I was visiting my friend Miroslaw Kwasniewski an Assistant Professor at the University of Silesia in Katowice, Poland. He is got a GS Junior 454 machine which I wanted to check out. Besides that, he wanted some help with their bioinformatics servers and pipelines.
I was just looking at one dataset, transcriptomics from barley, obtained from the GS Junior, and read counts, read lengths and quality are all great, very impressive. I have some statistics obtained using FastQC, after exporting the SFF file from GS Junior to FastQ format using sff_extract.
This is the distribution of the read quality on a per base basis. As you can see, reads can be well over 400, around 500bp with Phred qualities above 20.
The sequence length distribution has a nice peak around 500 bp.
GS Junior could achieve 100.000 reads throughput, Mirek was getting 150.000 reads.
GS Junior seem to be quite good for sequencing low complexity samples. Quality and length of the sequencing reads is great, but depth for a e.g., full transcriptome in angiosperms, would be either challenging or too expensive. It is great for amplicon sequencing, bacterial genome sequencing, virus genome sequencing, i.e., would be great for the phages (!).
martes, junio 07, 2011
viernes, junio 03, 2011
Secuenciación del genoma de cepa de E. coli que está causando problemas en Alemania
En mayo de 2011 un brote de diarrea hemorragica se desató en los estados de la región norte de Alemania. Varios de los casos reportados causaban sindrome urémico hemolítico, caracterizado por insuficiencia renal y transtornos neurológicos. Investigadores alemanes identificaron que el agente responsable de brote es una nueva variante de la bacteria Escherichia coli entero-hemorrágica (EHEC, por sus siglas en inglés) serotipo O104.
El Instituto de Genómica de Beijing (BGI) acaba de liberar las secuencias crudas obtenidas usando Ion Torrent de la cepa de E. coli que está causando el brote de EHEC en Alemania.
El BGI liberó las lecturas crudas correspondientes a 5 corridas del Personal Genome Machine (PGM) de Ion Torrent, los datos están disponibles en el NCBI SRA con el número de acceso: SRA037315. Los datos se pueden descargar en formato .sra. El SRA tiene un kit de software que permite convertir el formato sra en fastq o sff. Yo los exporte en formato fastq, usando el comando:
La opción tal vez mas importante en este comando es -W que remueve los extremos de baja calidad de las lecturas.
Uno de los primeros paso antes de continuar al ensamble de las lecturas es revisarla un poco, e.g., longitud, calidades. Este tipo de análisis se puede adelantar con FastQC.
La calidad es buena hasta la posición ~40, a partir de allí cae drasticamente. No muy sorprendente para este tipo de tecnologías. Las gráficas con similares para las otras 4 corridas. La siguiente figura corresponde a la distribución de calidad en todas las corridas (archivos fastq concatenados).
Sobre la longitud de las secuencias, la Figura de abajo, muestra que el PGM genera lecturas en un rango bastante estrecho, con un pico en 100bp.
El Instituto de Genómica de Beijing (BGI) acaba de liberar las secuencias crudas obtenidas usando Ion Torrent de la cepa de E. coli que está causando el brote de EHEC en Alemania.
El BGI liberó las lecturas crudas correspondientes a 5 corridas del Personal Genome Machine (PGM) de Ion Torrent, los datos están disponibles en el NCBI SRA con el número de acceso: SRA037315. Los datos se pueden descargar en formato .sra. El SRA tiene un kit de software que permite convertir el formato sra en fastq o sff. Yo los exporte en formato fastq, usando el comando:
for i in $(ls *.sra); do name=`basename $i .sra`; fastq-dump -TR -W -F -SL -A $name $i; done
La opción tal vez mas importante en este comando es -W que remueve los extremos de baja calidad de las lecturas.
Uno de los primeros paso antes de continuar al ensamble de las lecturas es revisarla un poco, e.g., longitud, calidades. Este tipo de análisis se puede adelantar con FastQC.
| Corrida (SRA accession) | Número de Lecturas | Rango de tamaños |
|---|---|---|
| SRR227300 | 92370 | 1-119 |
| SRR227337 | 122208 | 1-129 |
| SRR227338 | 96765 | 1-125 |
| SRR227339 | 222275 | 1-131 |
| SRR227340 | 95750 | 1-129 |
La calidad es buena hasta la posición ~40, a partir de allí cae drasticamente. No muy sorprendente para este tipo de tecnologías. Las gráficas con similares para las otras 4 corridas. La siguiente figura corresponde a la distribución de calidad en todas las corridas (archivos fastq concatenados).
