matematiche. Si tratta in sostanza di imparare a utilizzare tre operatori logici abbastanza intuitivi: la Z-interazione, che indica che due molecole interagiscono in qualche modo tra di loro (A*B); la Z-congiunzione, che indica che due molecole stanno insieme, cioè formano un aggregato (A&B) e la Z-inferenza, che permette di passare da un enunciato a un altro, dove per enunciato si intende qualcosa che avviene all’interno di una cellula (A → B).

“Il bello di questo linguaggio è che unisce una parte empirica – quello che accade nella cellula – e una parte formale, di facile comprensione e utilizzo”, spiega Boniolo. Il quale, inoltre, sottolinea che il recente articolo su PLoS One rappresenta solo una prima tappa di sviluppo del linguaggio, più che altro una sua presentazione, mentre la discussione di tutti gli aspetti matematici e formali verrà fornita in un secondo articolo.

Gli ideatori prevedono per il loro linguaggio, una volta che sarà del tutto implementato, due applicazioni principali: intanto, la predizione di reazioni e dati biologici. “Ci sono software che riescono a dimostrare teoremi e, se non ci riescono, indicano che cosa c’è che non va nel teorema stesso”, spiega Boniolo. “Poiché Zsyntax considera le reazioni tra molecole come teoremi, potremmo farlo leggere a questi software per verificare se una data reazione può avvenire oppure no e, in caso, che cosa manca perché possa avvenire”.

Altra applicazione possibile è il cosiddetto text mining, l’individuazione mirata di particolari informazioni nella miriade di articoli di biologia molecolare pubblicati ogni giorno. “Questi articoli sono scritti in linguaggio naturale, per cui si prestano ad ambiguità di interpretazione che rendono piuttosto difficile identificare immediatamente quello che si sta cercando. Se però il cuore di ogni articolo fosse espresso in Zsyntax questa ricerca, attraverso software particolari, sarebbe molto più semplice”, conclude Boniolo.

Tanto el ADN, ARN y las proteínas son, en pocas palabras, un conjunto de símbolos, sea de un alfabeto de longitud 4, como es el caso del ADN y el ARN, o de un alfabeto de 20 símbolos, como es el caso de las proteínas.

El quid del asunto es, ¿cómo conocer qué combinaciones del código dentro del ADN estimula la creación de determinadas proteínas de interés?. En pacientes con deficiencia  de insulina, resultaría de vital importancia saber que motifs, por así decirlo, estimular para la producción de esta sustancia sin la cual la vida se vuelve extremadamente difícil.

Y es frente a este tipo de problemas en donde se requiere la acción conjunta de  las ciencias de la computación y la biología moderna. Juntas dan paso a lo que se conoce como la bioinformática, una rama del conocimiento que está orientada a aplicar los algoritmos y modelos matemáticos desarrollados en las ciencias de la computación a resolver problemas  de la biología molecular, problemas que, finalmente, pueden ser reducidos al manejo y obtención de valiosa información a partir de una enorme cantidad de datos.  Y en este campo la tería de la información ha resultado ser de gran ayuda para resolver problemas en diferentes ámbitos del conocimiento humano. Y en un campo tan importante actualmente como es la biología molecular, y la manipulación de la misma para fines beneficiosos es cuestión de trabajo duro para llegar a hipótesis que permitan resolver verdaderos problemas.

En un paper de Sunduz Kelez et al, se busca modelar los procesos de transcripción o comunicación de información entre los genes y el mRNA mediante regresión logística, una versión especial de la misma desarrollada por Ruczinski et al. Este nuevo método, llamado LogicMotif, esta compuesto en 2 partes:

1. Hallar los posibles regulatory motifs , los cuales se encuentran expresados usando la notación micro vectorial.
2. Utilizar la regresión logistica para determinar un modelo basado en los posibles TFBS hallados. Una ventaja que tienen el modelamiento por regresión es su habilidad de hallar patrones entre interacciones complejas entre variables.

Lo que se entiende a priori es que los TFBS tienen que ser hallados con un gran grado de certeza para poder esperar obtener un modelo bastante coherente. De lo contrario, podría concluirse que la criba de información genética no fue la apropiada.

