MIT TEHET A FIZIKUS A RÁKKUTATÁSÉRT? Pipek Orsolya ELTE TTK Komplex rendszerek fizikája tanszék. Atomoktól a csillagokig, Budapest, február 23.

Átírás

1 MIT TEHET A FIZIKUS A RÁKKUTATÁSÉRT? Pipek Orsolya ELTE TTK Komplex rendszerek fizikája tanszék Atomoktól a csillagokig, Budapest, február 23.

2 Pipek Orsolya, ELTE TTK Komplex rendszerek fizikája tanszék február 23. ÁTTEKINTÉS 1

3 Pipek Orsolya, ELTE TTK Komplex rendszerek fizikája tanszék február 23. ÁTTEKINTÉS Motiváció 1

4 Pipek Orsolya, ELTE TTK Komplex rendszerek fizikája tanszék február 23. ÁTTEKINTÉS Motiváció A DNS szerkezete, története 1

5 Pipek Orsolya, ELTE TTK Komplex rendszerek fizikája tanszék február 23. ÁTTEKINTÉS Új kutatási lehetőségek Motiváció A DNS szerkezete, története 1

6 Pipek Orsolya, ELTE TTK Komplex rendszerek fizikája tanszék február 23. ÁTTEKINTÉS Új kutatási lehetőségek Motiváció Szekvenálási technikák A DNS szerkezete, története 1

7 Pipek Orsolya, ELTE TTK Komplex rendszerek fizikája tanszék február 23. ÁTTEKINTÉS Kihívások az adatfeldolgozásban Új kutatási lehetőségek Motiváció Szekvenálási technikák A DNS szerkezete, története 1

8 Pipek Orsolya, ELTE TTK Komplex rendszerek fizikája tanszék február 23. ÁTTEKINTÉS Kihívások az adatfeldolgozásban Új kutatási lehetőségek Motiváció Reményteli jövő Szekvenálási technikák A DNS szerkezete, története 1

9 Pipek Orsolya, ELTE TTK Komplex rendszerek fizikája tanszék február 23. ÁTTEKINTÉS Szükséges szaktudás Kihívások az adatfeldolgozásban Új kutatási lehetőségek Motiváció Reményteli jövő Szekvenálási technikák A DNS szerkezete, története 1

10 ÁTTEKINTÉS Szükséges szaktudás Kihívások az adatfeldolgozásban Új kutatási lehetőségek Összegzés Motiváció Reményteli jövő Szekvenálási technikák A DNS szerkezete, története 1

11 MOTIVÁCIÓ: MIÉRT FOGLALKOZUNK GENETIKÁVAL? 2

12 MOTIVÁCIÓ: MIÉRT FOGLALKOZUNK GENETIKÁVAL? főleg fizikusként 2

13 MOTIVÁCIÓ: MIÉRT FOGLALKOZUNK GENETIKÁVAL? főleg fizikusként hasznos genetikai betegségek 2

14 MOTIVÁCIÓ: MIÉRT FOGLALKOZUNK GENETIKÁVAL? főleg fizikusként hasznos genetikai betegségek szükséges óriási feldolgozatlan adatmennyiség 2

15 MOTIVÁCIÓ: MIÉRT FOGLALKOZUNK GENETIKÁVAL? főleg fizikusként hasznos genetikai betegségek szükséges óriási feldolgozatlan adatmennyiség érdekes új, felfedezetlen területek, kihívások 2

16 MOTIVÁCIÓ: MIÉRT FOGLALKOZUNK GENETIKÁVAL? főleg fizikusként hasznos genetikai betegségek szükséges óriási feldolgozatlan adatmennyiség érdekes új, felfedezetlen területek, kihívások képesek vagyunk rá fizikusok jó problémamegoldók 2