Sobre la longitud de las secuencias, la Figura de abajo, muestra que el PGM genera lecturas en un rango bastante estrecho, con un pico en 100bp.
Como podemos observar los datos generados por el PGM de Ion Torrent son lecturas de ADN de longitud corta. En general este tipo de datos se prestan muy bien para hacer ensambles de mapeo, pero no muy bien para ensambles de novo. A pesar de estoy yo estoy interesado en ver las posibilidades y las limitaciones de este tipo de datos para los ensambles de novo. Mas adelante les contaré los resultados de estos experimentos.
jueves, mayo 05, 2011
El genoma de Selaginella nos permite encontrar cambios en el contenido genético asociados con la evolución de las plantas vasculares
Acaba de salir publicado el artículo que describe el genoma de Selaginella moellendorfii. Tuve la oportunidad de participar en ese estudio y creo que es buena idea re-activar este espacio con un resumen corto.
Selaginella es una planta terreste y que cuenta con un sistema vascular verdadero.
Las plantas que colonizaron el ambiente terrestre empezaron a divergir hace mas de 450 millones de años. Los principales linajes que existen actualmente, resultado de esa divergencia, son los musgos, los licófitos y las plantas con hojas verdaderas (helechos y plantas con semillas). Selaginella es un licófito.
Desde el año 2000 conocemos los genomas completos de varias angiospermas (plantas con flores), e.g., Arabidopsis thaliana (prima de la mostaza), Oryza sativa (arroz). Desde el 2008 conocemos el genoma completo del musgo Physcomitrella patens, lo que nos permitió proponer algunos rasgos moleculares importantes en la colonización del ambiente terrestre. Pero para conocer las características moleculares que llevaron al desarrollo de vasos de transporte reales de nutrientes en las plantas era necesario conocer el genoma de un licófito, como la Selaginella moellendorfii. El estudio de este organismo nos permitió inferir, a partir de la comparación con otras plantas, que el desarrollo del sistema vascular requirió de la evolución de 516 genes nuevos, y que el desarrolló de las semillas se vio facilitado por la innovación representada en 1350 genes más.
En el desarrollo de esta investigación participaron mas de 100 investigadores de 11 países alrededor del mundo. Este estudio fue liderado por la Dra. Jo Ann Banks de la Universidad de Purdue en Estados Unidos de América. La participación de Joint Genome Institute adscrito al Departamento de Energía de Estados Unidos de América, aseguró el éxito del trabajo.
En Colombia las especies del genero Selaginella se conocen como doradilla y se emplean principalmente como plantas ornamentales. En Colombia, se encuentra principalmente en los departamentos de Amazonas, Caquetá, Cuaca, Guainía, Guaviare, Meta, Nariño, Vaupés y Vichada.
Selaginella es una planta terreste y que cuenta con un sistema vascular verdadero.
Foto: Selaginella moellendorffii (Jing-Ke Weng, Salk University)
Las plantas que colonizaron el ambiente terrestre empezaron a divergir hace mas de 450 millones de años. Los principales linajes que existen actualmente, resultado de esa divergencia, son los musgos, los licófitos y las plantas con hojas verdaderas (helechos y plantas con semillas). Selaginella es un licófito.
Desde el año 2000 conocemos los genomas completos de varias angiospermas (plantas con flores), e.g., Arabidopsis thaliana (prima de la mostaza), Oryza sativa (arroz). Desde el 2008 conocemos el genoma completo del musgo Physcomitrella patens, lo que nos permitió proponer algunos rasgos moleculares importantes en la colonización del ambiente terrestre. Pero para conocer las características moleculares que llevaron al desarrollo de vasos de transporte reales de nutrientes en las plantas era necesario conocer el genoma de un licófito, como la Selaginella moellendorfii. El estudio de este organismo nos permitió inferir, a partir de la comparación con otras plantas, que el desarrollo del sistema vascular requirió de la evolución de 516 genes nuevos, y que el desarrolló de las semillas se vio facilitado por la innovación representada en 1350 genes más.
