Биоинформа́тика — междисциплинарная область, объединяющая общую биологию, молекулярную биологию, кибернетику, генетику, химию, компьютерные науки, математику и статистику. Крупномасштабные биологические проблемы, требующие анализа больших объёмов данных, решаются биоинформатикой с вычислительной точки зрения. Биоинформатика главным образом включает в себя изучение и разработку компьютерных методов и направлена на получение, анализ, хранение, организацию и визуализацию биологических данных.
В похожем контексте часто упоминается термин вычислительная биология. Эта область акцентирует свое внимание на разработке алгоритмов и математическом моделировании социальных, поведенческих и биологических систем. Биоинформатику считают областью внутри вычислительной биологии, которая главным образом сфокусирована на статистической обработке биологических данных. Различия в подходе с разных сторон: биоинформатики — это биологи, специализирующиеся на использовании вычислительных систем и инструментов для решения биологических задач, а вычислительные биологи — это специалисты по компьютерным наукам, математики, статистики и инженеры, разрабатывающие инструменты для таких расчётов.
Биоинформатика в широком смысле подразумевает работу с любыми видами биологических данных, включая исследование электронных микрофотографий, поиск ключевых слов в биологической литературе и так далее. Если рассматривать биоинформатику как набор подходов и методов для работы с данными, то в зависимости от типов технических задач она включает в себя: Разработку алгоритмов и программ для более эффективной работы с данными Хранение и передачу информации или работу с базами данных
Однако, биоинформатические методы анализа также неразрывно связаны со многими научными областями, которые подразумевает поиск ответов на конкретные биологические вопросы. В таком случае основные направления можно выделить на основании исследуемых объектов: Биоинформатика последовательностей Анализ экспрессий Структурная биоинформатика Изучение клеточной организации Системная биология
Для каждого из перечисленных разделов можно выделить свои стандартные типы данных, способы их обработки, биоинформатические алгоритмы и базы данных.
В биоинформатике используются методы прикладной математики, статистики и информатики. Биоинформатика используется в биохимии, биофизике, экологии и в других областях. Наиболее часто используемыми инструментами и технологиями в этой области являются языки программирования Python, R, Java, C#, C++; язык разметки — XML; язык структурированных запросов к базам данных — SQL; программно-аппаратная архитектура параллельных вычислений — CUDA; пакет прикладных программ для решения задач технических вычислений и одноимённый язык программирования, используемый в этом пакете — MATLAB, и электронные таблицы.
Введение Биоинформатика стала важной частью многих областей биологии. Биоинформатические методы анализа дают возможность интерпретировать большие объемы экспериментальных данных, что до развития этой области было практически невозможно. Например, экспериментальной молекулярной биологии часто используются такие методы биоинформатики, как обработка изображений и сигналов. В области генетики и геномики биоинформатика помогает в функциональной аннотации геномов, детекции и анализе мутаций. Важной задачей является изучение экспрессии генов и способов её регуляции. Кроме того, инструменты биоинформатики позволяют сравнивать геномные данные, что является необходимым условием для изучения принципов молекулярной эволюции.
В общем виде, биоинформатика помогает анализировать и каталогизировать биохимические пути и сети, которые являются важной частью системной биологии. В структурной биологии, она помогает в моделировании ДНК, РНК и белковых структур, а также молекулярных взаимодействий.
Последние успехи в обработке биологических данных привели к значительным изменениям в области биомедицины. Благодаря развитию биоинформатики у ученых появилась возможность идентифицировать молекулярные механизмы, лежащие в основе как наследственных, так и приобретенных заболеваний, что помогает в разработке эффективных способов лечения и более точных тестов для диагностики заболеваний. Направление исследований, которое позволяет предсказывать эффективность и неблагоприятные эффекты действия лекарственных средств у пациентов, получило название фармакогенетика, и в его основе также лежат биоинформатические методы.
Важная роль биоинформатики также заключается в анализе биологической литературы и развитии биологических и генетических онтологий по организации биологических данных.
История Опираясь на признание важной роли передачи, хранения и обработки информации в биологических системах, в 1970 году Полина Хогевег ввела термин «биоинформатика», определив его как изучение информационных процессов в биотических системах. Это определение проводит параллель биоинформатики с биофизикой (учение о физических процессах в биологических системах) или с биохимией (учение о химических процессах в биологических системах).
Последовательности Историю биоинформатики последовательностей можно отсчитывать от достижений 1950-х годов. В феврале 1953 года Уотсон и Крик предложили модель молекулы ДНК, а в мае 1953 года опубликовали статью в журнале Nature, в которой разбирался вопрос о ДНК как о носителе кода генетической информацииWatson J. D., Crick F. H. Genetical implications of the structure of deoxyribonucleic acid // Nature : journal. — 1953. — May (vol. 171, no. 4361). — P. 964—967. — doi:10.1038/171964b0. — Bibcode: 1953Natur.171..964W. — PMID 13063483.. Кроме того, в конце 1950-х Сэнгер опубликовал первую последовательность белка, инсулинаSanger F., Thompson E. O. P. The amino-acid sequence in the glycyl chain of insulin. 2. The investigation of peptides from enzymic hydrolysates //Biochemical Journal. — 1953. — Т. 53. — №. 3. — С. 366..
