《生物信息学：导论与方法》----变异的功能预测----听课笔记（十一）

第六章  变异的功能预测

6.1 问题概述

• Where did your genetic variations come from?

1. inherited from parents
2. de novo mutations（70~100个新发突变）
3. somatic mutations（体细胞突变，如癌症）

• 有很多的先天的小儿疾病，就是这个孩子有一个De novo mutation，刚好落在了一个重要的基因上，它有可能有这种严重的疾病。
• 肿瘤细胞一般都有某种体细胞突变，会导致细胞不受控制地增值。
• Types of genetic variations in a human genome

1. Chromosomal aneuploidy(非整倍性的)：最严重的的类型，染色体倍数发生错误，如唐氏综合征，这些孩子21号染色体有三条。
2. Structural Variations(SVs)：insertion; deletion; Inversion; Translocation
3. Copy Number Variations(CNVs)
4. Short insertion/deletions(indels): 有可能发生在基因区间或者内含子区，多数时候对表型的影响不是很大，但不是绝对；也可能发生编码区，分为两种，一种导致frameshift；一种是不会导致frameshift。
5. Single Nucletide Variations(SNVs)：一般来讲，每一个人的基因组都会有300万个单核苷酸的编译，大概相当于1/1000的概率。可能出现在基因区间，或者内含子区，也有可能是出现在启动子区。

• Nomenclature: Mutation(突变) vs. polymorphism(多态性) vs. variation(变异) vs. variant
• 在整个地球上所有的人群中，小于1%的这种变异，大家把它通称为突变，叫mutation；超过了1%的这种变异，就叫做polymorphism。有时候也用5%作为cutoff。
• variation或者variant一般是mutation和polymorphism的统称。
• SVNs within coding regions

1. stop gain(nonsense):最严重，引入一个stop codon(终止密码子)，这个蛋白会提前终止，或者这个蛋白无法翻译出来，或者会翻译出来一个截断的一个一个版本。
2. stop loss：有时候还会造成一个终止密码子的缺失，那就是它最后这个蛋白会比原来的蛋白更长，但同时也有可能它因此就无法被翻译。
3. Non-synonymous(missense)：影响氨基酸的变异。
4. Synonymous(silent)：发生在外显子区，又是编码蛋白的外显子区，
5. Affect splicing：发生在内含子和外显子交界的地方

• Missense (Non-synonymous) SNVs是目前研究的最多的，原因是：1.Missense SNVs change the amino acid; 2. Missense SNVs account for ~2% of  the genome but >50% of all mutations known to be involved in human inherited disease. 但是这个数据有可能是因为研究非同义突变的人太多了。。。
• What features differentiate disease-causing variants from neutral ones?
• How can we predict whether a variation is disease-causing?

6.2 记录变异的数据库

• 1976年发现的Thalassemia的一个非同义突变
• 1993年，Huntington's disease的致病原因被发现，它是由一个nucleotide repeat不同的数目导致的。
• 1995年发现的Williams syndrome致病原因为代表的，是一个染色体上片段的删除导致的这样一个疾病。
• 影响蛋白的遗传变异的数据是放在1986年开发的Swiss-prot数据库中。
• 1998年在NCBI建立了dbSNP这个数据，测量了很多正常人出现的单核苷酸变异等。
• 2010年NCBI建立了dbVar数据库，主要存储一些比较大一点的结构变异。
• 2012年发表了1000 genomes。
• 1987年，OMIM（Online Mendelian Inheritance In Man），储存疾病相关的遗传变异。
• 1996年，Human Gene Mutation Database被建立，存储遗传变异相关的数据。
• 2007年，Locus Specifical Database建立，它是专门针对每一个不同的Locus，把相关的遗传变异汇总起来。
• 2007年和2012年，dbVar和ClinVar，这也是存储的GWAS和新一代测序实验结果里发现的和实验相关的一些遗传变异。
• 2004年建立的COSMIC的数据库，它主要存储的是癌症里面的体细胞突变。
• dbSNP是NCBI的一个很重要的数据库，建立于1998年，主要目的是存储所有的被鉴定出来的遗传变异，包括正常人的和病人的。
• LSDBs

1. Collect all known variants of each disease related gene in a specific database.
2. Annotate with complete and accurate information on genetic mutations
3. Most LSDBs are build based on LOVD(Leiden Open Variation Database) which is a database framework of storing variants information.