En el desarrollo de esta investigación participaron mas de 100 investigadores de 11 países alrededor del mundo. Este estudio fue liderado por la Dra. Jo Ann Banks de la Universidad de Purdue en Estados Unidos de América. La participación de Joint Genome Institute adscrito al Departamento de Energía de Estados Unidos de América, aseguró el éxito del trabajo.
En Colombia las especies del genero Selaginella se conocen como doradilla y se emplean principalmente como plantas ornamentales. En Colombia, se encuentra principalmente en los departamentos de Amazonas, Caquetá, Cuaca, Guainía, Guaviare, Meta, Nariño, Vaupés y Vichada.
Etiquetas:
anotación,
bioinformática,
genoma
jueves, julio 15, 2010
Sobre las bolas de pelos: ridiculogramas
Quien no ha visto una imagen de una red? de internet, de reguladores de transcripción o de interacción entre proteínas?

Imagen tomada de http://www.bordalierinstitute.com/images/yeastProteinInteractionNetwork.jpg
Hoy en día son muy comunes y llaman mucho la atención. De hecho, uno de mis intereses particulares es estudiar la topología de esas redes y ver como responden a las perturbaciones.
Sin embargo la típica representación visual como bolitas y palitos no es muy útil, por eso ahora se les llama en forma generalizada 'bolas de pelos', incluso M. E. J. Newman, un experto en análisis de redes, las llama 'ridiculogramas'.
Un ridiculograma tiene las siguientes características:
* visualmente deslumbrantes.
* Sin valor científico.
* Publicados en Science o Nature.
Imagen tomada de http://www.bordalierinstitute.com/images/yeastProteinInteractionNetwork.jpg
Hoy en día son muy comunes y llaman mucho la atención. De hecho, uno de mis intereses particulares es estudiar la topología de esas redes y ver como responden a las perturbaciones.
Sin embargo la típica representación visual como bolitas y palitos no es muy útil, por eso ahora se les llama en forma generalizada 'bolas de pelos', incluso M. E. J. Newman, un experto en análisis de redes, las llama 'ridiculogramas'.
Un ridiculograma tiene las siguientes características:
* visualmente deslumbrantes.
* Sin valor científico.
* Publicados en Science o Nature.
Etiquetas:
bioinformática,
redes,
topología
lunes, julio 12, 2010
Ola de calor . . . y los servidores!
Este verano (2010) en el nor-este de Alemania hemos tenido temperaturas llegado a los 40°C, algo muy poco usual y que por supuesto ha estado estresando mas de la cuenta a los sistemas de refrigeración de nuestros cuartos de servidores.
Esta situación me llevo a instalar y configurar el paquete lm_sensors en mis servidores con CentOS. En principio todo era cuestión de instalar el paquete, detectar los sensores disponibles en el hardware (sensors-detect), cargar alguno módulos en memoria y revisar la temperatura con el comando
'sensors'. claro, la vida no es fácil, y el modulo coretemp que se necesitaba no esta instalado en CentOs, a pesar de que es incluido por defecto en versiones del kernel >= 2.6.22, pero la versión mas actual de CentOs 5.4 es 2.6.18. Ya me veía compilando el kernel y el modulo faltante.
Afortunadamente antes de enfrentar tan emocionante tarea hice una búsqueda que me ayudó a encontrar este sitio, en donde precisamente cuentan como instalar el modulo coretemp en centos 5.4.
En resumen:
1.- Descargar el rpm del modulo para el sistema deseado, en mi caso fue e15
2.- Instalar el modulo rpm -ivh kmod-coretemp-1.1-2.el5.x86_64.rpm
3.- ejecutrar (como root) sensors-detect
4.- ejecutar sensors, para ver las lecturas actuales de temperatura.
A este punto los sensores deben estar funcionando, claro con algo de suerte.
