• Tomasz Żok
• Home
• Publications
• Conferences
• Projects

Struktura RNA

• RNA to cząsteczka zbudowana z nukleotydów A, C, G lub U
• Każdy nukleotyd składa się z:
  • Szkieletu / łańcucha głównego (ang. backbone)
  • Rybozy (ang. ribose lub po prostu sugar)
  • Zasady azotowej (ang. base)
• W trakcie zwijania się, nukleotydy w bliskiej odległości mogą wejść ze sobą w interakcje (utworzyć wiązania wodorowe)
• Najczęściej występują interakcje typu zasada-zasada (ang. base-base), a wśród nich najczęściej kanoniczne pary G-C i A-U oraz para typu wobble G-U (zazwyczaj traktowana również jaka kanoniczna)
• Lista par kanonicznych to inaczej struktura drugorzędowa RNA (ang. 2D structure / secondary structure)
• W niektórych kontekstach używa się zwrotu RNA structure w rozumieniu listy par kanonicznych
• Na liście par kanonicznych można czasami odnaleźć pseudowęzły (ang. pseudoknot)
• Mówimy o tym, że para (i, j) tworzy pseudowęzeł z parą (k, l) jeśli:
  i < k < j < l
• Choć definicja dotyczy pojedynczych par, zazwyczaj mówi się o obecności pseudowęzła w kontekście kilku kolejnych par, które spełniają powyższe nierówności

Formaty zapisu struktury drugorzędowej RNA

Strukturę drugorzędową możemy zapisać na kilka sposobów

Format BP

• BP to dosłownie lista par

• Jeśli każdy nukleotyd w sekwencji ma przypisany indeks (np. od 1 do 17), to pary kanoniczne możemy zapisać jako listę par indeksów

• Przykładowy plik w formacie BP:

  1 17
  2 16
  3 15
  4 14
  5 13
  6 12

Format BPSEQ

• BPSEQ pozwala zapisać jednocześnie informację o sekwencji i strukturze drugorzędowej

• Każda linia w pliku BPSEQ składa się z trzech kolumn:

  • Indeks nukleotydu
  • Znak w sekwencji
  • Indeks pary lub zero jeśli nukleotyd jest niesparowany

• Przykładowy plik w formacie BPSEQ:

  1 G 17
  2 G 16
  3 G 15
  4 A 14
  5 C 13
  6 C 12
  7 U 0
  8 U 0
  9 C 0
  10 C 0
  11 C 0
  12 G 6
  13 G 5
  14 U 4
  15 C 3
  16 U 2
  17 C 1

Format CT

• CT pozwala przedstawić również RNA składające się z kilku nici

• Pierwsza linia w pliku CT zawiera łączną liczbę nukleotydów

• Każda kolejna linia w pliku CT składa się z 6 kolumn:

  • Indeks nukleotydu
  • Znak w sekwencji
  • Indeks poprzedzający w bieżącym łańcuchu lub zero jeśli to pierwszy nukleotyd w łańcuchu
  • Indeks następujący w bieżącym łańcuchu lub zero jeśli to ostatni nukleotyd w łańcuchu
  • Indeks pary lub zero jeśli nukleotyd jest niesparowany
  • Oryginalny indeks

• Dzięki kolumnom 3 i 4 można przedstawić koniec jednego i początek drugiego łańcucha

• Ostatnia kolumna przydaje się jeśli struktura RNA w formacie CT (numerowanie od 1 do N) przedstawia fragment większej struktury (np. numerowany od 1000 do 1000+N)

• Przykładowy plik w formacie CT:

  20
  1 g 0 2 20 1
  2 C 1 3 19 2
  3 A 2 4 18 3
  4 G 3 5 17 4
  5 A 4 6 16 5
  6 G 5 7 15 6
  7 A 6 8 14 7
  8 G 7 9 13 8
  9 C 8 10 12 9
  10 G 9 0 11 10
  11 c 0 2 10 11
  12 G 1 3 9 12
  13 C 2 4 8 13
  14 U 3 5 7 14
  15 C 4 6 6 15
  16 U 5 7 5 16
  17 C 6 8 4 17
  18 U 7 9 3 18
  19 G 8 10 2 19
  20 C 9 0 1 20

Format dot-bracket

• Dot-bracket (czasami nazywany dot-parenthesis) to bardzo zwięzły format, w którym strukturę opisuje ciąg znaków takiej samej długości jak sekwencja

• W formacie dot-bracket niesparowanemu nukleotydowi odpowiada znak kropki ., natomiast sparowane nukleotydy połączone są nawiasami - w jednym miejscu jest ( a w drugim )

• Często pliki w formacie dot-bracket składają się z trzech linii:

  • Znak większości > i nazwa łańcucha (np. >strand_A)
  • Sekwencja
  • Właściwy zapis kropkowo-nawiasowy

• W przypadku cząsteczek RNA składających się z kilku łańcuchów, wystarczy zapisać kilka takich trójek:

  >strand_A
  gCAGAGAGCG
  ((((((((..
  >strand_B
  cGCUCUCUGC
  ..))))))))

• Coraz częściej spotyka się rozszerzony format dot-bracket (extended dot-bracket), w którym dopuszcza się dodatkowe znaki:

  • Minus - dla oznaczenia tzw. brakującej reszty (zdarza się, że sekwencja cząsteczki RNA jest znana, ale eksperymentalnie nie udało się rozwiązać struktury dla wybranych nukleotydów)
  • Nawiasy wyższego rzędu, czyli [], {} oraz <> do oznaczenia pseudowęzłów (jeszcze wyższe rzędy oznacza się parami wielka/mała litera: Aa, Bb, itd.)

