Introducción a Bioperl

Verónica Jiménez Jacinto

vjimenez @ ibt.unam.mx

Enero 2010

¿Qué es Bioperl?

• Bioperl es un esfuerzo comunitario para producir código en Perl, el cual sea útil, produciendo aplicaciones para la bioinformática, genómica y ciencias biológicas en general.

• Es un proyecto de software libre y fue fundamental en el proyecto de secuenciación del genoma humano.

• Consiste en un conjunto de módulos que facilita el desarrollo en Perl de herramientas bioinformáticas.

¿Por qué es atractivo BioPerl?

• Paradigma de programación orientada a objetos.

Clase

Atributos

Metodos

Objeto Objeto

Objeto

Instalación• Por medio de la aplicación 'Sistema -> Administración -> gestor Synaptic', en realidad la

manera sencilla de instalar cualquier software, Lo mismo se puede lograr desde la Terminal, por medio de: $ sudo apt-get install 'nombre:software' .

• Usando BIOPERL BUNDLE Instala Bioperl usando CPAN.: >perl -MCPAN -e "install Bundle::BioPerl"

Otra manera;>perl -MCPAN -e shell cpan>install Bundle::BioPerl

• Instalando BIOPERL usando el shell de CPAN :

>perl -MCPAN -e shell Then find the name of the Bioperl version you want: cpan>d /bioperl/ Ahora instala: cpan>install B/BI/BIRNEY/bioperl-1.4.tar.gz

• Instalando BIOPERL usando 'make' Descarga, descomprime y desempaqueta el archivo: >gunzip bioperl-1.2.tar.gz >tar xvf bioperl-1.2.tar >cd bioperl-1.2 Luego usa el comando make: >perl Makefile.PL >make >make test

• Para windows, se puede descargar una version en : http://www.activestate.com/activeperl/

¿Qué se puede hacer con Bioperl?

• Acceder a secuencias locales o remotas• Transformar formatos de diferentes Bases de

datos• Manipular secuencias individuales• Buscar secuencias similares • Crear y manipular alineamientos de secuencias• Buscar genes y estructuras geonómicas sobre

DNA • Desarrollar código para leer anotaciones

Que se puede hacer con bioperl?

Sequences• Bio::Seq es el principal objeto de la clase secuencia de

Bioperl.• Bio::PrimarySeq es un objeto secuencia sin

características• Bio::SeqIO Proporciona funciones para leer y escribir

en secuencias desde archivos • Bio::Tools::SeqStats proporciona estadísticas sobre

secuencias.• Bio::LiveSeq::* maneja cambio de secuencias.• Bio::Seq::LargeSeq proporciona soporte para manejar

secuencias muy grandes.

Seq es el objeto cetral para manipular secuencias. Es una secuencia con características.

use Bio::Perl;# this script will only work with an internet connection# on the computer it is run on$seq_object = get_sequence('swissprot',"ROA1_HUMAN");my $seq_object2 = get_sequence('embl',"AI129902");my $seq_object3 = get_sequence('genbank',"AI129902");write_sequence(">roa1.fasta",'fasta',$seq_object2);cat roa1.fasta>unknown id qc41b07.x1 Soares_pregnant_uterus_NbHPU Homo

sapiens cDNA clone IMAGE:1712149 3' similar to SW:ROA1_

SCHAM P21522 HETEROGENEOUS NUCLEAR RIBONUCLEOPROTEIN A1, A2/B1 HOMOLOG. ;contains MSR1.b2 MSR1 repetitive elemen

t ;, mRNA sequence.CTCCGCGCCAACTCCCCCCACCCCCCCCCCACACCCC get_secuencias.pl

use Bio::Perl;# this script will only work with an# Internet connection# on the computer it is run on$seq_object = get_sequence('swissprot',"ROA1_HUMAN");

#uses the default database -nr in this case$blast_result = blast_sequence($seq_object);write_blast(">roa1.blast",$blast_result);

# gets a sequence from a file $seqio = Bio::SeqIO->new( '-format' => 'embl' ,

-file => 'myfile.dat'); $seqobj = $seqio->next_seq();

# get from database $db = Bio::DB::swiss->new(); $seqobj = $db->get_Seq_by_acc('ROA1_HUMAN');

# make from strings in script $seqobj = Bio::Seq->new( -display_id => 'my_id',

-seq => $sequence_as_string);

$seqobj = new_sequence("ATTGGTTTGGGGACCCAATTTGTGTGTTATATGTA",

“un nombre", "AL12232");$seq_stats = Bio::Tools::SeqStats->new(-

seq=>$seqobj);