Para facilitar un poco el monitoreo escribí (partiendo de otro script que encontré en la web, pero cuya ubicación no recuerdo .-() un pequeño script de Perl que ejecuta 'sensors', guarda los datos en una base rrd, y crea las gráficas correspondientes al comportamiento de la temperatura. El script se puede ejecutar via cron, colectando datos cada 5 minutos.
Aquí esta el script:
Esta situación me llevo a instalar y configurar el paquete lm_sensors en mis servidores con CentOS. En principio todo era cuestión de instalar el paquete, detectar los sensores disponibles en el hardware (sensors-detect), cargar alguno módulos en memoria y revisar la temperatura con el comando
'sensors'. claro, la vida no es fácil, y el modulo coretemp que se necesitaba no esta instalado en CentOs, a pesar de que es incluido por defecto en versiones del kernel >= 2.6.22, pero la versión mas actual de CentOs 5.4 es 2.6.18. Ya me veía compilando el kernel y el modulo faltante.
Afortunadamente antes de enfrentar tan emocionante tarea hice una búsqueda que me ayudó a encontrar este sitio, en donde precisamente cuentan como instalar el modulo coretemp en centos 5.4.
En resumen:
1.- Descargar el rpm del modulo para el sistema deseado, en mi caso fue e15
2.- Instalar el modulo rpm -ivh kmod-coretemp-1.1-2.el5.x86_64.rpm
3.- ejecutrar (como root) sensors-detect
4.- ejecutar sensors, para ver las lecturas actuales de temperatura.
A este punto los sensores deben estar funcionando, claro con algo de suerte.
Para facilitar un poco el monitoreo escribí (partiendo de otro script que encontré en la web, pero cuya ubicación no recuerdo .-() un pequeño script de Perl que ejecuta 'sensors', guarda los datos en una base rrd, y crea las gráficas correspondientes al comportamiento de la temperatura. El script se puede ejecutar via cron, colectando datos cada 5 minutos.
Aquí esta el script:
#!/usr/bin/perl
use strict;
use warnings;
use RRDs;
# rrdtool databases
my $rrd = '/path/to/rrd/database/';
# output location of images
my $img = '/path/to/rrd/output/graphics/';
&CoreTemp();
sub CoreTemp{
my %cores;
my @CoreTemp=`sensors |grep Core`;
foreach my $line(@CoreTemp){
chomp $line;
if($line=~/^Core\s+(\d+):\s+([+-]\d+)°C/){
$cores{$1}=$2;
}
}
foreach my $core(keys %cores){
#if rrdtool database doesn't exist, create it
my $rrd_db="tempcore".$core.".rrd";
if(! -e "$rrd/$rrd_db"){
print "Creating RDD DB $rrd_db in $rrd . . . \n";
RRDs::create "$rrd/$rrd_db",
"-s 300",
"DS:temp:GAUGE:600:0:100",
"RRA:AVERAGE:0.5:1:576",
"RRA:AVERAGE:0.5:6:672",
"RRA:AVERAGE:0.5:24:732",
"RRA:AVERAGE:0.5:144:1460";
}
# insert value into rrd
RRDs::update "$rrd/$rrd_db",
"-t", "temp",
"N:$cores{$core}";
CreateGraph($core, "day");
CreateGraph($core, "week");
CreateGraph($core, "month");
CreateGraph($core, "year");
}
}
sub CreateGraph{
my ($core,$interval)=@_;
print "$core,$interval\n";
my $rrd_db="tempcore".$core.".rrd";
my $img_file="core".$core."-".$interval.".png";
RRDs::graph "$img/$img_file",
"--lazy",
"-s -1$interval",
"-t core temperature :: Core $core ",
"-h", "80", "-w", "600",
"-a", "PNG",
"-v degrees C",
"DEF:temp=$rrd/$rrd_db:temp:AVERAGE",
"LINE2:temp#0000FF:$core (Core $core)",
"GPRINT:temp:MIN: Min\\: %2.lf",
"GPRINT:temp:MAX: Max\\: %2.lf",
"GPRINT:temp:AVERAGE: Avg\\: %4.1lf",
"GPRINT:temp:LAST: Current\\: %2.lf degrees C\\n";
if (RRDs::error) { print "$0: unable to generate Core $core graph: $RRDs::error\n"; }
}
martes, junio 22, 2010
The foundation of scientific integrity - Richard P. Feynman
“The first principle is that you must not fool yourself—and you are the easiest person to fool.... After you’ve not fooled yourself, it’s easy not to fool other scientists. You just have to be honest in a conventional way after that.”
via: Scientific American
via: Scientific American
domingo, agosto 30, 2009
pensamientos . . .
