1. Consorcio de 20 laboratorios públicos pertenecientes a 6
países. Liderado por F.S.Collins y E. Lander.
2. Discusión y debate en la comunidad científica 1984-1990.
Iniciativa: Departament of Energy y National Institutes of
Health (US). Comienzo del proyecto: 1990. Borrador: Oct
2000. Publicación: Feb 2001. Finalización: Octubre 2004.
3. Secuenciación aleatoria jerárquica (Hierarchical Shotgun
Sequencing).
4. Material: DNA obtenido de donantes anónimos. La
identidad de los donantes no es conocida (ni siquiera por
ellos mismos).
5. Los datos se han hecho públicos a través de los bancos
públicos de datos sin ninguna restricción a medida que se
progresaba en el proyecto.
6. Publicación: Nature 409: 860-921 (15 febrero 2001); Nature
431: 931-945 (21 Octubre 2004).
El Proyecto Genoma Humano
Estrategias de Secuenciación de genomas
Aproximación Clon a clon (Consorcio público)
Francis Collins
Eric Lander
1. Celera Genomics. Empresa privada de biotecnología que
dirige J. Craig Venter y cotiza en bolsa.
2. Anuncio del proyecto: 1998. Comienzo de la secuenciación:
8 Sep 1999. Finalización de la secuenciación: 17 Jun 2000.
Ensamblaje del borrador: 1 Oct 2000.
3. Estrategia: Secuenciación aleatoria del genoma (Shotgun
sequencing).
4. Material: Se reclutaron 21 donantes voluntarios. De ellos se
seleccionaron 5 sujetos (dos hombres y tres mujeres): 2
caucásicos, un afroamericano, un asiático (chino) y un
hispano (mejicano).
5. Condiciones para el acceso a los datos mediante acuerdo
entre Science y Celera Genomics. Los datos está a
disposición de los investigadores a partir de la fecha de
publicación a través de la Web de Celera y con ciertas
restricciones.
6. Publicación: Science 291: 1304-1351 (16 febrero 2001).
Celera Sequencing Project
Secuenciación de Genomas
Hierarchical Shotgun Sequencing
vs
Shotgun Sequencing
Ensamblaje
de la
secuencia
Hierarchical
Shotgun
Sequencing
Secuenciación de Genomas
Hierarchical Shotgun Sequencing
vs
Shotgun Sequencing
Ensamblaje
de la
secuencia
Shotgun
Sequencing
Calidad de una secuencia
• P = Probabilidad de error de cada base
• Q = Calidad de una base
• Q = - 10 log10 P
• Al iniciar un proyecto de secuenciación es
conveniente fijar cual es el objetivo: la
calidad de la secuencia final a obtener. De
ella depende la redundancia necesaria.
• Borrador Q = 30; Secuencia final Q = 40
Secuenciación de un clon
100-200 kb
• Fase 1. Secuenciación aleatoria– Construcción de una genoteca aleatoria en plásmido ->
colección de clones 1-2 kb de tamaño promedio.
– Secuenciación de uno o ambos extremos de un cierto número de clones -> colección de lecturas (“reads”).
– Ensamblaje de las lecturas -> un cierto número de “contigs” con huecos (“gaps”) entre ellos.
• Fase 2. Finalización (corrección de errores y rellenado de huecos mediante secuenciación dirigida)
Secuenciación
de un clon 100-200 kb
• Base-calling. PHRED permite obtener la probabilidad de error de cada base.
• Ensamblaje. PHRAP permite ensamblar las lecturas en contigs.
• Edición. CONSED permite visualizar el ensamblaje y la secuencia consenso así como calcular la probabilidad de error de cada base en la secuencia consenso.
• Finalización. AUTOFINISH permite dirigir toda la operación de finalización basándose en la calidad de cada base.
26 de Junio del 2000
Presentación de la
Secuencia del
genoma humano
Estamos aprendiendo el
lenguaje con el que Dios
creó la vida. Aumenta
nuestro asombro por la
complejidad, la belleza y la
maravilla del más sagrado y
divino don de Dios.
Celera
Generación del borradorPaisaje genómico amplio
Variación en contenido GCIslas CpGComparación de distancia genética y física
Contenido de repeticionesContenido de genesAnálisis del proteoma
Contenido de repeticionesDerivados de trasposonesPseudogenes procesadosRepeticiones de secuencias sencillasDuplicaciones segmentales 10-300 kbBloques de secuencias repetidas en tándem (centrómeros, telómeros,...)
