1
00:00:01,212 --> 00:00:03,655
Tématem této přednášky jsou

2
00:00:03,655 --> 00:00:06,498
bioinformatické nástroje pro hodnocení

3
00:00:06,498 --> 00:00:08,220
variability genomu živočišných

4
00:00:08,220 --> 00:00:11,204
genetických zdrojů. Přednáška je

5
00:00:11,204 --> 00:00:14,048
součástí modulu 2 zachování

6
00:00:14,368 --> 00:00:16,451
a udržitelné využívání živočišných

7
00:00:16,451 --> 00:00:19,294
genetických zdrojů. Vytvoření této

8
00:00:19,294 --> 00:00:21,938
prezentace bylo podpořeno grantem Erasmus

9
00:00:21,938 --> 00:00:24,541
plus KA 2 v rámci projektu

10
00:00:24,541 --> 00:00:27,384
ISAGREED inovace obsahu a struktury

11
00:00:27,384 --> 00:00:29,787
studijních programů v oblasti managementu

12
00:00:29,787 --> 00:00:32,351
živočišných, genetických a potravinových

13
00:00:32,351 --> 00:00:34,634
zdrojů s užitím digitalizace.

14
00:00:37,888 --> 00:00:40,611
Co je bioinformatika a jaký je

15
00:00:40,611 --> 00:00:41,452
její význam?

16
00:00:42,924 --> 00:00:45,127
Bioinformatika je interdisciplinární

17
00:00:45,127 --> 00:00:47,730
obor, který kombinuje biologii,

18
00:00:47,730 --> 00:00:50,293
informatiku, statistiku a matematiku

19
00:00:50,854 --> 00:00:53,017
s cílem analyzovat a interpretovat

20
00:00:53,017 --> 00:00:55,580
biologická data pomocí výpočetní

21
00:00:55,620 --> 00:00:57,462
nástrojů a algoritmů.

22
00:00:59,144 --> 00:01:01,187
V genetice zvířat hraje klíčovou roli při

23
00:01:01,187 --> 00:01:04,151
získávání a analýze rozsáhlých genomských

24
00:01:04,151 --> 00:01:06,514
dat, jako jsou sekvence DNA.

25
00:01:07,114 --> 00:01:09,598
S cílem získat poznatky o genetické

26
00:01:09,598 --> 00:01:12,201
výbavě a biologických procesech zvířat.

27
00:01:13,803 --> 00:01:15,885
Bioinformatika v genetice zvířat pomáhá

28
00:01:15,885 --> 00:01:18,489
při identifikaci a charakterizaci genů

29
00:01:18,969 --> 00:01:21,172
odpovědných za specifické znaky

30
00:01:21,653 --> 00:01:24,376
nemoci nebo odchylky u zvířat.

31
00:01:25,538 --> 00:01:27,901
Může například pomocí identifikovat geny

32
00:01:28,021 --> 00:01:30,664
spojené se zbarvením srsti, produkcí

33
00:01:30,664 --> 00:01:33,508
mléka, rychlosti růstu nebo náchylnosti k

34
00:01:33,508 --> 00:01:34,028
nemocem.

35
00:01:47,335 --> 00:01:49,298
Umožňuje výzkumníkům porovnávat a

36
00:01:49,298 --> 00:01:51,821
analyzovat genomy různých živočišných

37
00:01:51,821 --> 00:01:54,494
druhů. Pochopit jejich evoluční vztahy,

38
00:01:55,015 --> 00:01:57,177
identifikovat společné genetické prvky.

39
00:01:57,778 --> 00:02:00,221
To může přinést poznatky o rozmanitosti a

40
00:02:00,221 --> 00:02:01,663
evoluci živočišných druhů.

41
00:02:02,785 --> 00:02:04,787
Bioinformatika pomáhá při vývoji nových

42
00:02:04,787 --> 00:02:07,070
šlechtitelských strategií a zlepšování

43
00:02:07,070 --> 00:02:09,473
chovatelských postupů. Analýzu

44
00:02:09,473 --> 00:02:11,435
genetických dat pomáhá identifikovat

45
00:02:11,435 --> 00:02:13,238
zvířata s žádoucími vlastnostmi

46
00:02:13,598 --> 00:02:16,081
pro šlechtitelské programy, zlepšovat

47
00:02:16,081 --> 00:02:18,925
vlastnosti, jako je produktivita, odolnost

48
00:02:18,925 --> 00:02:20,727
vůči chorobám nebo přizpůsobivost.