La charla de Clifford Stoll in TED es espectacular, queda recomendada.
Entre las muchas cosas que dijo me gustó esta:
Entre las muchas cosas que dijo me gustó esta:
The first time you do something it’s science.
The second time it’s engineering.
The third time, you’re a technician.
jueves, febrero 12, 2009
Darwin day
Hoy hace 200 años nació Charles Robert Darwin , y en noviembre hace 150 años publicó su libro: Sobre el origen de la especies por medio de la selección natural. Para muchos Darwin es el Newton de la biología y como bien lo dijo Theodosius Dobzhansky, nada en biología tiene sentido si no se mira a través de la luz de la evolución.
Aquí les dejo uno de los primeros árboles filogenéticos, este apareció en uno de los cuadernos de notas de Darwin.

Feliz día!
Aquí les dejo uno de los primeros árboles filogenéticos, este apareció en uno de los cuadernos de notas de Darwin.

Feliz día!
domingo, octubre 05, 2008
Factores de transcripción en las plantas
Este es el tema de mi tesis de doctorado y en estos momentos estoy preparando la presentación final de mi trabajo de los últimos 4 años. Buscando formas novedosas de visualizar algunos datos me encontré con Many Eyes, espectacular.
Aquí les dejos algunoas de los gráficos que creé del número de factores de transcripción por especie y por familia de factores.
Aquí les dejos algunoas de los gráficos que creé del número de factores de transcripción por especie y por familia de factores.
Etiquetas:
bioinformática,
evolución,
factores de transcripción,
treemaps,
visualizaciín
viernes, septiembre 19, 2008
GCB 2008 - charlas sobresalientes
La semana que pasó estuve en Dresden asistiendo a la conferencia alemana de bioinformática. En general el nivel de las charlas fue muy bueno. Dos de las "keynotes" me parecieron excelentes, la de Trey Ideker y la de Michael Ashburner. La primera trató sobre biología de sistemas, y la segunda sobre el uso, pasado, presente y futuro de las ontologías en biología.
Les dejo una pequeña presentación en PDF con los principales puntos de las charlas.
Les dejo una pequeña presentación en PDF con los principales puntos de las charlas.
Etiquetas:
bioinformática,
biología de sistemas,
conferencias,
dresden,
gcb,
ontologías
miércoles, septiembre 10, 2008
GCB 2008 en Dresden
Esta semana se lleva acabo la conferencia alemana de bioinformática (GCB2008) en la hermosa ciudad de Dresden, los organizadores han escogido el museo alemán de la higiene como sede del evento.
Aquí les dejo una mujestra de una de las maravillas que se encuentran en las cercanías del museo.

Mas adelante habrá una entrada con un resumen de las presentaciones que mas me impactaron/interesaron. Hasta la próxima.
Aquí les dejo una mujestra de una de las maravillas que se encuentran en las cercanías del museo.
Mas adelante habrá una entrada con un resumen de las presentaciones que mas me impactaron/interesaron. Hasta la próxima.
Etiquetas:
bioinformática,
conferencias,
dresden,
gcb
martes, septiembre 02, 2008
Evolución de las plantas I
Las plantas son organismos eucarióticos fotosintéticos, lo que quiere decir que 'fabrican' los materiales que necesitan para vivir a partir de agua, dióxido de carbono y luz solar.
Las plantas aparecen en la tierra aproximadamente hace 1.400 millones de años, cuando una célula eucariótica que se alimentaba de cianobacterias (bacterias con la capacidad de hacer fotosíntesis), no digirió a la bacteria sino que la mantuvo intacta en su citoplasma. Con el tiempo y las generaciones esta bacteria se convirtió en un simbionte, que fue reduciendo de tamaño y pasó a depender completamente del organismo hospedero, convirtiéndose de hecho en un organelo de este, el cloroplasto, que es el organelo en donde tiene lugar la fotosíntesis. Este proceso se conoce como endosimbiosis, y ha ocurrido varias veces a lo largo de la evolución.
