व्यावहारिक जैव सूचना विज्ञान

मुझे रूसी खंड में जैव सूचना विज्ञान पर जानकारी की भारी कमी मिली। मुझे नहीं पता कि यह मांग में है या नहीं, लेकिन मैं पाठक को एक परिचयात्मक भाग प्रदान करना चाहता हूं, जिसे व्यावहारिक जैव सूचना विज्ञान कहा जा सकता है, जो वास्तव में मेरे पास विषय से परिचित करने के लिए पर्याप्त नहीं था। इस अध्याय में मैं उस पथ का वर्णन करना चाहता हूं जो मुझे वर्तमान क्षण में जाना है, जब मैं अब वाक्यांशों से दूर नहीं हटता: यहां FASTQ फ़ाइल है और मुझे जीनोम ब्राउज़र के लिए एक बेड ग्राफ का निर्माण करना है। दिलचस्प चीजों के बारे में बात करना जारी रखने के लिए, मैं परिभाषाओं और प्राथमिक डेटा प्रोसेसिंग कार्यक्रमों के माध्यम से तिरछे चलना चाहता हूं, जिसके बिना एक ही भाषा बोलना मुश्किल है।

सबसे पहले, कुछ परिभाषाएँ। हम मानते हैं कि गुणसूत्र एक आयामी समन्वय वाली कुल्हाड़ियाँ हैं, एकता से लगभग 10e8 तक। अक्ष की लंबाई गुणसूत्र की लंबाई पर निर्भर करती है। प्रत्येक अक्ष बिंदु एक पूर्णांक है। जीवविज्ञानी और रसायनज्ञों ने बड़ी संख्या में प्रयोग किए और उनके लिए धन्यवाद कि वे गुणसूत्रों के कुछ हिस्सों का बड़ी सटीकता के साथ वर्णन कर पाए (लगभग 90%)। इन विवरणों को एनोटेशन कहा जाता है। सार में गुणसूत्रों की लंबाई पर जानकारी होती है, गुणसूत्रों के व्यक्तिगत वर्गों के निर्देशांक पर, जिनमें से सबसे अधिक ज्ञात जीन, इंट्रॉन , एक्सॉन हैं । इन वर्गों की एक बड़ी संख्या है, लेकिन उनकी मुख्य संपत्ति यह है कि ये खंड या समन्वय अक्ष पर स्थित खंडों का एक समूह हैं। कुछ खंडों में दूसरों को शामिल किया जा सकता है या किसी तरह से अंतरंग हो सकता है। यहाँ उन साइटों का एक सेट है जहाँ आप मनुष्यों, चूहों और इस तरह के जीनोम के एनोटेशन देख सकते हैं।

• useast.ensembl.org/Homo_sapiens/Info
• genome.ucsc.edu/cgi-bin/hgGateway
• www.genenames.org

केमिस्ट के साथ जीवविज्ञानी अपने प्रयोगों का संचालन करते हैं और कोशिकाओं पर उनके संचालन के परिणामस्वरूप, उन्हें एक समाधान मिलता है जिसमें डीएनए या आरएनए के अपेक्षाकृत छोटे टुकड़े होते हैं (मैं वास्तव में अंतर या उसी के विवरण में नहीं जाना चाहता, बस न्यूक्लियोटाइड का एक क्रम है)। यह समाधान एक अनुक्रमण तंत्र के माध्यम से पारित किया जाता है, जिसका उत्पादन छोटी रेखाएं हैं। ये लाइनें समाधान में डीएनए या आरएनए के टुकड़ों के छोर हैं। उपकरण से प्राप्त स्ट्रिंग्स की लंबाई केवल अखंड आधार है (न्यूक्लियोटाइड्स में स्ट्रिंग की लंबाई) कभी-कभी लंबी होती है, लेकिन फिलहाल यह 200 से अधिक नहीं लगता है। इन खंडों को अनुक्रमण उपकरण से प्राप्त किया जाता है और न्यूक्लियोटाइड अनुक्रम द्वारा निर्धारित किया जाता है, इसे रीड्स कहा जाता है (अंग्रेजी से पढ़ता है - " पढ़ना ”)। यह ध्यान देने योग्य है कि रीड को केवल न्यूक्लियोटाइड्स के अनुक्रम की विशेषता है, और जीनोम पर स्थान द्वारा नहीं। कभी-कभी इन अनुक्रमों को न्यूक्लियोटाइड की स्थिति के अनुरूप संभावनाओं की एक स्ट्रिंग द्वारा पूरक किया जाता है, इस स्थिति में होने की संभावना। FASTA फाइल एक फाइल है जिसमें कोई प्रायिकता नहीं है, FASTQ एक फाइल है जिसमें संभाव्यता है।

