Budeme pokračovat další analýzou "zinkových prstů". Měli bychom v této chvíli mít vícenásobné zarovnání proteinových sekvencí v oblasti ZNF (soubory *_core.aln) u člověka, myši a rostlin (celé proteiny jsme zarovnávali jenom kvůli odhalení pozic se zinkovým prstem a vygenerování regulárního výrazu pro ně).

U rostlin bylo možné (se zvyšující spolehlivostí a citlivostí) hledat třema způsoby:

• klíčová slova
• hledání skrz sekvenční podobost a BLAST
• regulární výraz a PROSITE
• sekvenční podobnost a PSI-BLAST (případně HMMER)

Pokud nemáte vlastní soubor pro rostliny, můžete použít můj soubor z materiálů kurzu v ISu vygenerován relativně přímočarým a přitom účinným způsobem:

• Na PROSITE - ScanProsite/Option 2 - Submit MOTIFS https://prosite.expasy.org/scanprosite/použit vzor x(30)-K-x-[FY]-x-C-x(2,4)-C-x-K-x-[FY]-x(5)-L-x(2)-H-x(3)-H-x(3,5)-K-x-[FY]-x-C-x(2,4)-C-x-K-x-[FY]-x(5)-L-x(2)-H-x(3)-H-x(30)
• Nastaveno omezení na taxon 33090 (zelené rostliny).iz např. https://www.ncbi.nlm.nih.gov/Taxonomy/Browser/wwwtax.cgi = zahrnout i TrEMBL, hledání "no greedy, no overlap" a výstup do textu
  
• Ve vygenerovaném FASTA souboru smazány některé sekvence, zejména řas, které na první pohled vypadají jako duplicitní
• Pokud zarovnáváte pomoci CLUSTALX, porovnejte rozdíly zarovnání s iteracemi (kvalitnější, ale časově náročnější) a bez
  

1. Zmapovat výskyt v genomech, vytvořit si vlastní anotační data a zobrazit je v genomových prohlížečích. Podobně jako při vyhledávání, zde máme několik možností jak postupovat (ne všechny jsou přístupné pro všechny genomy). Může se hodit https://bioinformatics-core-shared-training.github.io/cruk-autumn-school-2017/ChIP/Materials/Lectures/Lecture7_Useful_software_utilities_%20for_computational_genomics_SS.pdf

• Využít BLAT ve spojení s proteinovými sekvencemi. Vygenerujte PSL soubor, případně konvertujte na BED, SAM GFF3 (např. psl2bed z balíku BEDOPS, bed12tobed6 z BEDTOOLS nebo psl2sam z baliku SAMTOOLS nebo konverze na GFF skriptem v R využívající knihovnu rtracklayer). Výhodou je, že ke zjištění podobnosti stačí konsenzuální sekvence.
  
• Využít UCSC TableBrowser ve spojitosti s názvy (někdy pochybnosti s názvoslovím), RefSeq ID, případně ENSEMBL stable Transcript ID (dívejte sa na položku name v tabulce zvolené anotace nebo jinou, podle toho co poradí 'lookup'). Generujte BED nebo GTF soubor a konvertujte na GFF3 a dál dle potřeby. Zkuste pro zajímavost ENST ID získat konverzí z našich RefSeq Peptide Accession Number pomoci systému BioMart na stránkách Ensembl.
  

2. Prohlédnout si anotaci v genomovém prohlízeči IGV

ZDROJE GENOMOVÝCH SEKVENCÍ A ANOTACÍ

NCBI Genomes

Phytozome

UCSC Genome Browser

3. ÚKOL na další týden:

Do odevzdávárny: Práce s IGV možná už ve cvičení https://software.broadinstitute.org/software/igv/ Odevzdat anotační soubor k některému z genomů (idealne asi člověk nebo myš), který soubor nám říká, kde v genomu jsou geny kódující protein se zinkovým prstem. Odevzdat vizualizaciv IGV (screenshot) místa, které takovou sekvenci obsahuje. Vygenerovat mapu genomu s vyznačením všech pozic na chromozomech. Inspirace: https://cmdcolin.github.io/awesome-genome-visualization/?latest=true (např. ggbio, Ideogram, karyoploteR, chromoViz, atd - víceméně všechno pod heslem Tags:Ideogram)

Do cvičení: Zprovoznit si a seznámit se s programy PyMol a MolStar (Mol*)