La siguente figura resume las relaciones evolutivas de los principales grupos de plantas existentes hoy en día. De la endosimbiosis original hace mas de 1.400 millones de años se derivaron tres grupos principales, las glaucofitas, las algas rojas (rhodophyta) y las plantas verdes (Chloroplastida). La inmensa mayoría de las plantas que conocemos y que están en nuestras casas son de este último tipo.

Ya vendrá mas información relacionada con la evolución de estos maravillosos organismos.
Las plantas aparecen en la tierra aproximadamente hace 1.400 millones de años, cuando una célula eucariótica que se alimentaba de cianobacterias (bacterias con la capacidad de hacer fotosíntesis), no digirió a la bacteria sino que la mantuvo intacta en su citoplasma. Con el tiempo y las generaciones esta bacteria se convirtió en un simbionte, que fue reduciendo de tamaño y pasó a depender completamente del organismo hospedero, convirtiéndose de hecho en un organelo de este, el cloroplasto, que es el organelo en donde tiene lugar la fotosíntesis. Este proceso se conoce como endosimbiosis, y ha ocurrido varias veces a lo largo de la evolución.
La siguente figura resume las relaciones evolutivas de los principales grupos de plantas existentes hoy en día. De la endosimbiosis original hace mas de 1.400 millones de años se derivaron tres grupos principales, las glaucofitas, las algas rojas (rhodophyta) y las plantas verdes (Chloroplastida). La inmensa mayoría de las plantas que conocemos y que están en nuestras casas son de este último tipo.

Ya vendrá mas información relacionada con la evolución de estos maravillosos organismos.
lunes, agosto 11, 2008
tesis: la frontera final
Estoy a punto de por fin entregar mi tesis de doctorado.
Luego de entregarla tengo que esperar approx. 2 meses por las evaluaciones de 4 expertos en mi área de trabajo. Si las evaluaciones recomiendan continuar con el proceso tendré que hacer una presentación pública de mi trabajo. Así que este apenas es el principio del final!
Mientras tanto aquí les dejo un representación gráfica de lo que hice en los últimos años.

La nube de palabras (word cloud) fue creada con Wordle
Luego de entregarla tengo que esperar approx. 2 meses por las evaluaciones de 4 expertos en mi área de trabajo. Si las evaluaciones recomiendan continuar con el proceso tendré que hacer una presentación pública de mi trabajo. Así que este apenas es el principio del final!
Mientras tanto aquí les dejo un representación gráfica de lo que hice en los últimos años.

La nube de palabras (word cloud) fue creada con Wordle
Etiquetas:
bioinformática,
evolución,
factores de transcripción,
tesis
domingo, junio 01, 2008
Bio-números
De vez en cuando, en el marco de diferentes análisis es importante hacer referencia a diferentes propiedades numéricas de los organismos, como número de chromosomas, tamaño del genoma, número de tipos celulares, etc. Y siempre toma bastante tiempo encontrar las referencias primarias. Afortunadamente un equipo del departamento de biología de sistema en harvard, decidio crear una base de datos, Bionumbers, en la cual almacenar y hacer públicos esos datos, con referencias a los reportes originales.
Además, cualquiera, luego de registrarse, puede agregar nuevos números biológicos, siguiendo la misma filosofía de la wikipedia.
Así que, a agregar mas bio-números.
Además, cualquiera, luego de registrarse, puede agregar nuevos números biológicos, siguiendo la misma filosofía de la wikipedia.
Así que, a agregar mas bio-números.
Etiquetas:
bases de datos,
bioinformática
martes, mayo 13, 2008
Albert Einstein on Religions from a letter to Jewish philosopher Eric Gutkind
Palabras de Don Albert Einstein sobre sus creencias religiosas:"The word god is for me nothing more than the expression and product of human weaknesses, the Bible a collection of honourable, but still primitive legends which are nevertheless pretty childish. No interpretation no matter how subtle can (for me) change this."
