http://scienceblogs.com/evolgen/wp-content/blogs.dir/296/files/2012/04/i-c8e1056c6360b072474fc15cac 92e5c3-mastodon_trex_phylogeny.gif http://static.flickr.com/44/171266122_837e847716.jpg http://www.phylogeny.fr/version2/images/logo_phylogeny-fr.png Kde získat sekvence? •Sangerovo sekvenování – .ab1 files •GenBank či jiná databáze •Dryad – publikované datasety •NGS – FASTQ (obsahuje i informaci o kvalitě sekvence) – specifická analýza dat Raw data (.ab1 file) „basecalling“ Editovaná sekvence Editace sekvencí – Sangerovo sekvenování „Alignment“ à contig (ze stejného jedince) Alignment sekvencí z různých jedinců – analýza polymorfismu C T C/T = Y Značení heterozygotů N = A, C, G, T V = G, A, C D = G, A, T H = A, T, C B = G, T, C R = A, G Y = C, T M = A, C K = G, T S = G, C W = A, T Nukleotidové a proteinové sekvence: H_sapiens MTPMRKINPLMKLINHSFIDLPTPSNISAWWNFGS P_troglod ATGACCCCGACACGCAAAATTAACCCACTAATAAA pozice (site) = znak báze = stav znaku Grafika1 Problém homologie sekvencí Práce se sekvencemi DNA databáze: EMBL (European Molecular Biology Laboratory) – European Bioinformatics Institute, Hinxton, UK: http://www.ebi.ac.uk/embl/ GenBank – NCBI (National Center for Biotechnology Information), Bethesda, Maryland, USA: http://www.ncbi.nlm.nih.gov/Genbank/ DDBJ (DNA Data Bank of Japan) – National Institute of Genetics, Mishima, Japan: http://www.ddbj.nig.ac.jp/ Proteinové databáze: SWISS-PROT – University of Geneve & Swis Institute of Bioinformatics: http://www.expasy.ch/sprot/ a http://www.ebi.ac.uk/swissprot/ PIR (Protein Information Resource) – NBRF (National Biomedical Research Foundation, Washington, D.C., USA) & Tokyo University & JIPID (Japanese International Protein Information Database, Tokyo) & MIPS (Martinsried Institute for Protein Sequences, Martinsried, Germany): http://www-nbrf.georgetown.edu/ PRF/SEQDB (Protein Resource Foundation) – Ósaka, Japan: http://www.prf.or.jp/en/os.htm PDB (Protein Data Bank) – University of New Jersey, San Diego & Super-computer Center, University of California & National Institute of Standards and Technology: http://www.rcsb.org/pdb/ FASTA: >H_sapiens ATGACCCCAATACGCAAAATTAACCCCCTAATAAAATTAATTAACCACTCATTCATCGACCTCCCCACCC CATCCAACATCTCCGCATGATGAAACTTCGGCTCACTCCTTGGCGCCTGCCTGATCCTCCAAATCACCAC AGGACTATTCCTAGCCATACACTACTCACCAGACGCCTCAACCGCCTTTTCATCAATCGCCCACATCACT CGAGACGTAAATTATGGCTGAATCATCCGCTACCTTCACGCCAATGGCGCCTCAATATTCTTTATCTGCC TCTTCCTACACATCGGGCGAGGCCTATATTACGGATCATTTCTCTACTCAGAAACCTGAAACATCGGCAT ... >P_troglod ATGACCCCGACACGCAAAATTAACCCACTAATAAAATTAATTAATCACTCATTTATCGACCTCCCCACCC CATCCAACATTTCCGCATGATGGAACTTCGGCTCACTTCTCGGCGCCTGCCTAATCCTTCAAATTACCAC AGGATTATTCCTAGCTATACACTACTCACCAGACGCCTCAACCGCCTTCTCGTCGATCGCCCACATCACC CGAGACGTAAACTATGGTTGGATCATCCGCTACCTCCACGCTAACGGCGCCTCAATATTTTTTATCTGCC TCTTCCTACACATCGGCCGAGGTCTATATTACGGCTCATTTCTCTACCTAGAAACCTGAAACATTGGCAT ... >P_paniscus ATGACCCCAACACGCAAAATCAACCCACTAATAAAATTAATTAATCACTCATTTATCGACCTCCCCACCC CATCCAATATTTCCACATGATGAAACTTCGGCTCACTTCTCGGCGCCTGCCTAATCCTTCAAATCACCAC AGGACTATTCCTAGCTATACACTACTCACCAGACGCCTCAACCGCCTTCTCATCGATCGCCCACATTACC CGAGACGTAAACTATGGTTGAATCATCCGCTACCTTCACGCTAACGGCGCCTCAATACTTTTCATCTGCC TCTTCCTACACGTCGGTCGAGGCCTATATTACGGCTCATTTCTCTACCTAGAAACCTGAAACATTGGCAT ... Formáty souborů Formáty souborů GenBank: ORIGIN 1 tgaaatgaag atattctctt ctcaagacat caagaagaag gaactactcc ccaccaccag 61 cacccaaagc tggcattcta attaaactac ttcttgtgta cataaattta catagtacaa 121 tagtacattt atgtatatcg tacattaaac tattttcccc aagcatataa gcaagtacat 181 ttaatcaatg atataggcca taaaacaatt atcaacataa actgatacaa accatgaata 241 ttatactaat acatcaaatt aatgctttaa agacatatct gtgttatctg acatacacca 301 tacagtcata aactcttctc ttccatatga ctatcccctt ccccatttgg tctattaatc 361 taccatcctc cgtgaaacca acaacccgcc caccaatgcc cctcttctcg ctccgggccc 421 attaaacttg ggggtagcta aactgaaact ttatcagaca tctggttctt acttcagggc 481 catcaaatgc gttatcgccc atacgttccc cttaaataag acatctcgat ggtatcgggt 541 ctaatcagcc catgaccaac ataactgtgg tgtcatgcat ttggtatttt tttattttgg 601 cctactttca tcaacatagc cgtcaaggca tgaaaggaca gcacacagtc tagacgcacc 661 tacggtgaag aatcattagt ccgcaaaacc caatcaccta aggctaatta ttcatgcttg 721 ttagacataa atgctactca ataccaaatt ttaactctcc aaacccccca accccctcct 781 cttaatgcca aaccccaaaa acactaagaa cttgaaagac atatattatt aactatcaaa 841 ccctatgtcc tgatcgattc tagtagttcc caaaatatga ctcatatttt agtacttgta 901 aaaattttac aaaatcatgc tccgtgaacc aaaactctaa tcacactcta ttacgcaata 961 aatattaaca agttaatgta gcttaataac aaagcaaagc actgaaaatg cttagatgga 1021 taattttatc cca // PHYLIP (“interleaved” format): 6 1120 H_sapiens ATGACCCCAA TACGCAAAAT TAACCCCCTA ATAAAATTAA TTAACCACTC P_troglod ATGACCCCGA CACGCAAAAT TAACCCACTA ATAAAATTAA TTAATCACTC P_paniscus ATGACCCCAA CACGCAAAAT CAACCCACTA ATAAAATTAA TTAATCACTC G_gorilla ATGACCCCTA TACGCAAAAC TAACCCACTA GCAAAACTAA TTAACCACTC P_pygmaeus ATGACCCCAA TACGCAAAAC CAACCCACTA ATAAAATTAA TTAACCACTC H_lar ATGACCCCCC TGCGCAAAAC TAACCCACTA ATAAAACTAA TCAACCACTC ATTCATCGAC CTCCCCACCC CATCCAACAT CTCCGCATGA TGAAACTTCG ATTTATCGAC CTCCCCACCC CATCCAACAT TTCCGCATGA TGGAACTTCG ATTTATCGAC CTCCCCACCC CATCCAATAT TTCCACATGA TGAAACTTCG ATTCATTGAC CTCCCTACCC CGTCCAACAT CTCCACATGA TGAAACTTCG ACTCATCGAC CTCCCCACCC CATCAAACAT CTCTGCATGA TGGAACTTCG ACTTATCGAC CTTCCAGCCC CATCCAACAT TTCTATATGA TGAAACTTTG Formáty souborů NEXUS (PAUP*, “interleaved”): #NEXUS begin data; dimensions ntax=6 nchar=1120; format datatype=DNA interleave datatype=DNA missing=? gap=-; matrix P_troglod ATGACCCCGACACGCAAAATTAACCCACTAATAAAATTAATTAATCACTC P_paniscus ATGACCCCAACACGCAAAATCAACCCACTAATAAAATTAATTAATCACTC H_sapiens ATGACCCCAATACGCAAAATTAACCCCCTAATAAAATTAATTAACCACTC G_gorilla ATGACCCCTATACGCAAAACTAACCCACTAGCAAAACTAATTAACCACTC P_pygmaeus