Este paper clasifica en 3 los métodos para realizar el 1) paso:

1. Cluster Group
2. Regresion basada en las transcripción
3. Dictionario

El método cluster identifica regulatory motifs en genes coexpresados,  dando por sentado que la co expresión implica co regulation, es decir, posibles patrones de TFBS recurrentes en el material genético deber tener el mismo funcionamiento en el proceso de transcripción genética.

El método que utiliza la regresión depende de los procesos de transcripción con respecto a un grupo de oligonucleótidos y elegir de estos los mejores candidatos mediante prueba de hipotesis.

El método llamado Diccionario resulta sencillamente de agrupar oligonucleótidos y en base a estos, no en la transcripción, predecir la existencia de TFBS.

Estos tres métodos tienen serias limitaciones en cuanto a sus resultados. En especial el metodo de clusterización resulta en ocasiones muy ambiguo para encontrar posibles regulatory motifs. Es por ello que un híbrido entre el método de cluster y un método regresión logística arroja mejores resultados.

1. Se escoge al azar del conjunto de t secuencias n posiciones. Con estas se forma la matriz profile (P) original.
2. Luego, en base a P, se escogen los más P probables l-mers de las t secuencias.
3. Con estas se forma una nueva matriz P ‘, la cual es comparada con la matriz P anterior.
4. Si la frecuencia de los valores de A,C,G,T han aumentado, o si en su defecto las diferencias en cada columna son más marcadas, podemos hablar de una majora en la matriz profile, por lo que esta nueva matriz es tomada  de nuevo para trabajar sobre ella y por ende repetir los pasos del 2) en adelante.

Cabe recalcar que bien podría considerarse este método como uno orientado a la brute force, porque sólo en base a la esparanza de mejorar la matriz P y asi obtener la secuencia ce Consensus, es que se realizas las multiples eleciones. Y podría ser que nos encontramos en el peor de los casos y la operación sería prohibitiva de realizar.

Una mejora, tanto en tiempo como en la forma de encarar este problema consiste en utilizar Gibbs Sampling, el cuál no es más que un procedimiento iterativo que descarta l-mers con cada iteración y los reemplaza por secuencias más probables. Gibbs funciona de esta manera.

1. se separa al azar una de las t secuencias, y con el t-1 restantes se arma la matriz profile P.
2. Luego, tomando una ventana de longitud l, se calcula la probabilidad de que la secuencia que comienze en la secuencia separada t´ haya sido generada por el profile P.
3. La secuencia con mayor valor probabilístico será tomada como posible secuencia de consensus.
4. Repetir los pasos 1 al 3 hasta que no haya una mejora notoria

El primero es encontrar una estructura mediante la cual representar binding sites conocidos previamente, lo cual me permita realizar un mejor análisis y usarlas si fuera posible, para predecir otros probables candidatos a regulatory motifs.

El segundo problema planteado consiste en el problema de siempre, es decir, teniendo un conjunto de secuencias, encontrar un patrón común que constituya el binding site buscado.

Por los años 70, antes del desarrollo del rapid DNA sequencing , uno de los mayores retos en la biología molecular era justamente desglosar la composición del DNA en sus bases, y entender la función que cumplen en un organismo. Básicamente, la fijación de proteínas en ciertos genes daba a entender que ciertas subsecuencias resaltan a diferencian de otras, y a esto se lo llegó a conocer como binding sites.  A partir de la década del 80 se desarrollaron métodos más óptimos en el secuenciamiento del ADN, por lo que fue a todas luces necesario el uso del computador para el enorme manejo de datos a los que se empezaron a enfrentas los biológos.

Un concepto importante es la diferencia entre restrinction enzymes y regulatory proteins. Si bien es cierto, las enzimas son proteínas que sirven como catalizadoras naturales, los binding sites para estas deben ser necesariamente el mismo para todos los genes. Solo un mismatch, o variación y estas no se fijaran correctamente. No es así en el caso de las proteinas reguladoras, ya que en éstas las mutaciones de su binding site no afectan la fijación de la misma, complicando el proceso de búsqueda de las mismas. Los restriction enzymes tienen una función mas defensiva, orientada a proteger el DNA de la célula de infecciones virales, mientras que los regulatory proteins están orientados a la transcripción de información.