Mayor información: The Guardian and The Guardian
sábado, mayo 10, 2008
Factores de transcripción bZIPs en plantas - Nube de etiquetas
Tenemos que un artículo sobre la familia de factores de transcripción bZIP, que acabamos de enviar a PLoS ONE, en segunda vuelta. (actualización: artículo publicado el 12.08.08)
Aquí está la nube de etiquetas para que se haganuna idea de que trata el artículo.
Aquí está la nube de etiquetas para que se haganuna idea de que trata el artículo.
Etiquetas:
algas,
ancestrales,
bZIPs,
evolución,
factores de transcripción,
funciones,
plantas,
verdes
Factores de transcripción en Chlamydomonas
Siguiendo el ejemplo de Clastic Detritus y Green Gabbro, aquí va la nube de etiquetas (creada con TagCrowd) de uno de mis artículos recientes, que fue publicado en Genetics (Vol 179 No. 1, pp 31-39). Chlamydomonas es un alga verde, y el artículo trata de las familias de factores de transcripción es esta alga y otras plantas.
Etiquetas:
algas,
bioinformática,
evolución,
factores de transcripción,
funciones,
networks,
plantas,
regulación,
verdes
martes, marzo 25, 2008
Las cinco emociones de estar escribiendo la tesis
Corto y al punto:
Desesperanza, frustración, irritabilidad, alivio, robot.
Buena entrada en Green Gabbro
Desesperanza, frustración, irritabilidad, alivio, robot.
Buena entrada en Green Gabbro
Etiquetas:
blog,
doctorado,
escribir,
green gabbro,
tesis
lunes, junio 04, 2007
Dinucleotide shuffle
Una de las estrategias comúnmente empleadas en el estudio de ARN no codificantes, es estimar la "energía mínima de plegamiento (MFE por sus siglas en inglés)" de la estructura secundaria del ARN candidato. Este enfoque se basa en el hecho de que en muchos ARN no codificantes la estructura secundaria de la molécula es importante para su desempeño en el sistema biológico.
Usualmente la MFE estimada se compara con la MFE de secuencias al azar derivadas por re-ordenamiento de la secuencia original de ARN ("nucleotide suffling"). La hipótesis subyacente es que ARN no codificantes funcionales tendrán una estructura secundaria más estable (con menor MFE) que la predicha para una secuencia al azar de la misma composición nucleótidica.
La hipótesis funcionaría bien si los programas de predicción de estructuras secundarias fuesen completamente independientes de los sesgos en el contenido se bases nucléotidicas en las secuencias. Desafortunadamente esto no ocurre. La predicción de estructuras secundarias se basa en observaciones experimentales de la energía libre de di-nucleótidos apilados, de forma que la composición de di-nucleótidos en la secuencia es un factor que tiene que ser controlado en el experimento computacional.
La forma de controlar por el efecto de la composición de di-nucleótidos es generando secuencias al azar en donde esta composición sea idéntica (de forma exacta o estadísticamente) a la de la secuencia original. De forma que si la MFE es realemente significativa, y no solo efecto del sesgo di-nucleótidico, esta será (estadísticamente) menor que la de la secuencia al azar.
La generación de secuencias al azar que conservan la composición de di-nucleótidos es un poco mas complicada que aquella en donde solo la composición de monómeros es preservada. En 1985 Altschul y Erickson desarrollaron un algoritmo para generar este tipo de secuencias aleatorias, del cual hay varias implementaciones. Una de ellas, en perl, esta disponible en MacResearch.
Así que no olvidar generar secuencias al azar que conserven la composición de di-nucleótidos cuando se analice la estabilidad de estructuras secundarias de ARN.
Usualmente la MFE estimada se compara con la MFE de secuencias al azar derivadas por re-ordenamiento de la secuencia original de ARN ("nucleotide suffling"). La hipótesis subyacente es que ARN no codificantes funcionales tendrán una estructura secundaria más estable (con menor MFE) que la predicha para una secuencia al azar de la misma composición nucleótidica.