Derivados de trasposones
Contenido de repeticionesDerivados de trasposones
Elementos H. sapiens D. melanogaster C. elegans A. thaliana
LINE/SINE 33.40% 0.70% 0.40% 0.50%
LTR 8.10% 1.50% 0.00% 4.80%
DNA 2.80% 0.70% 5.30% 5.10%
Total 44.40% 3.10% 6.50% 10.50%
Contenido de repeticionesDerivados de trasposones
Variación en la distribución de repeticiones
Trasposones como fuerza creativa
Genes que cifran RNA no codificador en el genoma humano
Genes de
RNA
Número
esperado
Número
Observado
Genes relacionados
(pseudogenes, fragmentos,
parálogos)
tRNA 1.310 497 324
18S rRNA 150-200 0 40
5.8S rRNA 150-200 1 11
28S rRNA 150-200 0 181
5S rRNA 200-300 4 520
snoRNA 97 84 645
snRNA (U1-U12) ?? 78 1542
7SL RNA 4 3 773
Contenido de genes
RNAs que codifican proteínas
Método
Número
de genes
Longitud
promedio (aa)
Genes conocidos
(RefSeq/SwissProt/TrEMBL
14.882 469
Ensembl system (Genscan + similaridad
con prot, EST y mRNA de cualquier
organismo) + Genie
4.057 443
Ensembl 12.839 187
Total 31.778 352
Genes detectados por el Consorcio
del Proyecto Genoma Humano
(Initial gene index, IGI)
Características de los genes humanos que codifican proteínas.
Característica Mediana Promedio Tamaño muestra
Tamaño exones 122 bp 145 bp 43.317
Número exones 7 8.8 3.501
Tamaño intrones 1.023 bp 3.365 bp 27.238
3’ UTR 400 bp 770 bp 689 (crom. 22)
5’ UTR 240 300 463 (crom. 22)
Secuencia codificadora 1.100 bp 1.340 bp 1.804
(CDS) 367 aa 447 aa
Extensión genómica 14 kb 27 kb 1.804
Ha habido un considerable aumento en la complejidad del proteoma
desde las levaduras unicelulares hasta los vertebrados representado
por los humanos pasando por los invertebrados multicelulares.
A este aumento contribuyen cinco aspectos:
1. El genoma humano contiene un mayor número de genes;
2. El proteoma humano contiene más familias de dominios y proteínas;
3. El proteoma humano contiene más parálogos (expansión de
familias);
4. El proteoma humano contiene más proteínas multidominio con
múltiples funciones;
5. El proteoma humano contiene más arquitecturas de proteínas.
Por lo tanto, la mayor complejidad del proteoma humano no es
simplemente consecuencia de su tamaño sino también de la innovación
de proteínas a gran escala.
Human Proteome
Comparación de proteínas entre genomas
Sólo humanos
<1%Eucariota
y
procariota
23%
Vertebrados y otros
animales
27%
Vertebrados no
mamíferos
vertebrados
6%
Mamíferos
14%
Animales y otros
eucariotas
29%
Distribución de homologías en proteínas humanasDistribución de homologías en proteínas humanas
Número de tipos de dominios distintos
Humano
2.000
1.800
1.600
1.400
1.200
1.000
800
400
200
0
Transmembrana
Mosca Gusano Levadura
Extracelular
Intracelular
Nu
mero
de d
om
inio
s p
rote
ico
s
Celera
•Completitud
• Exactitud
•Validez del
ensamblado
Secuenciación del genoma
Verificación de
las secuencias
Bases de datos del genoma humano
Genoma humano en GenBank
http://www.ncbi.nlm.nih.gov/mapview/map_search.cgi?chr=hum_chr.inf&query=
http://www.ncbi.nlm.nih.gov/genome/guide/human/
Visualizador del genoma humano
Guia del genoma humano
Ensembl http://www.ensembl.org/Homo_sapiens/index.html
Annotated human Genome sequence data
UCSC http://genome.ucsc.edu/cgi-bin/hgGateway?hgsid=100768159&clade=vertebrate&org=0&db=0
UCSC Genome Browser
Viajando a través del Genoma Humà
Genoma Humano (versión 21-Oct-2004)
• Se han conseguido secuenciar 2.850 Mb (99% de la
eucromatina).
• La tasa de error es 1/100.000 bases.
• Se ha reducido el número de “gaps” (huecos) de
~150.000 a sólo 341.
• De ellos, 33 (total ~198 Mb) en la heterocromatina y 308
(total ~28 Mb) en la eucromatina.
• Tamaño total: 2.850 + 198 + 28 = 3.080 Mb.
• Número de genes: 20.000-25.000 (19.600 genes
conocidos + 2.200 predicciones).
• Pseudogenes: ~20.000.
El proyecto ENCODE
• El proyecto ENCODE (Encyclopedia od DNA elements) pretende identificar TODOS los elementos funcionales de la secuencia del genoma humano.
• Fase piloto. Análisis detallado de 44 regiones discretas repartidas por todo el genoma que suman ~30 Mb (~1%).
• Fase de desarrollo tecnológico.
• Fase de producción. Aplicación de las técnicas desarrolladas en la fase anterior al conjunto del genoma.
The human genome at ten(Nature 464 1 April 2010)
Biology is complex
•ENCyclopedia Of DNA Elements (ENCODE) (2003-2001)
•The International HapMap Project (2002-2005)
Other “Big Biology” efforts
•Gene and Gene regulation concepts are far more complex than ever imagined
•Universe of non-coding DNA•The p53 network
•Development into “modules” of genes
•System biology as new discipline
•Interdisciplinary teams
•The sense that anything is scientifically possible
•Breathtaking technology -> Scientific progress
•Roadmap Epigenomic Programa (2008-2013)
•Genome-wide Association Studies (GWAS)