17 MI A DNS? 3

18 MI A DNS? dezoxiribonukleinsav Feladata: genetikai utasítások összességének kódolása örökítőanyag, genom (vírusoknál RNS) utód megörökli az apai és anyai DNS felét öröklött tulajdonságok Felépítése: hatalmas makromolekula, két egymás köré csavarodott polinukleotid szál monomer egysége: nukleotid adenin A G purin váz guanin T C pirimidin váz timin dezoxiribóz foszfátcsoport nukleobázis citozin 3

19 MI A DNS? P nukleotid D C 4

20 MI A DNS? nukleotid 5 P P D CA D C P D C polinukleotid szál P D CT P D CT 3 4

21 MI A DNS? P nukleotid D C polinukleotid szál 5 P P P P D D D bázispár CA T C G CT A D D D P P P 5 kettős polinukleotid szál 3 D CT A D P 3 4

22 MI A DNS? P nukleotid D Humán genom: 3 milliárd ( ) bázispár minden testi sejtben! C polinukleotid szál 5 3 P P P P D D D D bázispár CA T C G CT A CT A D D D D P P P P 5 3 kettős polinukleotid szál 4

23 MI A DNS? Humán genom: 3 milliárd ( ) bázispár minden testi sejtben! 5

24 MI A DNS? Bázispárok átlagos távolsága: 0,34 nm (0, m) Humán genom: 3 milliárd ( ) bázispár minden testi sejtben! 5

25 MI A DNS? Emberi test: 37,2 billió (3, ) sejt! (2013, DOI: / ) Bázispárok átlagos távolsága: 0,34 nm (0, m) Humán genom: 3 milliárd ( ) bázispár minden testi sejtben! 5

26 MI A DNS? Emberi test: 37,2 billió (3, ) sejt! (2013, DOI: / ) 3, m 250 CSE Bázispárok átlagos távolsága: 0,34 nm (0, m) Humán genom: 3 milliárd ( ) bázispár minden testi sejtben! 5

27 MI A DNS? Emberi test: 37,2 billió (3, ) sejt! (2013, DOI: / ) 3, m 250 CSE Bázispárok átlagos távolsága: 0,34 nm (0, m) 250x Humán genom: 3 milliárd ( ) bázispár minden testi sejtben! 5

28 MI A DNS? Emberi test: 37,2 billió (3, ) sejt! (2013, DOI: / ) 3, m 250 CSE Ezt nagyon be kell csomagolni! Bázispárok átlagos távolsága: 0,34 nm (0, m) 250x Humán genom: 3 milliárd ( ) bázispár minden testi sejtben! 5

29 MI A DNS? Emberi test: 37,2 billió (3, ) sejt! (2013, DOI: / ) 3, m 250 CSE Ezt nagyon be kell csomagolni! Bázispárok átlagos távolsága: 0,34 nm (0, m) Humán genom: 3 milliárd ( ) bázispár minden testi sejtben! 6

30 MI A DNS? Információ kódolása: bázissorendben 3 egymás melletti bázis ( kodon ) kódol egy aminosavat aminosavak fehérjék A szervezet működésében a konkrét bázissorendnek meghatározó szerepe van. transzkripció transzláció Cél: a bázissorend (és következményeinek) feltérképezése SZEKVENÁLÁS 7

31 A DNS TÖRTÉNETE 8

32 1879 izzólámpa 1869 Friedrich Miescher izolálja a nukleint eddig ismeretlen, a sejtmagban ( nukleusz ) elhelyezkedő anyag nem fehérje A DNS TÖRTÉNETE A tübingeni egyetem laboratóriuma (1879 körül) 8

33 1879 izzólámpa 1931 TEM 1869 Friedrich Miescher izolálja a nukleint 1919 Alkotórészek azonosítása, polimer szerkezet A DNS TÖRTÉNETE 8

34 1879 izzólámpa 1931 TEM 1869 Friedrich Miescher izolálja a nukleint 1919 Alkotórészek azonosítása, polimer szerkezet 1937 Első röntgen-diffrakciós felvétel A DNS TÖRTÉNETE rossz minőségű de látszik a rendezett térszerkezet a szerkezet azonosítása nem sikerült (William Astbury) 8

