Tarea 2
Bases de Datos Bioinformáticas en R
Maestría en Bioinformática y Biología en Sistemas
Universidad de Costa Rica
Maestría en Bioinformática y Biología en Sistemas
Universidad de Costa Rica
Marcelo Araya-Salas, PhD
“2020-11-14”
Instrucciones generales:
- La fecha de entrega es el 11 de diciembre
- La tarea debe ser escrita en el formato para reportes dinámicos Rmarkdown
- Debe entregar el archivo html generado del Rmarkdown por medio de mediación virtual
- El archivo Rmarkdown debe utilizar secciones de código (“chunks”) separados para cada ejercicio y subtítulos para cada uno así como comentarios en texto
- El código dentro de los “chunks” debe estar documentado con comentarios (usando #)
- Debe usar R básico para la manipulación de datos
- Cada item tiene un valor de 5 puntos
Usaremos el juego de datos de secuencias de aminoácidos del paquete msa para practicar algunas de las herramientas de manejo de datos fundamentales de R:
library(msa)
library(seqinr)
library(ape)
seq_aa <- system.file("examples", "exampleAA.fasta", package = "msa")
seq_aa <- readAAStringSet(seq_aa)
seq_aa## AAStringSet object of length 9:
## width seq names
## [1] 452 MSTAVLENPGLGRKLSDFGQETS...LKILADSINSEIGILCSALQKIK PH4H_Homo_sapiens
## [2] 453 MAAVVLENGVLSRKLSDFGQETS...KILADSINSEVGILCNALQKIKS PH4H_Rattus_norve...
## [3] 453 MAAVVLENGVLSRKLSDFGQETS...KILADSINSEVGILCHALQKIKS PH4H_Mus_musculus
## [4] 297 MNDRADFVVPDITTRKNVGLSHD...DVAPDDLVLNAGDRQGWADTEDV PH4H_Chromobacter...
## [5] 262 MKTTQYVARQPDDNGFIHYPETE...MALVHEAMRLGLHAPLFPPKQAA PH4H_Pseudomonas_...
## [6] 451 MSALVLESRALGRKLSDFGQETS...LKILADSISSEVEILCSALQKLK PH4H_Bos_taurus
## [7] 313 MAIATPTSAAPTPAPAGFTGTLT...DVVDGDAVLNAGTREGWADTADI PH4H_Ralstonia_so...
## [8] 294 MSGDGLSNGPPPGARPDWTIDQG...AVLTRGTQAYATAGGRLAGAAAG PH4H_Caulobacter_...
## [9] 275 MSVAEYARDCAAQGLRGDYSVCR...QTADFEAIVARRKDQKALDPATV PH4H_Rhizobium_loti
Ejercicios
- Haga el alineamiento de las secuencias en
seq_aausando el metodo “Muscle”
- Obtenga la secuencia de consenso para este alineamiento
- Calcule el puntaje de conservación para cada posición en este alineamiento (utilice la matriz de substitución BLOSUM62 del paquete
Biostrings)
- Construya un árbol filogenético usando la función
bionj()del paqueteapecon el alineamiento generado en el ejercicio 1
- Grafique el árbol usando la función
plot
- Grafique el árbol con
ggtreeusando colores diferentes para sobresaltar los nodos internos y los nodos terminales (“especies”)
- Grafique el árbol pero esta vez con las ramas con lineas punteadas de color gris, con un árbol de estilo “slanted” e incluyendo los nombres de las ramas terminales
Las secuencias de consenso nos indican cuales sitios son mas conservados. Esta información podemos usarla para crear subconjuntos de los alineamientos con diferentes grados de conservación. En el siguiente ejemplo crearemos árboles filogenéticos usando alineamientos que varian en el grado de conservación.