6.3 基于保守性和规则的预测方法：SIFT和PolyPhen

• Phenotypical/functional "effects" of human genetic variations

1. Disease vs. normal
2. Deleterious vs. neutral : 演化上的一个概念，就是它会不会影响这个人的适应性
3. Personal trait differences (e.g. height): effect不是说疾病和正常的这样极端的表型，而是说一些特征。

• 除了对个体最终的表型的评估之外，如果想要进行深入的研究，建立真正的基因型和表型之间的因果关系，你就要做很多在动物模型和细胞水平上的工作（Animal model phenotypic changes and Cellular phenotypic changes）。
• functional effect其实是指这个变异是不是会造成蛋白的结构和功能上的改变，Protein function changes and Protein structure changes
• 在最底层说，就是会不会造成一个蛋白序列的改变， Protein sequence changes
• Statistical and stochastic, not deterministic
• Observations, not "truth"
• Nonsense mutations are usually considered deleterious.
• Known deleterious mutations are enriched in nonsynonymous mutations.
• 非同义突变，占50%，现在已知的单基因疾病的突变都是这些非同义突变。
• ~50 known mutations of Mendelian disorders are nonsynonymous mutations(ascertainment bias?)
• synonymous mutations, intronic mutations, and intergenic mutations are understudied (According to GWAS studies, 88% of trait-associated variants of weak effect are non-coding)
• Most research so far had focused on nonsynonymous mutations.
• More successful methods

1. Conservation-based(e.g., SIFT)
2. Rule-based(e.g., PolyPhen)
3. Classifier-based(e.g., PolyPhen2, SAPRED)

• Sort Intolerant From Tolerant substitutions (SIFT)

1. Published in 2001 by Pauline C.Ng and Steven Henikoff
2. The first tool of predicting deleterious Amino Acid Substitutions
3. Website: http://sift.jcvi.org

• SIFT bets on evolution: Important positions (such as active sites) tend to be conserved in the protein family across species. Mutations at well-conserved positions tend to be deleterious.
• SIFT bets on evolution: Some positions have a high degree of diversity across species. Mutations at these positions tend to be neutral.

SIFT is a multistep procedure.

Given a protein sequence:

Step1. Search for similar sequences

• Sequence search databse: SWISS-PROT
• PSI-blast is run for four  iterations to collect a pool of sequences similar to the query.

Step2. Choose closely related sequences that are likely to share similar function

• The psi-blast results are grouped together if they are >90% identical in the regions aligned

Step3. Obtain the multiple alignment of these chosen sequences

Step4. Calculate normalized probabilities for all possible substitutions at each position at the alignment

• 第四步就根据每一个位点，所看到的氨基酸的分布可以算一个概率，基于这个概率，得到最后的一个值，一个数值的预测值，如果这个SCORE分数是小于0.05的，就预测是deleterious; 如果大于0.05，就是中性的，不会造成功能和表型的改变。

如何定义准确度？

Polymorphism Phenotyping (PolyPhen): a rule-based method

• Amino acid variants may impact folding, interaction sites, solubility or stability of the protein.
• Changes in protein structure may affect protein function, which may lead to phenotype change.
• PolyPhen predicts impact of amino acid allelic variants based on multi-sequence alignment AND protein 3D structure features.

PolyPhen

1. Multi-sequence alignment of homologous sequences

2. Get the protein 3D structure or using homolog modeling to predict its structure

3. Structure-based characterization of the substitution site

• DISULFIDE, THIOLEST or THIOEATH bond, BINDING site, ACTIVE site etc.
• Whether the variant is located in transmembrane regions
• Whether the variant is located in coiled coil regions
• Whether the variant is located in signal peptide regions

4. Calculate the 3D structure features of the substitution site

• Secondary structure
• Solvent accessible surface area
• Φ-Ψ dihedral angles
• Normalized β-factor for the residue
• Loss of hydrogen bond
• Contacts with critical sites, ligands or other polypeptide chains

Pros:

• improved prediction accuracy when protein 3D structure is avaliable

Cons:

• If 3D structure is not avaliable, it can only depend on MSA.
• The rules are empirical.