इसके अलावा, प्रयोग के परिणाम के आधार पर - डीएनए या आरएनए के टुकड़े, क्रमशः दो चिप-सीक या आरएनए-सीक सीक्वेंसिंग तकनीकों में से एक का प्रदर्शन किया जाता है। उनके बारे में अधिक जानकारी यहाँ http://en.wikipedia.org/wiki/DNA_

महंगी अनुक्रमण मशीनों के बाहर काम करने और FAST A / Q फ़ाइल में परिणाम उत्पन्न करने के बाद, जीनोम में परिणामी अनुक्रमों को खोजना आवश्यक है। Chip-seq के लिए, घर पर बहुत तेजी से संभव संभव धनुषी कार्यक्रम द्वारा बनाया गया है, यह सिर्फ 5 मिनट में लाखों बार पढ़ता है। यानी वह लम्बाई में लब्धप्रतिष्ठित पात्रों की एक प्रविष्टि की खोज करता है, जिसमें 10T9 तक की कुल लंबाई के साथ तार में कम से कम चार वर्णमाला के अक्षर होते हैं। कम से कम टर्नओवर का उपयोग क्यों किया गया था: ए / टीजी / सी वर्णमाला के मानक उपयोग के अलावा, प्रतीक एन को अक्सर किसी भी संभावित पत्र को बदलने के लिए जोड़ा जाता है (अधिक विवरण के लिए, http://genome.ucsc.edu/FAQ/FAQRownloads.html#download5 देखें )। कार्यक्रम के कई मापदंड हैं। इसलिए, उदाहरण के लिए, आप एक पंक्ति (पढ़ें) या दो (अधिकतम 3 त्रुटियों तक) में एक त्रुटि को हल कर सकते हैं। वह जीनोम में पढ़ने की एक घटना नहीं, बल्कि कई खोज कर सकती है। यह डेटा को सॉर्ट कर सकता है, उदाहरण के लिए, यदि जीनोम में एक त्रुटि के साथ एक रीड को स्पष्ट रूप से पाया गया था, और दो या तीन त्रुटियों के साथ जीनोम के कई हिस्सों में पाया गया था, तो केवल पहला परिणाम प्रदर्शित किया जाएगा। जीनोम में रीड्स खोजने की इस प्रक्रिया को इंग्लिश मैपिंग (संरेखण भी कहा जाता है) से मैपिंग कहा जाता है। इस तरह की त्वरित खोज के लिए एल्गोरिथ्म बहुत दिलचस्प है, लेकिन आप इसे एक अलग लेख समर्पित कर सकते हैं या डेवलपर की साइट से एक अंग्रेजी लेख का लिंक पा सकते हैं, जो बताता है कि कैसे bzip2 एल्गोरिदम ने उन्हें इस तरह के समाधान के लिए प्रेरित किया। बहुत सारे मैपिंग प्रोग्राम और साइट हैं जहां इसे ऑनलाइन बनाया जाता है; Google में कीवर्ड ब्लास्ट, ईलैंड + जीनोम द्वारा आप अतिरिक्त जानकारी पा सकते हैं।

RNA-seq के लिए, प्रक्रिया थोड़ी अधिक जटिल है, इसके लिए ChIP-seq मैपिंग की जाती है और फिर जो लोग Chip-seq के दौरान खुद को नहीं ढूंढते हैं, उन्हें संसाधित किया जाता है। एक अच्छा कार्यक्रम जो सक्रिय रूप से अपने काम के लिए बत्ती का उपयोग करता है उसे शीर्षहट कहा जाता है। इसके परिणामस्वरूप उत्पन्न होने वाले स्पाइसलिंग और आइसोफोर्मिज़्म के परिणामस्वरूप , रीड के कुछ हिस्सों को जीनोम के विभिन्न स्थानों में स्थित किया जा सकता है। उदाहरण के लिए, पहले 15 वर्ण जीनोम के एक भाग में हो सकते हैं, और दूसरे में 11 अन्य। एक एक्सॉन के अंत में भागों में पढ़ने और दूसरे की शुरुआत को विभाजन को जंक्शन-जंक्शन कहा जाता है। Tophat आप उन्हें खोजने के लिए अनुमति देता है, और मौजूदा जीन के नए संभव isoforms की पहचान करता है।