49
00:02:22,089 --> 00:02:24,211
Bioinformatika podporuje ochranu a

50
00:02:24,211 --> 00:02:26,695
zachování ohrožených druhů zvířat.

51
00:02:27,135 --> 00:02:29,899
Studium jejich genomů a identifikací

52
00:02:30,099 --> 00:02:32,742
genetických markerů pro monitorování

53
00:02:32,742 --> 00:02:34,865
populací. Hodnocení genetické

54
00:02:34,865 --> 00:02:37,308
rozmanitosti a pomoc při programech v

55
00:02:37,308 --> 00:02:38,429
chovu v zajetí.

56
00:02:41,243 --> 00:02:42,845
Jaká se využívají data?

57
00:02:44,197 --> 00:02:46,600
Pro bioinformatické analýzy je potřeba

58
00:02:46,600 --> 00:02:49,323
mít internetové připojení, počítač,

59
00:02:49,483 --> 00:02:52,367
programy a vlastní data. Jako

60
00:02:52,367 --> 00:02:55,331
data jsou využívány sekvence DNA, 

61
00:02:55,331 --> 00:02:58,174
RNA nebo proteinů, dále i

62
00:02:58,174 --> 00:03:00,737
data genomická, transkriptomická,

63
00:03:00,778 --> 00:03:02,820
proteomická, metabolomická,

64
00:03:03,301 --> 00:03:05,303
biologická či strukturální.

65
00:03:06,385 --> 00:03:08,627
Data pro bioinformatické analýzy se od

66
00:03:08,627 --> 00:03:10,910
počátku vkládají do online databázi.

67
00:03:11,791 --> 00:03:14,435
Na internetu jsou k dispozici na 2000

68
00:03:14,435 --> 00:03:17,238
databází k lednu 2024.

69
00:03:18,199 --> 00:03:20,202
Nejvýznamnější z větších databází jsou

70
00:03:20,202 --> 00:03:22,885
GenBank, ENA, Uniprot,

71
00:03:23,126 --> 00:03:24,928
a genomická databáze Ensemble.

72
00:03:28,042 --> 00:03:31,006
Na serverech, kde jsou databáze, jsou

73
00:03:31,006 --> 00:03:33,969
i nástroje pro hledání, přirovnání,

74
00:03:33,969 --> 00:03:36,292
neboli alignment a analýzu

75
00:03:36,292 --> 00:03:37,494
bioinformatických dat.

76
00:03:38,905 --> 00:03:41,349
Párový sekvenční eliment se používá k

77
00:03:41,349 --> 00:03:44,032
identifikaci oblastí podobnosti, které

78
00:03:44,032 --> 00:03:45,714
mohou naznačovat funkční

79
00:03:46,034 --> 00:03:48,838
strukturní anebo evoluční vztahy

80
00:03:49,158 --> 00:03:51,561
mezi dvěma sekvencemi

81
00:03:51,882 --> 00:03:54,165
proteinů nebo nukleových kyselin.

82
00:03:55,647 --> 00:03:58,410
Vícečetný sekvenční alignment MSA

83
00:03:58,851 --> 00:04:01,334
je zarovnání tří nebo více biologických

84
00:04:01,334 --> 00:04:04,257
sekvencí podobné délky. Z

85
00:04:04,257 --> 00:04:06,300
výstupu aplikací MSA lze odvodit

86
00:04:06,300 --> 00:04:08,903
homologii a studovat evoluční vztahy

87
00:04:09,063 --> 00:04:10,025
mezi sekvencemi.

88
00:04:12,908 --> 00:04:15,512
Základním nástrojem pro alignment dvou

89
00:04:15,512 --> 00:04:18,195
sekvencí je BLAST - Basic Local

90
00:04:18,195 --> 00:04:20,838
Aliment Search Tool, který se nachází na

91
00:04:20,838 --> 00:04:22,320
serveru NCBI.

