L’alignement de séquences est une pratique fondamentale pour de nombreuses applications de biologie comme la découverte de gènes et l’analyse phylogénétique.
Une nouvelle discipline est également née de la connaissance de ces séquences complètes de chromosomes, la génomique comparative. Il est maintenant possible de comparer deux organismes vivants à l’échelle de leur génome, de déterminer les gènes qu’ils ont en commun ou qui leur sont propres. Dans le contexte de l’identification sélective de gènes correspondant à des cibles thérapeutiques, en comparant par exemple une bactérie pathogène et une proche cousine non-pathogène, on peut essayer de repérer les gènes impliqués dans la virulence de la souche infectieuse. Ce nouveau domaine d’étude, traite les différents aspects de ce nouveau champ de la connaissance et s’appuie à la fois sur les concepts de la biologie que sur des outils issus de la chimie, de la physique et de l’informatique.
L’accélération du séquençage, permise en particulier par l'automatisation des méthodes d’analyse, nécessite un soutien de plus en plus important des technologies de l’informatique. Dans un premier stade, celui-ci est indispensable pour permettre l’assemblage de la « base de données » que constituent les milliers ou millions de fragments de génome. L’informatique est un outil incontournable pour extraire et analyser l’information contenue dans ces gigabases (1 Gbase =10^9 nucléotides) de séquence. Le volume des données à traiter est considérable. En 2002 les banques de séquences rassemblaient plus de 10^11 nucléotides et leur taille augmente exponentiellement. Les techniques d'accélération des comparaisons de génomes sont l’un des axes les plus importants en bio-informatique qui a pour but de remédier à un problème scientifique posé par la biologie « faire ressortir les régions ou séquences homologues ou différentes » ; on parle donc des méthodes de comparaison de deux ou plusieurs séquences de macromolécules biologiques (ADN, ARN ou protéines) les unes par rapport aux autres.
Analyse comparative des séquences génomiques
Dite aussi génomique comparative, elle consiste en l'étude comparative des structures et fonctions des différents génomes de différentes espèces en comparant une/des séquences génomiques aux séquences d'autres génomes, il s’agit donc de quantifier la similitude entre les séquences d'ADN/Protéines puis déterminer l'information contenue dans ces portions de génomes.
Les comparaisons peuvent se faire de multiples façons produisant différents types d'information : par alignement (que ce soit l'alignement d'une portion d'un génome ou d'un génome complet) ; en comparant l'ordre de certains gènes ; en comparant la composition des séquences constituant le gènes ;
Définitions Séquençage Le séquençage de génome est l’un des champs d’application ou une sous-discipline de la bio-informatique, qui traite de l’analyse de données issues de l'information génétique contenue dans la séquence de l'ADN ou dans celle des protéines qu'il code. Cette branche s'intéresse en particulier à l'identification des ressemblances entre les séquences, à l'identification des gènes ou de régions biologiquement pertinentes dans l'ADN ou dans les protéines, en se basant sur l'enchaînement ou séquence de leurs composants élémentaires (nucléotides,acides aminés). Séquence Une Séquence génomique est l'enchaînement de molécules qui constituent une macromolécule, d'acide nucléique ou de protéine. Elle est généralement représentée sous forme d'une chaîne de caractères stockée dans un fichier informatique au format texte utilisant (dans le cas d'une séquence d'ADN) l'alphabet des quatre lettres A, C, G et T, initiales des bases azotées - Adénine, Cytosine, Guanine et Thymine - qui distinguent les quatre types de nucléotides. vignette| Séquence d'un ARN messager faisant apparaître ses codons. Et c'est l'enchaînement des vingt types d'acides aminés le long d'un polypeptide, classiquement représentée par une chaîne de caractères qui utilise un alphabet de vingt lettres dans le cas d'une séquence protéique.
Méthodes de séquençage méthode de Sanger (1975), (1977), Automatisation de Sanger (de ~1980 à 2005) au cours des dernières années, grâce à plusieurs avancées technologiques importantes dont l'utilisation de séquenceurs automatiques de gènes, Nouvelles générations de séquenceurs (depuis 2005) Séquençage de l'ADN#Comparaison des méthodes de séquençage nouvelle-génération : Séquençage de nouvelle générationDe l'anglais : . (désormais largement utilisés) ; HTS : Séquençage haut débitDe l'anglais ., NNGS : Séquençage nouvelle-nouvelle Generationen: Next-Next Generation Sequencing. (en cours) en particulier technologie SMS (Séquençage Moléculaire Unique)en: Single Molecule Sequencing.. vignette|Plusieurs séquenceurs automatiques d'ADN
Analyse de séquences génomiques Après la sélection d'un organisme, les projets génomiques partent sur trois procédures: le séquençage de l'ADN, l'assemblage de cette séquence pour créer une représentation du chromosome original, ainsi que l'annotation et l'analyse de celle-ci. L'analyse exploratoire peut être conduite soit sur la base de résultats expérimentaux soit par analogie avec des organismes modèles.
Les difficultés résident dans La disponibilité des données génomiques permettant de vérifier et/ou de tester beaucoup d'hypothèses et dans l’organisation de telle masses énormes d'informations pour offrir un accès aisé, à l'ensemble de la communauté des chercheurs, aux informations désirées. Cela a été rendu possible grâce à différentes bases de données, accessibles en lignes. vignette|Cartographie du chromosome X humain (tirée du site internet du NCBI) ; l'assemblage du génome humain représente une des plus grandes réalisations de la bio-informatique. À l'échelle mondiale, trois grandes institutions sont chargées de l'archivage de ces données : le NCBI aux États-Unis « Centre national 'américain' pour les informations biotechnologiques », l'Institut européen de bio-informatique (EBI) en Europe et le DDBJ au Japon « Banque de données génétiques du Japon». Ces institutions se coordonnent pour gérer les grandes bases de données de séquences nucléotidiques comme GenBank ou l'EMBL database, ainsi que les bases de données de séquences protéiques comme UniProt ou TrEMBL.
