Introducción a la genómica para programadores

Sobre el autor Andy Thomason es un programador líder de Genomics PLC . Desde los años 70 se dedica a sistemas gráficos, juegos y compiladores; especialización - rendimiento del código.

Genes: una breve introducción

El genoma humano consta de dos copias de aproximadamente 3 mil millones de pares de bases de ADN, las letras A, C, G y T se utilizan para la codificación. Estos son aproximadamente dos bits para cada par de bases:

3,000,000,000 × 2 × 2/8 = 1,500,000,000 o aproximadamente 1.5 GB de datos.

De hecho, estas copias son muy similares, y el ADN de todas las personas es casi el mismo: desde comerciantes de Wall Street hasta aborígenes australianos.

Hay una serie de "genomas de referencia", como los archivos Ensembl Fasta . Los genomas de referencia ayudan a construir un mapa con características específicas que están presentes en el ADN humano, pero que no son exclusivas de personas específicas.

Por ejemplo, podemos determinar la "ubicación" del gen que codifica la proteína BRCA2, que es responsable de la restauración del ADN en el cáncer de mama: este gen .

Se encuentra en el cromosoma 13, comenzando desde la posición 32315474 hasta 32400266.

Variaciones genéticas

Las personas son tan similares que generalmente es suficiente almacenar un pequeño conjunto de "variaciones" para representar a una persona.

Con el tiempo, nuestro ADN se daña por los rayos cósmicos y los errores de copia, por lo que el ADN que los padres transmiten a sus hijos es ligeramente diferente del suyo.

La recombinación mezcla aún más los genes, por lo que el ADN del niño hereda de cada padre una mezcla del ADN de los abuelos de este lado.

Por lo tanto, por cada cambio en nuestro ADN, es suficiente para salvar solo las diferencias del genoma de referencia. Por lo general, se guardan en un archivo VCF (Formato de Llamada Variante).

Como casi todos los archivos en bioinformática, este es un tipo de archivo TSV (formato de texto delimitado por tabulaciones).

Puede obtener su propio archivo VCF de compañías como 23 y Me and Ancestry.com : pague relativamente poco dinero y envíe una muestra secuenciada en un microchip de ADN. Destaca fragmentos donde el ADN coincide con las secuencias esperadas.

Un ejemplo abreviado de las especificaciones VCF :

  ## fileDate = 20090805
 ## source = myImputationProgramV3.1
 ## reference = 1000GenomesPilot-NCBI36
 ## phasing = parcial
 #CHROM POS ID REF ALT FILTRO CUAL FORMATO DE INFORMACIÓN NA00001 NA00002 NA00003
 20 14370 rs6054257 GA 29 PASS NS = 3; DP = 14; AF = 0.5; DB; H2 GT: GQ: DP: HQ 0 | 0: 48: 1: 51.51 1 | 0: 48: 8: 51.51 1/1: 43: 5:.,. 

Aquí tenemos tres personas con los nombres NA00001, NA00002 y NA00003 (tomamos muy en serio la seguridad de los datos personales en el mundo de la genética), quienes, en la posición 14370 del cromosoma 20, tienen ciertas diferencias 0|0 , 1|0 y 1|1 de G a A.

Hay dos números por persona, ya que todos tenemos dos copias del cromosoma 20 (uno de cada padre; la única excepción son los cromosomas sexuales). No tengo suerte de tener solo un cromosoma X, así que heredé el daltonismo de mi abuelo a través de mi madre).

Son posibles las siguientes opciones:

  0 | 0 ambos cromosomas corresponden a la muestra de referencia
 1 | 0 y 0 | 1 solo un cromosoma es diferente del estándar
 1 | 1 ambos cromosomas difieren del estándar 

Los archivos VCF se consideran "en fase" si puede averiguar en qué cromosoma particular se encuentra la variante, o al menos dónde se encuentra en relación con sus vecinos. En la práctica, es difícil decir de qué ADN cromosómico proviene, ¡así que tienes que adivinar!