92
00:04:23,682 --> 00:04:25,925
BLAST vyhledává oblasti podobností mezi

93
00:04:25,925 --> 00:04:28,328
biologickými sekvencemi. Program

94
00:04:28,328 --> 00:04:30,771
porovnává nukleidové nebo proteinové

95
00:04:30,771 --> 00:04:33,614
sekvence s databázemi sekvencí

96
00:04:33,895 --> 00:04:36,097
a vypočítává statistickou významnost.

97
00:04:37,019 --> 00:04:39,542
Lze přirovnat vlastní sekvenci s

98
00:04:39,542 --> 00:04:41,865
databázovými v databázi.

99
00:04:43,477 --> 00:04:45,239
Lze přirovnávat konkrétní dvě sekvence.

100
00:04:46,631 --> 00:04:49,514
Primárně jde však o lokální přiřazení.

101
00:04:51,367 --> 00:04:53,609
Jsou však k dispozici i programy pro

102
00:04:53,609 --> 00:04:54,811
globální přiřazení.

103
00:04:57,474 --> 00:05:00,158
Na evropském serveru Emble-EBI

104
00:05:00,598 --> 00:05:02,641
další nástroj pro párový sekvenční

105
00:05:02,641 --> 00:05:04,083
alignment EMBOS.

106
00:05:06,205 --> 00:05:08,969
Kdy použít lokální nebo globální

107
00:05:08,969 --> 00:05:11,462
alignment? Lokální

108
00:05:11,462 --> 00:05:14,225
například Smith-Watermanův algoritmus

109
00:05:14,906 --> 00:05:17,149
se používá u sekvencí odlišnějších,

110
00:05:17,590 --> 00:05:20,353
evolučně vzdálenější. Protože se

111
00:05:20,353 --> 00:05:23,077
omezí na přiřazování jednoznačných úseků

112
00:05:23,637 --> 00:05:25,760
a skončí tam, kde se sekvence rozcházejí

113
00:05:25,760 --> 00:05:26,881
nad únosnou míru.

114
00:05:28,894 --> 00:05:31,737
Globální přiřazení využívající například

115
00:05:31,737 --> 00:05:34,020
Niederman-Wunchův algoritmus

116
00:05:34,661 --> 00:05:36,864
je nejvhodnější pro sekvence, které jsou

117
00:05:36,864 --> 00:05:39,427
podobné a přibližně stejně dlouhé.

118
00:05:40,739 --> 00:05:42,661
A pokusí se sekvence přiřadit po celé

119
00:05:42,661 --> 00:05:45,585
délce i za cenu vnášení mezer do jedné z

120
00:05:45,585 --> 00:05:46,666
nich či do obou.

121
00:05:50,421 --> 00:05:52,824
Ukážeme si modelový postup alignmentu.

122
00:05:53,795 --> 00:05:56,559
Chceme zjistit, které dvě sekvence

123
00:05:56,799 --> 00:05:59,202
A a B nebo C a D si

124
00:05:59,482 --> 00:06:00,964
jsou vzájemně podobnější.

125
00:06:02,126 --> 00:06:04,248
Sekvence po celé délce přiložíme k

126
00:06:04,248 --> 00:06:06,972
sobě, to jest zapíšeme je do dvou pod

127
00:06:06,972 --> 00:06:09,815
sebou umístěných řádků tak, aby

128
00:06:09,815 --> 00:06:12,339
identické pozice baze či

129
00:06:12,339 --> 00:06:14,661
aminokyseliny ležely pod sebou.

130
00:06:15,663 --> 00:06:18,306
Každýmu páru a nepáru se přiřadí hodnota

131
00:06:18,306 --> 00:06:21,150
například 1 pro pár a

132
00:06:21,150 --> 00:06:23,993
 0 pro nepár. Z

133
00:06:23,993 --> 00:06:26,637
obou elementů vyplývá, že jedna dvojice

134
00:06:26,637 --> 00:06:29,360
sekvencí A a B mají 8

135
00:06:29,360 --> 00:06:32,123
párů a dva nepáry a dvě

136
00:06:32,123 --> 00:06:34,847
dvojice sekvencí C a D mají

137
00:06:34,847 --> 00:06:36,729
 17 párů a 3 nepáry.

138
00:06:37,650 --> 00:06:39,292
Které jsou však podobnější?