La hipótesis funcionaría bien si los programas de predicción de estructuras secundarias fuesen completamente independientes de los sesgos en el contenido se bases nucléotidicas en las secuencias. Desafortunadamente esto no ocurre. La predicción de estructuras secundarias se basa en observaciones experimentales de la energía libre de di-nucleótidos apilados, de forma que la composición de di-nucleótidos en la secuencia es un factor que tiene que ser controlado en el experimento computacional.
La forma de controlar por el efecto de la composición de di-nucleótidos es generando secuencias al azar en donde esta composición sea idéntica (de forma exacta o estadísticamente) a la de la secuencia original. De forma que si la MFE es realemente significativa, y no solo efecto del sesgo di-nucleótidico, esta será (estadísticamente) menor que la de la secuencia al azar.
La generación de secuencias al azar que conservan la composición de di-nucleótidos es un poco mas complicada que aquella en donde solo la composición de monómeros es preservada. En 1985 Altschul y Erickson desarrollaron un algoritmo para generar este tipo de secuencias aleatorias, del cual hay varias implementaciones. Una de ellas, en perl, esta disponible en MacResearch.
Así que no olvidar generar secuencias al azar que conserven la composición de di-nucleótidos cuando se analice la estabilidad de estructuras secundarias de ARN.
Etiquetas:
bioinformática,
dinucleotide,
estructura secundaria,
programación,
rna,
shuffle
miércoles, marzo 21, 2007
OpenKapow
Conocí openkapow por un artículo en el blog de Pedro Beltrao, e inmediatamente decidí ensayarlo y ver que posibilidades brindaba.
Básicamente, openkapow sirve para reunir datos de diferentes sitios web en forma sistemática.
Yo tenía el siguiente poblema: necesitaba obtener la ubicacíon en el borrador del genoma de Chlamydomonas reinhardtii para cada uno de los factores de transcripción que aparecen en ChlamyTFDB.
La información sobre la ubicación en el genoma está en páginas web del JGI/DOE, y cada uno de los factores de transcripción en ChlamyTFDB tiene un hipervínculo a la página del JGI/DOE apropiada.
Claro, esta tarea se puede resolver usando, por ejemplo, scripts de PERL, pero eso significa una inversión significativa de tiempo, planenado, escribiendo y corrigiendo el script. Y aquí es donde openkapow nos ayuda.
Mediante una interface gráfica, Openkapow, permite construir paso a paso las acciones requeridas para navegar diferentes páginas, extraer datos usando el puntero del ratón y cliqueando, y exportar los datos a la web o archivos de texto locales en formato CSV, XML o HTML.
Creo que el único requisito para usar OpenKapow es poder estructurar el problema en forma programática, luego es aplicar la estructura en la interace de OpenKapow, incluso añadiendo control de errores, entrada de datos, y filtrado de resultados basado en expresiones regulares, si se desea.
En realidad me parece una excelente herramienta y se las recomiendo.
Básicamente, openkapow sirve para reunir datos de diferentes sitios web en forma sistemática.
Yo tenía el siguiente poblema: necesitaba obtener la ubicacíon en el borrador del genoma de Chlamydomonas reinhardtii para cada uno de los factores de transcripción que aparecen en ChlamyTFDB.
La información sobre la ubicación en el genoma está en páginas web del JGI/DOE, y cada uno de los factores de transcripción en ChlamyTFDB tiene un hipervínculo a la página del JGI/DOE apropiada.
Claro, esta tarea se puede resolver usando, por ejemplo, scripts de PERL, pero eso significa una inversión significativa de tiempo, planenado, escribiendo y corrigiendo el script. Y aquí es donde openkapow nos ayuda.
Mediante una interface gráfica, Openkapow, permite construir paso a paso las acciones requeridas para navegar diferentes páginas, extraer datos usando el puntero del ratón y cliqueando, y exportar los datos a la web o archivos de texto locales en formato CSV, XML o HTML.
Creo que el único requisito para usar OpenKapow es poder estructurar el problema en forma programática, luego es aplicar la estructura en la interace de OpenKapow, incluso añadiendo control de errores, entrada de datos, y filtrado de resultados basado en expresiones regulares, si se desea.
En realidad me parece una excelente herramienta y se las recomiendo.
Suscribirse a:
Entradas (Atom)