Primero que nada, el problema en su forma más abstracta consiste en hallar una subcadena que se repite con frecuencia en ciertas secuencias del DNA, llamados genes, en los cuales se adhiere una proteina provocando la producción de otra en función de las necesidades del organismo. El problema detrás es que

1. no se conoce a priori cómo esta constituida esta cadena, llamada regulatory motif.

2. existen mutaciones dentro de la misma, lo cual hace su identificación más dificil.

Las soluciones existentes se remontan dede 1995, y existen desde soluciones greedy, gibbs sampling y EM. Todas estas soluciones no pasaron una prueba llamada the  Motif Challenge Problem, en la cual se intenta hallar un motif (15,4) es decir de longitud l = 15  con 4 mutaciones en un conjunto de 20 secuencias con l=600.  cabe recalcar que cuando se habla de n-bp sequences se refiere a secuencias de n letras. Una diferencia importante con respecto a los demas resulto el algoritmo WINNOWER cuyo background es el uso de EM, expectation maximization.

Todas estas soluciones mencionadas anteriormente tuvieron tiempos de ejecución y consumo de recursos muy elevados, excepto los algoritmos pattern driven. El pattern driven consiste en probar todos los elementos del conjunto de 4 a la l posibles soluciones , es decir si tengo que l es 15 tendria un conjunto de solucion con 4 a la 15 elementos. Aunque se ve enorme, el siguiente paso es valorar cada patron con una funcion F que le de valores mas altos a los patrones mas recurrentes. Notese que para valores de l elevados, se vuelve muy tedioso.

Es alli donde entra la estrategia sample driven, que consiste en escoger patrones semilla, o seed patterns a traves de los cuales se siguen buscando patrones afines. Esto tiene su riesgo ya que si se escoge mal el seed, los siguientes pasos resultan inútiles.

Pero, para secuencias de 1600 bp para arriba  estas estrategias no son eficientes en su ejecución. Es por eso que se plantea la opción de usar un hibrido entre pattern driven y sample driven, denominado extended sample driven (ESD). Sea la secuencia buscada (l ,k) donde se generan k vecinos para cada subcadena de longitud l.  Esto nos llevaria a un numero aproximado de n N(l k) *3 elevado a k, mucho menor que 4 a la l, por lo que resulta con un tiempo relativamente menor.

Sin embargo, todavia, para cadenas de 1300 de longitud resulta prohibitivo para todas las soluciones anteriores, es por ello que resulta importante seguir explorando otras posibles estrategias orientadas a soluciones mas eficientes.