35 1879 izzólámpa 1931 TEM 1869 Friedrich Miescher izolálja a nukleint 1919 Alkotórészek azonosítása, polimer szerkezet 1937 Első röntgen-diffrakciós felvétel A DNS TÖRTÉNETE Nyitray László, Pál Gábor: Griffith-kísérlet 1944 Avery MacLeod McCarty kísérlet: a DNS hordozza a genetikai információt! RNS-, fehérje- és DNS-bontó enzimek mi okozza a transzformációt? RNS? fehérjék? DNS? 8

36 1879 izzólámpa 1931 TEM 1869 Friedrich Miescher izolálja a nukleint 1919 Alkotórészek azonosítása, polimer szerkezet 1937 Első röntgen-diffrakciós felvétel A DNS TÖRTÉNETE Nyitray László, Pál Gábor: Griffith-kísérlet 1944 Avery MacLeod McCarty kísérlet: a DNS hordozza a genetikai információt! RNS-, fehérje- és DNS-bontó enzimek mi okozza a transzformációt? RNS? fehérjék? DNS? 8

37 1879 izzólámpa 1931 TEM 1869 Friedrich Miescher izolálja a nukleint 1919 Alkotórészek azonosítása, polimer szerkezet 1937 Első röntgen-diffrakciós felvétel A DNS TÖRTÉNETE 1947 tranzisztor 1944 Avery MacLeod McCarty kísérlet: a DNS hordozza a genetikai információt! 1953 Watson-Crick kettős hélix modell (Franklin felvétele alapján) Franklin fizikus volt! elméleti megfontolások Crick is! 8

38 1879 izzólámpa 1931 TEM 1869 Friedrich Miescher izolálja a nukleint 1919 Alkotórészek azonosítása, polimer szerkezet 1937 Első röntgen-diffrakciós felvétel A DNS TÖRTÉNETE 1947 tranzisztor 1944 Avery MacLeod McCarty kísérlet: a DNS hordozza a genetikai információt! 1953 Watson-Crick kettős hélix modell (Franklin felvétele alapján) 1957 Crick: centrális dogma (transzkripció, transzláció) 8

39 1879 izzólámpa 1931 TEM 1869 Friedrich Miescher izolálja a nukleint 1919 Alkotórészek azonosítása, polimer szerkezet 1937 Első röntgen-diffrakciós felvétel A DNS TÖRTÉNETE 1947 tranzisztor 1970 számológép 1944 Avery MacLeod McCarty kísérlet: a DNS hordozza a genetikai információt! 1953 Watson-Crick kettős hélix modell (Franklin felvétele alapján) 1957 Crick: centrális dogma (transzkripció, transzláció) 1977 Első szekvenálás (Sanger, Maxam, Gilbert) 8

40 1879 izzólámpa 1931 TEM 1869 Friedrich Miescher izolálja a nukleint 1919 Alkotórészek azonosítása, polimer szerkezet 1937 Első röntgen-diffrakciós felvétel A DNS TÖRTÉNETE 1947 tranzisztor 1970 számológép 1990 WWW 1944 Avery MacLeod McCarty kísérlet: a DNS hordozza a genetikai információt! 1953 Watson-Crick kettős hélix modell (Franklin felvétele alapján) 1957 Crick: centrális dogma (transzkripció, transzláció) 1977 Első szekvenálás (Sanger, Maxam, Gilbert) 1990 Megkezdődik a humán genom szekvenálása 8