ATGACCCCAATACGCAAAACCAACCCACTAATAAAATTAATTAACCACTC H_lar ATGACCCCCCTGCGCAAAACTAACCCACTAATAAAACTAATCAACCACTC P_troglod ATTTATCGACCTCCCCACCCCATCCAACATTTCCGCATGATGGAACTTCG P_paniscus ATTTATCGACCTCCCCACCCCATCCAATATTTCCACATGATGAAACTTCG H_sapiens ATTCATCGACCTCCCCACCCCATCCAACATCTCCGCATGATGAAACTTCG G_gorilla ATTCATTGACCTCCCTACCCCGTCCAACATCTCCACATGATGAAACTTCG P_pygmaeus ACTCATCGACCTCCCCACCCCATCAAACATCTCTGCATGATGGAACTTCG H_lar ACTTATCGACCTTCCAGCCCCATCCAACATTTCTATATGATGAAACTTTG end; Formáty souborů Clustal: P_troglod ATGACCCCGACACGCAAAATTAACCCACTAATAAAATTAATTAATCACTCATTTATCGAC P_paniscus ATGACCCCAACACGCAAAATCAACCCACTAATAAAATTAATTAATCACTCATTTATCGAC H_sapiens ATGACCCCAATACGCAAAATTAACCCCCTAATAAAATTAATTAACCACTCATTCATCGAC G_gorilla ATGACCCCTATACGCAAAACTAACCCACTAGCAAAACTAATTAACCACTCATTCATTGAC P_pygmaeus ATGACCCCAATACGCAAAACCAACCCACTAATAAAATTAATTAACCACTCACTCATCGAC H_lar ATGACCCCCCTGCGCAAAACTAACCCACTAATAAAACTAATCAACCACTCACTTATCGAC ******** ******* ***** *** **** **** ** ****** * ** *** P_troglod CTCCCCACCCCATCCAACATTTCCGCATGATGGAACTTCGGCTCACTTCTCGGCGCCTGC P_paniscus CTCCCCACCCCATCCAATATTTCCACATGATGAAACTTCGGCTCACTTCTCGGCGCCTGC H_sapiens CTCCCCACCCCATCCAACATCTCCGCATGATGAAACTTCGGCTCACTCCTTGGCGCCTGC G_gorilla CTCCCTACCCCGTCCAACATCTCCACATGATGAAACTTCGGCTCACTCCTTGGTGCCTGC P_pygmaeus CTCCCCACCCCATCAAACATCTCTGCATGATGGAACTTCGGCTCACTTCTAGGCGCCTGC H_lar CTTCCAGCCCCATCCAACATTTCTATATGATGAAACTTTGGTTCACTCCTAGGCGCCTGC ** ** **** ** ** ** ** ****** ***** ** ***** ** ** ****** Formáty souborů Seřazení sekvencí (alignment) Sekvence 1 TTGTACGACGG Sekvence 2 TTGTACGACG TTGTACGACGG TTGT---ACGACGG ½½½½½½½½½½ ½½½½ ½½½ TTGTACGACG TTGTACGACG Sekvence 1 ACTTGTGCTTC Sekvence 2 ACGTGCTGCTC ACTTG-TGCTTC Path 1 ½½ ½½ ½½½½ ACGTGCTGCTC ACTTGTGCTTC Path 2 ½½ ½½½½½ ½ AC--GTGCTGCTC gap penalty GP = g + hl g - gap penalty h – gap extension penalty l – gap length GenBank (http://www.ncbi.nlm.nih.gov/genbank/) BLAST (http://blast.ncbi.nlm.nih.gov/Blast.cgi?PROGRAM=blastn&PAGE_TYPE=BlastSearch&LINK_LOC=blasthome) BioEdit konverze formátů (zejména pro fylogenetickou analýzu): ALTER (http://sing.ei.uvigo.es/ALTER/) DnaSP •např. tvorba haplotypového souboru (jednotlivé sekvence seřazeny do haplotypů – pro vytváření haplotypové sítě) • •Phase – separace heterozygotů do haplotypů (MCMC algorithm) 1_2 fylogenetický strom = fylogenie (phylogeny) s kořenem, bez kořene větve (branches, edges) vnější, vnitřní, centrální uzly (nodes, vertices) vnitřní, terminální (externí) dichotomie, polytomie OTU, HTU topologie Fylogenetická analýza - definice základních pojmů 1_1 dráha linie topologie: Definice základních pojmů linie 1_1 Kolik existuje stromů? více než elektronů ve viditelném vesmíru (Eddingtonovo číslo) • UPGMA • neighbor- joining • Fitch- Margoliash • minimum evolution • maximum parsimony • maximum likelihood • Bayesian a. distance znaky Typy dat Rozdělení metod výkonnost (efficiency): jak rychlá je metoda? síla (power): kolik znaků je třeba? konzistence (consistency): vede zvyšující se počet znaků ke správnému stromu? robustnost (robustness): jak metoda funguje při neplatnosti předpokladů? falzifikovatelnost (falsifiability): umožňuje testování platnosti předpokladů? Jak hodnotit jednotlivé metody? (1) Maximální úspornost (maximum parsimony, MP) - snaha minimalizovat počet analogických stavů I II III A 1 0 1 B 0 0 1 C 1 0 0 D 0 1 0 E 1 0 1 2 kroky 1 krok 2 kroky William of Occam (c. 1285 - c. 1349): Occamova břitva minimální počet kroků = 3 (pro každý znak jedna změna) skutečný počet kroků = 5 Þ2 extra kroky ® analogie = homoplasie Þstejný stav znaku vzniká vícekrát nezávisle Jukes-Cantor (JC): stejné frekvence bází stejné frekvence substitucí (2) Evoluční (substituční) modely a distanční metody Báze po substituci A C G T A -¾ ¼ ¼ ¼ Původní báze C ¼ -¾ ¼ ¼ G ¼ ¼ -¾ ¼ T ¼ ¼ ¼ -¾ - a a a a - a a a a - a a a a - Q = Kimura 2-parameter (K2P): transice ≠ transverze TsTv - b a b b - b a a b - b b a b - Q = Jestliže a = b, K2P = JC - pCb pGa pTb pAb - pGb pTa pAa pCb - pTb pAb pCa pGb - Q = Jestliže pA = pC = pG = pT, F81 = JC Felsenstein (F81): různé frekvence bází - pC pG pT pA - pG pT pA pC - pT pA pC pG - Q = Hasegawa-Kishino-Yano (HKY): různé frekvence bází transice ≠ transverze General time-reversible (GTR): různé frequence bází různé frekvence všech substitucí Jukes-Cantor (JC) pA=pC=pG=pT a=b Felsenstein (F81) pA¹pC¹pG¹pT a=b Kimura‘s two-parameter (K2P) pA=pC=pG=pT a¹b Hasegawa-Kishino-Yano (HKY) pA¹pC¹pG¹pT a¹b Felsenstein (F84) pA¹pC¹pG¹pT a=c=d=f=1, b=(1+K/pR), e=(1+K/pY), kde pR=pA+pG pY=pC+pT Kimura’s three-substitution-type (K3ST) pA=pC=pG=pT a¹b Tamura-Nei (TrN) pA¹pC¹pG¹pT a¹b General-time reversible (GTR) pA¹pC¹pG¹pT a, b, c, d, e, f nestejné frekvence bází více než 1 typ substituce 2 typy transicí Heterogenita substitučních rychlostí v různých částech sekvence Gama Gama (Γ) rozdělení: • parametr tvaru α (shape parameter) • diskrétní gama model • invariantní pozice ® GTR+ Γ+I Porovnání modelů: Comparison Který model vybrat? Likelihood ratio test (LRT): nested models LR = 2(lnL2 – lnL1) Chi-square, p2 – p1 d.f. Akaike information criterion (AIC): nonnested models AIC = -2lnL + 2p, where p = number of free parameters better model ® smaller AIC Bayesian information criterion (BIC): nonested models BIC = -2lnL + plnN, where N = sample size Porovnání modelů: Hierarchický LRT – ModelTest (Crandall and Posada) Porovnání modelů: Dynamický LRT LRT Porovnání modelů: Comparison Více parametrů Þ více realismu, ale … … také více neurčitosti, protože jsou odhadovány ze stejného množství dat Porovnání modelů Distance •počítány pro každý pár taxonů, z matice distancí (nebo podobností) konstruován strom • •distanční metody založeny na předpokladu, že pokud bychom