• Przykładowa struktura w rozszerzonym formacie dot-bracket:

  >strand_A
  gGAACCGGUGCGCAUAACCACCUCAGUGCGAGCAA
  ......[[[.{((....((]]]...).).}.))..

• Trzeba zauważyć, że rozszerzony dot-bracket jako jedyny format koduje wprost obecność pseudowęzłów

• Co więcej, jeśli struktura RNA zawiera pseudowęzeł, to istnieje wiele możliwości jej zapisu w rozszerzonym formacie dot-bracket (zakładając pewne kryteria oceny, mamy do czynienia z problemem optymalizacyjnym)

• Wynikają z tego następujące wnioski:

  • Zamiana dot-bracket → {BP, BPSEQ, CT} jest jednoznaczna i stosunkowo łatwa do przeprowadzenia
  • Zamiana {BP, BPSEQ, CT} → dot-bracket może być niejednoznaczna (przy obecności pseudowęzłów)

• Istnieje kilka algorytmów do zamiany {BP, BPSEQ, CT} → dot-bracket (Antczak et al., 2018; Zok et al., 2020)

• Jednym z podstawowych jest FCFS (First-Come-First-Served)

\begin{algorithm}
\begin{algorithmic}
\PROCEDURE{FCFS}{$ bps $}
    \STATE {$ stems \gets $} \CALL{FindStems}{$ bps $}
    \STATE \CALL{SortByStartIndex}{$ stems $}
    \STATE {$ stems[0].order \gets 0 $}
    \FOR {$ i \gets 1 $ \TO $ n - 1 $}
        \STATE {$ available \gets \{ $ true, true, true, $ ... \} $} \COMMENT {all orders available initially}
        \FOR {$ j \gets 0 $ \TO $ i - 1 $}
            \STATE {$ conflicted \gets $} \CALL{AreConflicted}{$ stems[i], stems[j] $}
            \IF {$ conflicted $}
                \STATE {$ available[stems[j].order] \gets $ false}
            \ENDIF
        \ENDFOR
        \STATE {$ order \gets 0$}
        \WHILE {$ available[order] = $ false}
            \STATE {$ order \gets order + 1 $}
        \ENDWHILE
        \STATE {$ stems[i].order \gets order $}
    \ENDFOR
\ENDPROCEDURE
\end{algorithmic}

\end{algorithm}

Motywy w strukturze drugorzędowej

• Stem składa się z wielu par, które występują kolejno po sobie
• Hairpin to kilka niesparowanych nukleotydów zakończonych pojedynczą parą
• Bulge to kilka niesparowanych nukleotydów pomiędzy dwoma stemami
• Internal loop występuje gdy między dwoma stemami występują niesparowane nukleotydy na obu łańcuchach
• N-way junction to rozgałęzienie wielokrotne tzn. połączenie kilku stemów fragmentami niesparowanymi

Zadanie

• Ściągnij pliki wejściowe

• Napisz program do konwersji z formatu dot-bracket do BPSEQ (ocena 3.0)

  $ ./convert 1ET4-A.dbn
  1 G 0
  2 G 0
  3 A 0
  ...
  33 C 12
  34 A 0
  35 A 0

• Napisz program znajdujący motyw hairpin (ocena 3.5)

  • Motyw hairpin zdefiniowany jest jako lista nukleotydów \{i, i+1, ..., j\}, taka że istnieje para (i, j) oraz nukleotydy \{i+1, i+2, ..., j-1\} są niesparowane

  $ ./hairpins 7K16-P.bpseq
  13-CGAAAG-18

• Napisz program znajdujący motyw stem (ocena 4.0)

  • Motyw stem zdefiniowany jest jako dwie listy nukleotydów \{i, i+1, ..., i-n\} oraz \{j-n, j-n-1, ..., j\}, takie że istnieją pary (i, j-n), (i+1, j-n+1), …, (i+n, j)

  $ ./stems 1ET4-A.bpseq
  7-GGU-9 22-CCA-20
  11-C-11 30-G-30
  12-GC-13 33-CG-32
  18-C-18 28-G-28
  19-C-19 26-G-26

• Napisz program znajdujący motyw single strand (ocena 4.5)

  • Motyw single strand zdefiniowany jest jako lista nukleotydów \{i, i+1, ..., i+n\}, taka że istnieją pary (i, k), (i+n, l) przy czym k \notin \{i, i+1, ..., i+n\} oraz l \notin \{i, i+1, ..., i+n\}, a dodatkowo nukleotydy \{i+1, i+2, ..., i+n-1\} są niesparowane
  • Motyw single strand 5’ zdefiniowany jest jako lista nukleotydów \{1, 2, ..., i\}, taka że istnieje para (i, k) przy czym k \notin \{1, 2, ..., i\} oraz nukleotydy \{1, 2, ..., i-1\} są niesparowane
  • Motyw single strand 3’ zdefiniowany jest jako lista nukleotydów \{i, i+1, ..., i+n\}, taka że istnieje para (i, k) przy czym k \notin \{1, 2, ..., i\} oraz nukleotydy \{i+1, i+2, ..., i+n\} są niesparowane, a nukleotyd i+n jest ostatnim w całej strukturze

  $ ./single_strands 1ET4-A.bpseq
  1-GGAACCG-7
  9-UGC-11
  13-CAUAAC-18
  22-CUCAG-26
  26-GUG-28
  28-GCG-30
  30-GAG-32
  33-CAA-35

• Zaimplementuj algorytm FCFS (ocena 5.0)

  $ ./fcfs.py 7K16-P.bpseq
  gGCAAGGUACGGCGAAAGCCGUAGGGGCUUGAGAACCCCCCCUCCCCACUC
  ((...[[((((((....))))))((((...{{{...)))))).]]...}}}

• Prawidłowe odpowiedzi można sprawdzić tutaj

Bibliografia