41 1879 izzólámpa 1931 TEM 1869 Friedrich Miescher izolálja a nukleint 1919 Alkotórészek azonosítása, polimer szerkezet 1937 Első röntgen-diffrakciós felvétel A DNS TÖRTÉNETE 1947 tranzisztor 1970 számológép 1990 WWW 2000 τ-neutrínó 1944 Avery MacLeod McCarty kísérlet: a DNS hordozza a genetikai információt! 1953 Watson-Crick kettős hélix modell (Franklin felvétele alapján) 1957 Crick: centrális dogma (transzkripció, transzláció) 1977 Első szekvenálás (Sanger, Maxam, Gilbert) 1990 Megkezdődik a humán genom szekvenálása 2001 A teljes humán genom publikálása 8

42 ÚJ KUTATÁSI LEHETŐSÉGEK 9

43 ÚJ KUTATÁSI LEHETŐSÉGEK különbségek DNS és DNS között: örökletes és szerzett mutációk nagy része ártatlan : szemszín, hajszín stb. genetikai betegségek okozói: a DNS egyes szakaszainak hibái, mutációi (akár egy bázis megváltozása is!) színvakság (örökletes) sarlósejtes vérszegénység (örökletes) laktózérzékenység (lehet szerzett) naponta 500 ezer molekuláris hiba (endogén és exogén tényezők miatt) 9

44 ÚJ KUTATÁSI LEHETŐSÉGEK különbségek DNS és DNS között: örökletes és szerzett mutációk nagy része ártatlan : szemszín, hajszín stb. genetikai betegségek okozói: a DNS egyes szakaszainak hibái, mutációi (akár egy bázis megváltozása is!) színvakság (örökletes) sarlósejtes vérszegénység (örökletes) laktózérzékenység (lehet szerzett) naponta 500 ezer molekuláris hiba (endogén és exogén tényezők miatt) Miért ritkák ehhez képest a genetikai betegségek? a hibák véletlenszerűek nagyon hatékony javító-mechanizmusok! 9

45 ÚJ KUTATÁSI LEHETŐSÉGEK különbségek DNS és DNS között: örökletes és szerzett mutációk nagy része ártatlan : szemszín, hajszín stb. genetikai betegségek okozói: a DNS egyes szakaszainak hibái, mutációi (akár egy bázis megváltozása is!) színvakság (örökletes) sarlósejtes vérszegénység (örökletes) laktózérzékenység (lehet szerzett) naponta 500 ezer molekuláris hiba (endogén és exogén tényezők miatt) Miért ritkák ehhez képest a genetikai betegségek? a hibák véletlenszerűek nagyon hatékony javító-mechanizmusok! Nem akkor van baj, ha a DNS elromlik, hanem ha nem tudjuk kijavítani! 9

46 ÚJ KUTATÁSI LEHETŐSÉGEK Néhány lehetséges mutáció: Kis-skálás Nagy-skálás pontmutáció (T>G) 10

47 ÚJ KUTATÁSI LEHETŐSÉGEK Néhány lehetséges mutáció: Kis-skálás Nagy-skálás pontmutáció (T>G) inzerció 10

48 ÚJ KUTATÁSI LEHETŐSÉGEK Néhány lehetséges mutáció: Kis-skálás Nagy-skálás pontmutáció (T>G) inzerció deléció 10

49 ÚJ KUTATÁSI LEHETŐSÉGEK Néhány lehetséges mutáció: Kis-skálás Nagy-skálás pontmutáció (T>G) inzerció deléció kromoszómán belüli: deléció 10

50 ÚJ KUTATÁSI LEHETŐSÉGEK Néhány lehetséges mutáció: Kis-skálás Nagy-skálás pontmutáció (T>G) inzerció deléció kromoszómán belüli: deléció inzerció/duplikáció 10

51 ÚJ KUTATÁSI LEHETŐSÉGEK Néhány lehetséges mutáció: Kis-skálás Nagy-skálás pontmutáció (T>G) inzerció deléció kromoszómán belüli: deléció inzerció/duplikáció inverzió 10