139
00:06:43,388 --> 00:06:45,550
Je třeba spočítat normalizované hodnoty

140
00:06:45,550 --> 00:06:48,544
podobnosti skóre. Můžeme

141
00:06:48,544 --> 00:06:50,627
porovnat míru podobností různě dlouhých

142
00:06:50,627 --> 00:06:52,229
dvojic sekvenci tím, že je

143
00:06:52,229 --> 00:06:55,032
znormalizujeme. Počet párů

144
00:06:55,032 --> 00:06:57,916
vynásobíme jejich hodnotou 1 a

145
00:06:57,916 --> 00:07:00,559
sečteme s počtem nepárů, které opět

146
00:07:00,559 --> 00:07:02,882
vynásobíme jejich hodnotou 0.

147
00:07:04,284 --> 00:07:05,726
Normalizované skóre

148
00:07:07,208 --> 00:07:09,731
určíme, když výši její spočítanou hodnotu,

149
00:07:09,731 --> 00:07:12,695
vydělíme délkou alignmentu. V našem

150
00:07:12,695 --> 00:07:15,178
případě má vyšší skóre

151
00:07:15,218 --> 00:07:18,141
element sekvencí C a D, a jsou si

152
00:07:18,141 --> 00:07:19,183
tedy podobnější.

153
00:07:23,518 --> 00:07:26,362
V dalším příkladě přirovnáváme dvě různě

154
00:07:26,362 --> 00:07:29,275
dlouhé sekvence. Kdybychom určili

155
00:07:29,275 --> 00:07:31,879
skóre u nepřiřazených sekvencí,

156
00:07:32,279 --> 00:07:35,043
pak by mělo hodnotu 6. Po

157
00:07:35,043 --> 00:07:37,966
přiřazení se skóre zvýšilo na 9.

158
00:07:39,128 --> 00:07:41,090
Skóre se zvyšuje vložením mezer.

159
00:07:41,811 --> 00:07:43,894
Mezera, tak zvyšuje počet přiřazených

160
00:07:43,894 --> 00:07:45,296
identických reziduí.

161
00:07:50,712 --> 00:07:53,276
Online nástrojů pro vícečetný

162
00:07:53,276 --> 00:07:55,999
sekvenční alliment MSA je mnohem

163
00:07:55,999 --> 00:07:58,512
více. Mezi nejstarší patří

164
00:07:58,512 --> 00:08:01,396
Clustal, ale byly postupně vyvinuty

165
00:08:01,396 --> 00:08:03,959
další algoritmy, jako je MAST

166
00:08:04,279 --> 00:08:06,883
Tea coffee, MUSCLE, 

167
00:08:06,883 --> 00:08:09,806
KALIGN nebo Cobalt. Každý

168
00:08:09,806 --> 00:08:11,849
byl vyvinut pro různé typy sekvencí a

169
00:08:11,849 --> 00:08:12,690
jejich délek.

170
00:08:15,153 --> 00:08:17,676
Princip vícečetného sekvenčního

171
00:08:17,676 --> 00:08:20,640
elementu, který elementu tří a více

172
00:08:20,640 --> 00:08:23,203
sekvencí je podobný jako u BLASTu.

173
00:08:23,564 --> 00:08:25,646
Vychází se z párových alimentů.

174
00:08:26,287 --> 00:08:28,530
Výpočty jsou však více komplexnější,

175
00:08:29,331 --> 00:08:31,494
mohou tak být odhaleny mutace, jako jsou

176
00:08:31,494 --> 00:08:33,496
substituce nebo inzerce-delece.

177
00:08:34,718 --> 00:08:37,081
Tato přirovnání se používají k odvození

178
00:08:37,081 --> 00:08:39,844
evolučních vztahů pomocí fylogenetické

179
00:08:39,844 --> 00:08:42,808
analýzy a mohou zvýraznit homologické

180
00:08:42,808 --> 00:08:45,732
rysy mezi sekvencemi. Výsledkem

181
00:08:45,732 --> 00:08:48,455
může být fylogenetický strom vyjadřující

182
00:08:48,455 --> 00:08:50,377
evoluční vzdálenost mezi sekvencemi.

183
00:08:53,962 --> 00:08:55,484
Děkuji za vaši pozornost.