$monomer_ref = $seq_stats->count_monomers(); $codon_ref = $seq_stats->count_codons(); $weight = $seq_stats->get_mol_wt($seqobj);

# gets sequence as a string from sequence object $seqstr = $seqobj->seq(); # actual sequence as a string $seqstr = $seqobj->subseq(10,50); # slice in biological coordinates

# retrieves information from the sequence # features must implement Bio::SeqFeatureI interface

@features = $seqobj->get_SeqFeatures(); # just top level

foreach my $feat ( @features ) { print "Feature ",$feat->primary_tag," starts ",$feat->start," ends ", $feat->end," strand ",$feat->strand,"\n"; # features retain link to underlying sequence object print "Feature sequence is ",$feat->seq->seq(),"\n" }

# sequences may have a species if( defined $seq->species ) {

print "Sequence is from ",$species->binomial_name," [",$species->common_name,"]\n"; }

# annotation objects are Bio::AnnotationCollectionI's $ann = $seqobj->annotation(); # annotation object

# references is one type of annotations to get. Also get # comment and dblink. Look at Bio::AnnotationCollection for # more information

foreach my $ref ( $ann->get_Annotations('reference') ) { print "Reference ",$ref->title,"\n";

}# you can get truncations, translations and reverse complements, these # all give back Bio::Seq objects themselves, though currently with no # features transfered

my $trunc = $seqobj->trunc(100,200); my $rev = $seqobj->revcom();

# there are many options to translate - check out the docs my $trans = $seqobj->translate();

# these functions can be chained together my $trans_trunc_rev = $seqobj->trunc(100,200)->revcom->translate();

¿Qué se puede hacer en bioperl?

Databases• Bio::DB::GenBank proporciona acceso a

GenBank • Bio::Tools::Run::StandAloneBlast corre

BLAST localmente.• Bio::Tools::Run::RemoteBlast corre BLAST

remotamente.• Bio::Tools::BPlite parsea un reporte BLAST• Bio::Tools::BPpsilite parsea un reporte

psiblast• Bio::Tools::HMMER::Results parsea

resultados de Cadenas de Markov.

Alignments

• Bio::SimpleAlign manipula y despliega alineamientos de múltiples secuencias

• Bio::LocatableSeq Son objetos secuencias con puntos de inicio y final para su localización relativa a otras secuencias o alineamientos.

• Bio::Tools::pSW alinea dos secuencias con el algoritmo Smith-Waterman.

• Bio::AlignIO Alinea dos secuencias con el algoritmo blast• Bio::Clustalw es una interface del paquete Clustalw.• Bio::TCoffee es una interface del paquete Tcoffee• Bio::Variation::Allele maneja conjuntos de allelos.• Bio::Variation::SeqDiff maneja conjuntos de mutaciones y

variantes

Features and genes on sequences

• Bio::SeqFeature es un objeto con las caracteristicas de una secuencia en Bioperl.• Bio::Tools::RestrictionEnzyme localiza sitios de restriccion sitios en secuencias• Bio::Tools::Sigcleave Encuentra sitios de corte en aminoacidos.• Bio::Tools::OddCodes Rescribe secuencias de aminoacidos con codigos

abreviados para especificar analisis estadisticos. (e.g., a hydrophobic/hydrophilic two-letter alphabet).

• Bio::Tools::SeqPattern Proporciona soporte para encontrar secuencias de patrones.

• Bio::LocationI proporciona una interface para localizar información de una seucencia

• Bio::Location::Simple maneja información de la localización de una secuencia, como una simple localización y como un rango. .

• Bio::Location::Fuzzy proporciona información de la localización que puede ser inexacta.

• Bio::Tools::Genscan es una interface para encontrar genes con el progrma Genscan

• Bio::Tools::Sim4::Results (and Exon) es una interface para encontrar exones de genes con el programa Sim4