Antes, es importante entender como podemos crear subconjuntos de un alineamiento. Podemos hacerlo de la siguiente forma:
alg_aa_seq <- msaConvert(alg_aa, type = "seqinr::alignment")
alg_aa_mat <- as.matrix.alignment(alg_aa_seq)El código anterior convierte el alineamiento en una matriz donde cada posición es una columna y cada secuencia una fila:
alg_aa_mat[, 1:30]## 1 2 3 4 5 6 7 8 9 10 11 12
## PH4H_Rattus_norvegicus "M" "A" "A" "V" "V" "L" "E" "N" "G" "V" "L" "S"
## PH4H_Mus_musculus "M" "A" "A" "V" "V" "L" "E" "N" "G" "V" "L" "S"
## PH4H_Homo_sapiens "M" "S" "T" "A" "V" "L" "E" "N" "P" "G" "L" "G"
## PH4H_Bos_taurus "M" "S" "A" "L" "V" "L" "E" "S" "R" "A" "L" "G"
## PH4H_Pseudomonas_aeruginosa "-" "-" "-" "-" "-" "-" "-" "-" "-" "-" "-" "-"
## PH4H_Rhizobium_loti "-" "-" "-" "-" "-" "-" "-" "-" "-" "-" "-" "-"
## PH4H_Caulobacter_crescentus "-" "-" "-" "-" "-" "-" "-" "-" "-" "-" "-" "-"
## PH4H_Chromobacterium_violaceum "-" "-" "-" "-" "-" "-" "-" "-" "-" "-" "-" "M"
## PH4H_Ralstonia_solanacearum "M" "A" "I" "A" "T" "P" "T" "S" "A" "A" "P" "T"
## 13 14 15 16 17 18 19 20 21 22 23 24
## PH4H_Rattus_norvegicus "R" "K" "L" "S" "D" "F" "-" "G" "Q" "E" "T" "S"
## PH4H_Mus_musculus "R" "K" "L" "S" "D" "F" "-" "G" "Q" "E" "T" "S"
## PH4H_Homo_sapiens "R" "K" "L" "S" "D" "F" "-" "G" "Q" "E" "T" "S"
## PH4H_Bos_taurus "R" "K" "L" "S" "D" "F" "-" "G" "Q" "E" "T" "S"
## PH4H_Pseudomonas_aeruginosa "-" "-" "-" "-" "-" "-" "-" "M" "K" "T" "T" "Q"
## PH4H_Rhizobium_loti "-" "-" "-" "-" "-" "-" "-" "M" "S" "V" "A" "E"
## PH4H_Caulobacter_crescentus "-" "-" "-" "-" "-" "-" "-" "-" "M" "S" "G" "D"
## PH4H_Chromobacterium_violaceum "N" "D" "R" "A" "D" "F" "-" "-" "-" "V" "V" "P"
## PH4H_Ralstonia_solanacearum "P" "A" "P" "A" "G" "F" "T" "G" "T" "L" "T" "D"
## 25 26 27 28 29 30
## PH4H_Rattus_norvegicus "Y" "I" "E" "D" "N" "S"
## PH4H_Mus_musculus "Y" "I" "E" "D" "N" "S"
## PH4H_Homo_sapiens "Y" "I" "E" "D" "N" "C"
## PH4H_Bos_taurus "Y" "I" "E" "G" "N" "S"
## PH4H_Pseudomonas_aeruginosa "Y" "V" "A" "R" "Q" "P"
## PH4H_Rhizobium_loti "Y" "A" "R" "D" "C" "A"
## PH4H_Caulobacter_crescentus "G" "L" "S" "N" "G" "P"
## PH4H_Chromobacterium_violaceum "D" "I" "T" "T" "R" "K"
## PH4H_Ralstonia_solanacearum "K" "L" "R" "E" "Q" "F"Podemos convertir esto de vuelta en un alineamiento en el formato seqinr de la siguiente forma:
alg_aa_seq_2 <- alg_aa_seq
alg_aa_seq_2$seq <- apply(alg_aa_mat, 1, paste0, collapse = "")… y al igual que con el alineamiento completo, podemos crear árboles filogenéticos con estos subconjuntos:
d <- dist.alignment(alg_aa_seq_2, "identity")
tree <- bionj(d)
plot(tree)
- Use el puntaje consenso generada en el ejercicio 2 para obtener un subconjunto del alineamiento que contenga las secuencias menos conservadas, definidas como aquellas con un puntaje de conservación mayor a 0
- Calcule y grafique el árbol filogenético derivado de el subconjunto del alineamiento con las posiciones conservadas creado en el ejercicio anterior
- Genere un árbol filogenético pero en este caso usando las posiciones menos conservadas (aquellas con un puntaje menor o igual a 0)
- ¿Al comparar el árbol creado con el alineamiento “conservado” (ejercicio 9) con el del alineamiento “no conservado” (ejercicio 10) ¿Cuál genera un árbol que coincide mas con lo esperado con base en nuestro conocimiento de las especies (por ejemplo, compare las especies mas cercanas a Homo sapiens)?