Un amigo me ha preguntado la razón del uso predominante del lenguaje de programación PERL en el área de la bioinformática. El es fundamentalmente un biólogo dedicado a la preservación de la biodiversidad, pero está familiarizado a este punto con los bioinformáticos y el uso de sus herramientas. En definitiva hay tantos lenguages de programación poderosos y versátiles que él conoce de referencia, el hecho de que PERL es tan especial para la bioinformática, es básicamente su pregunta. Bueno, PERL es tan popular con los bioinformáticos porque es magnífico a la hora de resolver tareas bioinformáticas. Ya sé que esa es la respuesta mas trivial que se puede ofrecer por excelencia a esta pregunta, pero esto no será lo último que hablemos de PERL en este posting. Una de las cosas que hace PERL tan popular para abordar tareas biológicas está precisamente en su origen ecléctico , este lenguage proviene del lenguage de programación C y del Shell de Unix, este origen va a proveer justo la flexiblidad y las herramientas de programación necesarias para resolver problemas de contexto biológico. PERL es básicamente un lenguaje de programación tipo “scripting” que toma elementos de UNIX tales como sed, grep, awk, shell scripting y la dinámica y enfoque del lenguage de programación C. Por muchos años PERL nada tuvo que ver con biología, este lenguaje fué usado fundamentalmente por Administradores de Sistemas Unix para resolver tareas administrativas y posteriormente fue usado para crear CGI “scripts” en aplicaciones web. Solo mucho después PERL se convertiría en la mejor herramienta de programación que la Bioinformática podría contar en su arsenal. Que hace que sea PERL tan especial para la biología computacional? Podría citar algunas razones que hace PERL un magnifico lenguaje de programación. Entre ellas, PERL es portable, al ser un “script”, este “script” va a correr en cualquier plataforma sin cambio o con pequeños cambios. PERL es también flexible, o sea que hay diferentes modos de lograr un mismo propósito y eso ayuda a cualquier programador independientemente de su experiencia. Como lenguaje de programación PERL es relativamente fácil de aprender y eso es algo a apreciar por cualquiera. No creo que ninguna de las razones citadas anteriormente explican el uso predominante de PERL en al ambito biológico, hay solo una particularidad de PERL que solo explica su éxito y uso extendido en la bioinformática.  Esta particularidad es que Perl es un lenguaje orientado y diseñado a la manipulación y presentación de cadenas de caracteres, esta manipulación es simplificada por el importante número de operadores a disposición del usuario que básicamente provienen del Shell de UNIX. El ADN, ARN y demás moléculas biológicas también pueden ser reducidas a cadenas de caracteres en sus componentes fundamentales, caracteres comos A, C, G, T, U que equivalen a elementos constitutivos y  distintivos tales como bases nitrogenadas. Estas secuencias de caracteres que caracterizan a las moléculas les proporcionan su identidad y unicidad. Estamos en presencia de una combinación perfecta, un lenguaje de programación insuperable en la manipulación y presentación de cadenas de caracteres y un paradigma biológico molecular que puede ser reducido también en ultima instancia a simples cadenas de caracteres. Esta es la razón por la cual PERL predomina en el campo de la bioinformática.

Por ejemplo, este simple “script” , convierte una secuencia de ADN contenido en un archivo de entrada a una secuencia de ARN. Es evidente lo simple de este programa para abordar esta tarea relativamente trivial.

# Este script convierte la secuencia de ADN  a secuencia de ARN 

# Mientras ejecuta este script el pregunta por el nombre del archivo de la secuencia de ADN. Si el archivo de  la secuencia no esta disponible en el mismo directorio del script, entre el nombre del archivo conjuntamente con el path: /home/user/sequence/dnafile.txt

print “\n\n\t\#################### DNA 2 RNA #################### \n\n”;
print “Este script convierte tu secuencia de ADN en una secuencia de ARN\n\n”;
print “Entre el nombre del archivo de la secuencia de ADN:= “;
$dnafilename = <STDIN>;
chomp $dnafilename;
unless ( open(DNAFILE, $dnafilename) ) {
    print “No puede abrir archivo \”$dnafilename\”\n\n”;
    goto h;
}
@DNA = <DNAFILE>;
close DNAFILE;
$DNA = join( ”, @DNA);
print “La secuencia original de ADN :=\n\n”;
$DNA =~ s/\s//g;
print “$DNA\n\n”;
$RNA = $DNA;
$RNA =~ s/T/U/g;
$RNA =~ s/t/u/g;
print “Convertiendo de ADN a ARN :=\n\n”;
print “$RNA\n”;
<STDIN>;

This version rocks.

New website, imporved docs and even the API.

Neat and tidy.

Have fun.

Oh yes..

some tools to make this happen:

• Paver
• github-tools

It is very basic, quick and dirty. But maybe it’s useful to someone.

For the code highlights I used pygments, which rocks.

A minha tese é sobre a possibilidade de utilizar no processo de busca por sequências similares a indexação de base de dados de sequências genéticas com técnicas de paralelização. Para quem se interessa em processamento paralelo e de alto desempenho, programação, information retrieval ou bioinformática, o convite está feito para asstir minha defesa que tem o título de “Algoritmo otimizado para comparação de seqüências e busca em base de dados” no IME dia 26 de Outubro de 2009 as 09:00.

Sério, assistam! Os resultados foram bem interessantes!