znali skutečné distance mezi všemi studovanými taxony, mohli bychom velmi jednoduše rekonstruovat správnou fylogenii • •výhoda: velmi rychlé a jednoduché (lze i na kalkulačce) 1 10 20 30 sekvence 1: ACCCGTTAAGCTTAACGTACTTGGATCGAT sekvence 2: ACCCGTTAGGCTTAATGTACGTGGATCGAT p-distance: p = k/n = 3/30 = 0.10 Diff problém saturace: Distance Distance pro některé modely: Příklad v MEGA Shluková analýza - UPGMA Š B Č G O 1.Najdi min d(ij) 2.Vypočítej novou matici d(ŠB-k) = [d(B-k)+d(Š-k)]/2 3.Opakuj 1 a 2. šimp. bonobo gorila člověk orang. šimpanz (Š) -- bonobo (B) 0,0118 -- gorila (G) 0,0427 0,0416 -- člověk (Č) 0,0382 0,0327 0,0371 -- orangutan (O) 0,0953 0,0916 0,0965 0,0928 -- ŠB gorila člověk orang. ŠB -- gorila (G) 0,0422 -- člověk (Č) 0,0355 0,0371 -- orangutan (O) 0,0935 0,0965 0,0928 -- Š B Č G O UPGMA: d[(BŠČ)G] = {d(BG)+d(ŠG)+d(ČG)}/3 WPGMA: d[(BŠČ)G] = {d[(BŠ)G] + d(ČG)}/2 single-linkage complete-linkage Shluková analýza - UPGMA •Algoritmická metoda •Princip minimální evoluce ® minimalizuje součet délek větví S •Každý pár uzlů adjustován na základě divergence od ostatních •Konstrukce jediného aditivního stromu Spojení sousedů (neighbor-joining, NJ) NJ2 Spojení sousedů (neighbor-joining, NJ) hvězdicový strom nalezení nejbližších sousedů přepočítání distancí opakování postupu … S = 32,4 S = 29,5 S = 28,0 Nevýhody distančních dat: 1.ztráta části informace během transformace 2.jakmile data transformována na distance, nelze se vrátit zpět (odlišné sekvence mohou dát stejné distance) 3. 3.nelze sledovat evoluci na různých částech sekvence 4. 4.obtížná biologická interpretace délek větví 5. 5.nelze kombinovat různé distanční matice (3) Maximální věrohodnost (maximum likelihood) 1 TCAAAAATGGCTTTATTCGCTTAATGCCGTTAACCCTTGCGGGGGCCATG 2 TCCGTGATGGATTTATTTCCGCAATGCCTGTCATCTTATTCTCAAGTATC 3 TTCGTGATGGATTTATTGCAGGTATGCCAGTCATCCTTTTCTCATCTATC 4 TTCGTGACGGGTTTATCTCGGCAATGCCGGTCATCCTATTTTCGAGTATT data: strom: topologie délky větví evoluční model = hypotéza Věrohodnostní funkce: jaká je pravděpodobnost získání daných dat při dané hypotéze? L = P(D│H), kde D = matice dat H = t (topologie), n (délky větví), q (model) Aposteriorní pravděpodobnost je dána Bayesovou rovnicí: aposteriorní pravděpodobnost (posterior probability) = pr. platnosti hypotézy při získaných datech: P(H½D) a.p. je funkcí věrohodnosti P(D½H) a apriorní pravděpodobnosti (prior prob.) prior vyjadřuje náš apriorní předpoklad nebo znalost P(D½H) ´ P(H) P(H½D) = S[P(D½Hi)´P(Hi)] věrohodnost prior suma čitatelů pro všechny alternativní hypotézy (4) Bayesovská analýza Fylogenetické programy: alignment: ClustalX http://inn-prot.weizmann.ac.il/software/ClustalX.html BioEdit PAUP* PHYLIP MEGA ... MP, NJ, ML McClade ... MP MOLPHY, TREE-PUZZLE ... ML MrBayes ... BA práce se stromy: TreeView http://taxonomy.zoology.gla.ac.uk/rod/treeview.html FigTree