इन कार्यक्रमों का परिणाम एक सम / बाम फ़ाइल है जिसमें FAST A / Q फ़ाइल से जानकारी होती है और इसी गुणसूत्र हेलिकॉप्टर पर निर्देशांक के बारे में जानकारी होती है। लाइब्रेरी से लेकर सम / बाम फ़ाइल तक की प्रक्रिया को अक्सर पाइपलाइन प्रक्रिया कहा जाता है और कई प्रयोगशालाओं में स्ट्रीम पर खड़ा होता है, इसलिए आपको यह पूछना चाहिए कि डिफ़ॉल्ट रूप से कौन से पैरामीटर और प्रोग्राम संस्करण स्थापित हैं। सामान्य तौर पर, यह वह जगह है जहां परिचयात्मक भाग समाप्त होता है, फिर अनुसंधान की बारी आती है। यह ध्यान दिया जा सकता है कि अब से हमारे पास ऐसे डेटा हैं जो समान निर्देशांक में कुछ निश्चितता के साथ हैं: समन्वय अक्ष, एनोटेशन, संबंधित निर्देशांक के साथ पढ़ता है।

आप एकरूपता और निरंतरता, जटिलता के एक साधारण स्पष्टीकरण से डेटा का विश्लेषण करना शुरू कर सकते हैं, जटिल सांख्यिकीय गणनाओं के साथ समाप्त होता है जो रीड्स को कुछ समूहों में विभाजित करने में मदद करता है: शोर, शून्य स्तर और संवर्धन। डेटा विश्लेषण आवश्यक है ताकि भविष्य में कुछ डेटा को यथोचित रूप से त्यागना संभव हो सके।

यदि आप परिचयात्मक भाग में रुचि रखते हैं, तो प्रत्येक चरण में मैं और अधिक विस्तार से रह सकता हूं। दुर्भाग्य से, सरल परिचयात्मक भाग पहले से ही चित्रों के बिना सूखे पाठ के कई पृष्ठ लेता है, इसलिए मैंने इस अध्याय में लिखित कार्यक्रमों और तंत्रों का वर्णन करने की हिम्मत नहीं की। मैं स्वयं अंतिम पैराग्राफ के लिए सबसे अधिक आकर्षित हूं, जहां मैंने संक्षेप में आंकड़ों का उल्लेख किया है। मैं इस तरह के डेटा के साथ काम करने के लिए मौजूदा पुस्तकालयों और तंत्रों को संरक्षित करना चाहूंगा। आप यहां डीटामाइनिंग (विभिन्न प्रकार के क्लस्टरिंग) में शामिल तरीकों को संलग्न कर सकते हैं, जो कि हेबर पर वर्णित हैं। नियंत्रण के बिना डेटा का विश्लेषण करने के लिए पॉइसन वितरण कैसे लागू करें, जीनोम (डायारक डेल्टा फ़ंक्शन) पर रीड से समृद्ध वर्गों को खोजने के लिए एफ-टेस्ट, पॉसों की एक जटिल श्रृंखला कैसे लागू करें? क्या तैयार-किए गए पुस्तकालय अंतराल के साथ काम करने के लिए उपयोगी हैं।

और, ज़ाहिर है, अगर यह विषय दिलचस्प है, तो क्या कोई मुझे बता सकता है कि कैसे और कहाँ खुदाई करना है, क्या मामलों में, और इसे पूरक करना है। या शायद वह अपना लिखेगा। इस स्तर पर गणित और प्रोग्रामिंग के बिना जैविक मुद्दों के समाधान के लिए पहले से ही निश्चित रूप से असंभव है। अंग्रेजी भाषा के संसाधन हैं जो www.seqanswers.com पर इसी तरह के मुद्दों पर चर्चा करते हैं । लेकिन मैं तैयार उत्पादों के वर्णन से आगे जाना चाहूंगा और इन कार्यक्रमों में गणितीय और सांख्यिकीय तरीकों का उपयोग करने की उपयुक्तता और नए तरीकों का उपयोग करने की संभावना पर चर्चा करूंगा।

हमारे काम के वर्तमान चरण में, हमने उन मापदंडों को खोजने की कोशिश की जिनके द्वारा आप शोध और शोर दोनों के लिए दिलचस्प, रीड्स को फ़िल्टर कर सकते हैं। नियंत्रण के अभाव में कार्य काफी निर्विवाद है। भविष्य में, अनुक्रमण के लिए पुस्तकालय पर नियंत्रण जोड़ने का निर्णय लिया गया, जो हमें त्रुटि के स्तर को मापने की अनुमति देगा, लेकिन आंकड़े अभी भी जाने नहीं देंगे।