>more $RHIZO_PUB/RE1PF/CP000138.gbk LOCUS CP000138 642517 bp DNA circular BCT 10-MAR-2006DEFINITION Rhizobium etli CFN 42 plasmid p42f, complete sequence.ACCESSION CP000138VERSION CP000138.1 GI:86284836KEYWORDS .SOURCE Rhizobium etli CFN 42REFERENCE 1 (bases 1 to 642517) AUTHORS Gonzalez,V., Santamaria,R.I., Bustos,P., Hernandez-Gonzalez,I., Medrano-Soto,A., Moreno-Hagelsieb,G., Janga,S.C., Ramirez,M.A., Jimenez-Jacinto,V., Collado-Vides,J. and Davila,G. TITLE The partitioned Rhizobium etli genome: Genetic and metabolic redundancy in seven interacting replicons…• FEATURES Location/Qualifiers• source 1..642517• /organism="Rhizobium etli CFN 42"• /mol_type="genomic DNA"• /strain="CFN 42"• /db_xref="taxon:347834"• /plasmid="p42f"• promoter 516..546• /note="sigma54 panCp promoter; Putative transcription• initiation."• gene 709..1602• /gene="panC"• /locus_tag="RHE_PF00001"• CDS 709..1602• /gene="panC"• /locus_tag="RHE_PF00001"• /EC_number="6.3.2.1"• /product="pantoate beta alanine ligase protein"

• vjimenez> more /home/genomas/pub/RE1PF/RE1PF_gene_from_GK3.dat • LocusTag GI gene_name product_name

position strain gbaccession crossrefs• RHE_PF00001 GI:86284837 panC pantoate beta alanine

ligase protein 709..1602 forward CP000138•

CDD:COG0414,CDD:PF02569.4,GI:86284837,InterPro:IPR003721 • RHE_PF00002 GI:86284838 panB ketopantoate

hydroximethyltransferase protein 1599..2420 forward • CP000138

CDD:COG0413,CDD:PF02548.4,GI:86284838,InterPro:IPR003700 • RHE_PF00003 GI:86284839 oxyR hydrogen peroxide

sensing transcriptional regulator protein, LysR family• complement(2500..3414) reverse CP000138

CDD:COG0583,CDD:PF00126.10,CDD:PF03466.5,GI:86284839,Int• erPro:IPR000847,InterPro:IPR005119 • RHE_PF00004 GI:86284840 katG catalase protein

3559..5745 forward CP000138 CDD:COG0• 376,CDD:PF00141.9,GI:86284840,InterPro:IPR000763,InterPro:IPR00

2016

• use Bio::Seq;• use Bio::Seq::RichSeq;• use Bio::SeqIO;• use Bio::SeqIO::genbank;

• $pathIN=$ARGV[0];• $filetoRead=$ARGV[1]; #File to Read• $filetoStore=$ARGV[2];

• print "Archivo $filetoRead\n";• open(OUT,">$filetoStore")|| die "Cannot open output file..

$filetoStore\n"; • $in = Bio::SeqIO->new(-file => "$pathIN/$filetoRead", '-format'

=> 'genbank');

• while ((my $seq = $in->next_seq())){• $gbaccession = $seq->accession();

foreach my $f ($seq->get_SeqFeatures) { **…• }• }• • close(OUT);• print "# finished processing: n_of_seqs=$n_of_seqs\n";• • translate_GBK_to_FileTabs4.pl

• if($f->primary_tag() =~ /CDS/){• $posleft=$f->location->{"_start"};• $posrigth=$f->location->{"_end"};• if($f->location->{"_strand"} == 1){• $strain= "forward";• }else{• $strain= "reverse";

}• if($f->has_tag('db_xref')){• $crossrefs = join(',',sort $f-

>each_tag_value('db_xref'));• }• if($f->has_tag('locus_tag')){• $id = join(',',sort $f->each_tag_value('locus_tag')); • }• if($f->has_tag('gene')){• $gene = join(',',sort $f->each_tag_value('gene'));• }• if($f->has_tag('product')){ • $product = join(',',sort $f-

>each_tag_value('product')); • }• $header = $id."\t".$gi."\t".$gene."\t".$product."\t".

$genepos."\t".$strain."\t".$gbaccession."\t$crossrefs\t"; print OUT "$header\n";

• $n_of_seqs++;}

¿y para Illumina?

• Generar una archivo fastq http://www.eead.csic.es/compbio/material/bioperl/node24.html

• http://www.lcg.unam.mx/~compu2/cei/

Problemas con Bioperl…

• La documentación de Bioperl esta incompleta

• Bioperl es grande (mas de 500 módulos) escrito por muchos voluntarios

Referencias:

• Curso: Perl en Bioinformática. Autor: Bruno Contreras. url: http://www.eead.csic.es/compbio/material/bioinfoPerl/

• http://www.bioperl.org/• http://www.bioperl.org/Core/Latest/

bptutorial.html• http://www.pasteur.fr/recherche/unites/sis/

formation/bioperl/index.html• http://www.bioperl.org/wiki/News