Наиболее используемым методом секвенирования аминокислотных последовательностей стала деградация Эдмана, основным недостатком которой была сложность в получении длинных белковых последовательностей: теоретический максимум составлял 50—60 аминокислот за одну реакцию. Из-за этого белки нужно было сначала расщеплять на мелкие фрагменты, а затем собирать последовательности белка из сотен коротких цепей, что не всегда удавалось сделать правильно. Решение этой проблемы предложила Маргарет Дейхофф (1925—1983) — американская учёная, физический химик. Дейхофф активно использовала в своей работе компьютерные методы и увидела потенциал в их применении в области биологии и медицины. В 1962 году она завершила разработку COMPROTEIN, инструмента для определения первичной структуры белка с использованием данных секвенирования пептидов по методу Эдмана. В COMPROTEIN ввод и вывод аминокислотной последовательности был представлен в трехбуквенных сокращениях. Чтобы упростить обработку данных о последовательностях белков, Дейхофф позже разработала однобуквенный аминокислотный код, который используется до сих пор. Вклад Дейхофф в эту область настолько значителен, что Дэвид Дж. Липман, бывший директор Национального центра биотехнологической информации (NCBI), называл ее «мать и отец биоинформатики»Moody G. Digital code of life: how bioinformatics is revolutionizing science, medicine, and business //John Wiley & Sons, 2004..
С накоплением новых последовательностей белков, в них стали прослеживаться некоторые закономерности. Так, Цукеркандль и Полинг отметили, что ортологичные белки позвоночных (например, гемоглобин), демонстрируют слишком высокую степень сходства последовательностей чтобы быть результатом конвергентной эволюции. Для подтверждения новых эволюционных гипотез были необходимы новые математические и компьютерные методыGauthier J. et al. A brief history of bioinformatics //Briefings in bioinformatics. — 2019. — Т. 20. — №. 6. — С. 1981—1996.. Первый алгоритм динамического программирования для парных выравниваний белковых последовательностей был разработан в 1970 году Нидлманом и ВуншемNeedleman SB, Wunsch CD. A general method applicable to the search for similarities in the amino acid sequence of two proteins //J Mol Biol 1970;48:443-53.. Алгоритмы множественного выравнивания последовательностей появились значительно позже: первый практически применимый алгоритм был разработан Да-Фэй Фэн и Расселом Ф. Дулитлом в 1987 году. Его упрощение, алгоритм CLUSTAL, используется до сих пор. Кроме того, в 1978 году группа ученых, в которую входила Дейхофф, создала первую модель замен, основанную на наблюдении точечных принятых мутаций (PAMs) в филогенетических деревьях 71 семейства белков, имеющих более 85 % идентичности. В результате была получена матрица, содержащая значения вероятности замен аминокислот.
Центральная догма молекулярной биологии, которая была опубликована Френсисом Криком в 1970 году, а также постепенное определение всех аминокислот, кодируемых 68 кодонами, привели к постепенной смене парадигмы от белковой эволюции к эволюции ДНК в 1970—1980 годах. Появилась необходимость научиться читать последовательности ДНК. Первым методом секвенирования ДНК, получившим широкое распространение, стал метод секвенирования Максама — Гилберта в 1976 году. Однако наибольшее распространение получил метод, разработанный в лаборатории Фредерика Сэнгера в 1977 году, он используется до сих пор. Секвенирование по Сэнгеру позволило получать довольно большие для того времени объёмы информации, но размер фрагментов, которые получалось секвенировать, был ограничен сотнями нуклеотидов, чего хватало только для изучения таких небольших геномов, как геномы бактериофагов. Первое программное обеспечение, предназначенное для анализа последовательностей, полученный в результате секвенирования по Сэнгеру было опубликовано Роджером Стаденом в 1979 году. Этот пакет компьютерных программ позволил не только для сборки последовательностей в контиги, но и для проверки и редактирования этих последовательностей, а также для аннотации.
Геномы С публикации генома человека в начале XXI века началась геномная эра биоинформатики. Проект был инициирован в 1991 году в США и обошёлся в 2,7 миллиарда долларов, заняв более 13 лет[NHGRI. Human Genome Project Completion: Frequently Asked Questions. National Human Genome Research Institute (NHGRI). https://www.genome.gov/11006943/ Human-Genome-Project-Completion-Frequently-]. В 1998 году Celera Genomics произвела конкурирующее частное исследование по секвенированию и сборке человеческого генома. Исследование потребовало в 10 раз меньше денег и катализировало разработку новых экспериментальных стратегий секвенирования, таких как 454 и Illumina. Стоимость секвенирования ДНК упала на несколько порядков, что привело к колоссальному увеличению количества последовательностей в публичных базах данных. Возникла потребность в разработке способов хранения и быстрой обработке биологических данных. В 2005 году был создан Консорциум геномных стандартов и мандат, определивший минимальную информацию необходимую для публикации геномной последовательностиField D, Sterk P, Kottmann R, et al. Genomic standards consortium projects. Stand Genomic Sci 2014;9:599-601.. Целью развития технологий изучения генома является удешевление стоимости расшифровки одного генома предположительно до 100$, что существенно сократит затраты и поможет внедрению этих процедур в повседневную жизнь.
Цели