Por lo tanto, tenemos el vector de bits 001011 , que es suficiente para clasificar a tres personas en esta variación. Estos son haplotipos o variaciones de cromosomas individuales.

Investigación de GWAS

Usando este vector de bits, podemos tratar de descubrir qué partes del genoma afectan enfermedades u otras propiedades individuales, como el color o el crecimiento del cabello. Para cada variante, construimos un haplotipo para los rasgos medidos ( fenotipo ).

GWAS (estudio de asociación amplia del genoma) es la base para el análisis genético de variantes. Compara variaciones con datos observacionales.

Por ejemplo:

  Haplotipo Altura Persona
 0 1.5m NA00001
 0 1.5m
 1 1.75m NA00002
 0 1.75m
 1 1.95m NA00003
 1 1.95m 

Tenga en cuenta que cada uno tiene dos haplotipos, porque tenemos pares de cromosomas.

Aquí vemos que las opciones 1 están asociadas con un mayor crecimiento, y los valores corresponden a la regresión lineal:

  beta Cambio en el crecimiento con cambio en la variación.
 error estándar Indicador de error. 

En la práctica, realmente hay mucho ruido en los datos, y el error suele ser mayor que beta , pero a menudo tenemos varias opciones donde beta mucho mayor que el error. Esta relación, el puntaje Z y el valor p asociado, muestra qué opciones tienen más probabilidades de afectar el crecimiento.

La forma más fácil de realizar una regresión es aplicar la inversión Moore - Penrose .

Compusimos una matriz de covarianza 2 × 2 con el producto escalar de dos vectores, y resolvemos el problema por el método de mínimos cuadrados.

Tenemos billones de puntos de datos, por lo que es importante hacerlo de manera eficiente.

La maldición del acoplamiento sin equilibrio

Dado que heredamos grandes fragmentos del genoma de nuestros padres, ciertas áreas del ADN se ven muy similares: son mucho más similares de lo que dicta el caso.

Esto es bueno para nosotros, porque los genes continúan funcionando igual que sus antepasados, pero son malos para los investigadores de genómica. Esto significa que las diferencias no son suficientes para determinar las variaciones que causaron el cambio del fenotipo.

El enlace de no equilibrio (LD) determina cuán similares son los dos vectores a las variaciones.

Calcula un valor entre -1 y 1, donde

  -1 La variación opuesta exacta.
  0 Las variaciones no son similares.
  1 Las variaciones son exactamente las mismas. 

Para determinar la similitud de las variaciones, creamos grandes matrices cuadradas de LD para lugares específicos en el genoma. En la práctica, muchas de las variaciones alrededor de este lugar son casi idénticas a la variante media.

La matriz se parece a esto, con grandes cuadrados de similitud.

  v0 v2 v4 v6 v8 va vc ve vg
       v1 v3 v5 v7 v9 vb vd vf
 v0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 
 v1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0
 v2 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0
 v3 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0
 v4 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0
 v5 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0
 v6 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0
 v7 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0
 v8 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
 v9 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
 va 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
 vb 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
 vc 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
 vd 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
 ve 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
 vf 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
 vg 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 

Los valores reales no son 0 o 1, pero son muy similares.

Entre v7 y v8, se produjo la recombinación. Debido a esto, v0..v7 es diferente de v8..vg.

El problema de la similitud es que sabemos que una de las opciones en el grupo causó algo, pero no sabemos cuál.

Esto limita la resolución de nuestro microscopio genómico , y se necesitarán métodos adicionales, como la genómica funcional, para resolver el problema.

Conclusión

Al final, uno nunca puede estar 100% seguro de qué parte particular del genoma causó una característica individual específica, esta es la esencia de la genética. La biología no es una máquina exacta con piezas ideales fabricadas en fábrica. Esta es una masa hirviente de accidentes que de alguna manera crean lo que llamamos vida. Es por eso que las estadísticas, o "aprendizaje automático", como ahora está de moda llamarlo, son tan importantes.