Información de la sesión
## R version 4.0.3 (2020-10-10)
## Platform: x86_64-pc-linux-gnu (64-bit)
## Running under: Ubuntu 20.04.1 LTS
##
## Matrix products: default
## BLAS: /usr/lib/x86_64-linux-gnu/blas/libblas.so.3.9.0
## LAPACK: /usr/lib/x86_64-linux-gnu/lapack/liblapack.so.3.9.0
##
## locale:
## [1] LC_CTYPE=en_US.UTF-8 LC_NUMERIC=C
## [3] LC_TIME=es_CR.UTF-8 LC_COLLATE=en_US.UTF-8
## [5] LC_MONETARY=es_CR.UTF-8 LC_MESSAGES=en_US.UTF-8
## [7] LC_PAPER=es_CR.UTF-8 LC_NAME=C
## [9] LC_ADDRESS=C LC_TELEPHONE=C
## [11] LC_MEASUREMENT=es_CR.UTF-8 LC_IDENTIFICATION=C
##
## attached base packages:
## [1] stats4 parallel stats graphics grDevices utils datasets
## [8] methods base
##
## other attached packages:
## [1] ggtree_2.4.1 ape_5.4-1 seqinr_4.2-4
## [4] msa_1.22.0 Biostrings_2.58.0 XVector_0.30.0
## [7] IRanges_2.24.0 S4Vectors_0.28.0 BiocGenerics_0.36.0
## [10] knitr_1.30
##
## loaded via a namespace (and not attached):
## [1] treeio_1.14.3 progress_1.2.2 tidyselect_1.1.0
## [4] xfun_0.19 purrr_0.3.4 lattice_0.20-41
## [7] colorspace_2.0-0 vctrs_0.3.5 generics_0.1.0
## [10] htmltools_0.5.0 yaml_2.2.1 rlang_0.4.8
## [13] pillar_1.4.6 glue_1.4.2 rvcheck_0.1.8
## [16] lifecycle_0.2.0 stringr_1.4.0 zlibbioc_1.36.0
## [19] munsell_0.5.0 gtable_0.3.0 evaluate_0.14
## [22] labeling_0.4.2 Rcpp_1.0.5 scales_1.1.1
## [25] formatR_1.7 BiocManager_1.30.10 jsonlite_1.7.1
## [28] farver_2.0.3 ggplot2_3.3.2 hms_0.5.3
## [31] aplot_0.0.6 digest_0.6.27 stringi_1.5.3
## [34] dplyr_1.0.2 grid_4.0.3 ade4_1.7-16
## [37] tools_4.0.3 magrittr_2.0.1 lazyeval_0.2.2
## [40] patchwork_1.1.0 tibble_3.0.4 crayon_1.3.4
## [43] tidyr_1.1.2 pkgconfig_2.0.3 MASS_7.3-53
## [46] ellipsis_0.3.1 tidytree_0.3.3 prettyunits_1.1.1
## [49] rmarkdown_2.5 R6_2.5.0 nlme_3.1-150
## [52] compiler_4.0.3