Alors il est indispensable parfois, pour les chercheurs, d’exprimer leur besoin de logiciels et/ou d'algorithmes et de nouveaux outils d'analyse de séquences pour l’étude d’un problème donné, afin de pouvoir déterminer certaines propriétés, comme : La recherche d'une séquence dans une banque de données à partir d'une autre séquence ou d'un fragment de séquence. Les logiciels les plus fréquemment utilisés sont de la famille BLAST (blastn, blastp, blastx, tblastx et leurs dérivés), L'alignement de séquences pour trouver les ressemblances entre deux séquences et déterminer leurs éventuelles homologies. Les alignements sont à la base de la construction de parentés suivant des critères moléculaires, ou encore de la reconnaissance de motifs particuliers dans une protéine à partir de la séquence de celle-ci, La recherche de motifs ou structures qui permettent de caractériser les séquences,
Pour qu’ensuite, développer des Recherches sur les protéines à partir de la traduction de séquences nucléiques connues .
Comparaison de séquences Dans la plupart des cas, le problème auquel l'utilisateur est confronté est formalisé comme suit: une nouvelle séquence est disponible et il est souhaitable de rechercher dans la base de données et de savoir si un ou des proches parents de cette séquence ont déjà été signalés. Si oui, on peut déduire par comparaison quelques-unes des données expérimentales recueillies de cette façon à la nouvelle séquence. Dans un tel cas, la solution consiste à comparer les séquences d'intérêt à toutes les séquences contenues dans la base de données, en gardant la trace de la plus semblable. Deux outils très populaires sont utilisés pour effectuer de telles recherches de similarité de base dans une base de données: FASTA et BLAST. C'est par exemple l'une des idées développées dans la base de données PROSITE .
Alignement de séquences
Quand on parle de la comparaison de séquences on parle de l’Alignement qui est le processus par lequel deux ou plusieurs séquences sont comparées afin d'obtenir le plus de correspondances possibles entre les lettres qui les composent.
Les différents alignements sont : L'alignement local : consiste en l’alignement des séquences sur une partie de leur longueur, L'alignement global : consiste en l’alignement des séquences sur toute leur longueur, L'alignement optimal : consiste en l’alignement des séquences qui produit le plus haut score possible, L'alignement multiple : consiste en l’alignement global de trois séquences ou plus à la fois, Brèches ou gap : c’est un espace artificiel introduit dans une séquence pour contrebalancer et matérialiser une insertion dans une autre séquence. Il permet d'optimiser l'alignement entre les séquences.
Annotation L'annotation des génomes est une analyse informatique des séquences obtenues lors du séquençage permettant d'identifier les séquences informatives des génomes. Ces séquences sont principalement les gènes, on parle alors de prédiction de gènes. La plupart de ceux-ci sont identifiés soit par leur similitude avec des gènes déjà connus, soit par une prédiction en fonction de la séquence c'est-à-dire: présence d'un cadre de lecture ouvert caractérisée par un codon d'initiation de la traduction, puis au moins 100 codons et enfin un codon stop. Mais il existe aussi des « gènes morcelés » ou codons des ARN fonctionnels, ceux-ci doivent être prédits par des algorithmes différents.
Les gènes ne sont pas les seules cibles de l'annotation des génomes, il existe de nombreux autres types de séquences importantes dans les génomes, les séquences régulatrices, les éléments transposables
Objectif du séquençage et de la comparaison des séquences génomiques Le séquençage du génome est une étape importante vers sa compréhension et la séquence du génome peut être considérée comme un raccourci du chemin aidant les scientifiques à trouver des gènes beaucoup plus facilement et rapidement. Une séquence génomique peut contenir même des indices sur l'endroit où se trouvent les gènes, comprendre comment le génome dans son ensemble fonctionne et comment les gènes travaillent ensemble pour diriger la croissance, le développement et le maintien d'un organisme entier,
En médecine, elle peut être utilisée pour identifier, diagnostiquer et potentiellement trouver des traitements à des maladies génétiques, en observant les mutations temporelles qui peuvent avoir des incidents sur les protéines et donc leurs rôles (rôles des protéines/fonction des protéines) et voir aussi dans quel gène elles apparaissent, permet d’induire les dysfonctionnements, identification des gènes spécifique à une espèce (Pathogénicité, ...), retrouver des régions de synténie (conservation de l'ordre de gènes homologues dans le génome d’espèces différentes).
La comparaison de séquences est la tâche informatique la plus utilisée par les biologistes. Il s'agit de déterminer dans quelle mesure deux séquences, génomiques ou protéiques, se ressemblent.
La motivation première est d'inférer des connaissances sur une séquence à partir des connaissances attachées à une autre. Ainsi, si deux séquences sont très similaires et si l'une est connue pour être codante, l'hypothèse que la seconde le soit aussi peut être avancée. De même, si deux séquences protéiques sont similaires, il est souvent fait l'hypothèse que les protéines correspondantes assument des fonctions semblables ; si la fonction de l'une est connue, la fonction de la seconde peut ainsi s'en déduire.