52 ÚJ KUTATÁSI LEHETŐSÉGEK Néhány lehetséges mutáció: Kis-skálás Nagy-skálás pontmutáció (T>G) inzerció deléció kromoszómán belüli: deléció inzerció/duplikáció inverzió kromoszómák közti: inzerció 10

53 ÚJ KUTATÁSI LEHETŐSÉGEK Néhány lehetséges mutáció: Kis-skálás Nagy-skálás pontmutáció (T>G) inzerció deléció kromoszómán belüli: deléció inzerció/duplikáció inverzió kromoszómák közti: inzerció transzlokáció 10

54 Néhány DNS-javító mechanizmus: ÚJ KUTATÁSI LEHETŐSÉGEK egyik szálon sérült DNS javítása: 1. hiba felismerése, hibás szakasz eltávolítása 2. másik szálról komplementer szakasz legyártása BER: oxidálódott, alkilizálódott vagy hidrolizálódott nukleotidok cseréje NER: hélixszerkezetet torzító mutációk javítása MMR: nem összetartozó (tehát nem AT vagy CG) bázispárok korrekciója kettős szál törés: szálak összeragasztása NHEJ: minta nélkül, rövid átfedő szakaszt keresve ( rövid deléciók) rekombináció: minta alapján NHEJ mechanizmus 11

55 ÚJ KUTATÁSI LEHETŐSÉGEK 12

56 ÚJ KUTATÁSI LEHETŐSÉGEK A DNS másolása és javítása nagyon komplex feladat, nagyon sok enzim és fehérje vesz részt benne! egyelőre nagyon keveset tudunk a konkrét mechanizmusokról, ezek feltérképezése lenne a cél BRCA1 13

57 ÚJ KUTATÁSI LEHETŐSÉGEK A DNS másolása és javítása nagyon komplex feladat, nagyon sok enzim és fehérje vesz részt benne! egyelőre nagyon keveset tudunk a konkrét mechanizmusokról, ezek feltérképezése lenne a cél BRCA1 Módszer: 13

58 ÚJ KUTATÁSI LEHETŐSÉGEK A DNS másolása és javítása nagyon komplex feladat, nagyon sok enzim és fehérje vesz részt benne! egyelőre nagyon keveset tudunk a konkrét mechanizmusokról, ezek feltérképezése lenne a cél BRCA1 Módszer: 1. Egy adag sejtben direkt, célzottan rontsuk el valamelyik fontosnak gyanított gént. ( mutáns sejtek) 13

59 ÚJ KUTATÁSI LEHETŐSÉGEK A DNS másolása és javítása nagyon komplex feladat, nagyon sok enzim és fehérje vesz részt benne! egyelőre nagyon keveset tudunk a konkrét mechanizmusokról, ezek feltérképezése lenne a cél BRCA1 Módszer: 1. Egy adag sejtben direkt, célzottan rontsuk el valamelyik fontosnak gyanított gént. ( mutáns sejtek) 2. Kezeljük az egészséges és a mutáns sejteket valamilyen károsító anyaggal, ami véletlenszerű mutációkat hoz létre. 13

60 ÚJ KUTATÁSI LEHETŐSÉGEK A DNS másolása és javítása nagyon komplex feladat, nagyon sok enzim és fehérje vesz részt benne! egyelőre nagyon keveset tudunk a konkrét mechanizmusokról, ezek feltérképezése lenne a cél BRCA1 Módszer: 1. Egy adag sejtben direkt, célzottan rontsuk el valamelyik fontosnak gyanított gént. ( mutáns sejtek) 2. Kezeljük az egészséges és a mutáns sejteket valamilyen károsító anyaggal, ami véletlenszerű mutációkat hoz létre. 3. Vizsgáljuk, hogy a mutáns és az egészséges sejtek mennyire jól tudják kijavítani a véletlenszerű mutációkat. 13

61 ÚJ KUTATÁSI LEHETŐSÉGEK A DNS másolása és javítása nagyon komplex feladat, nagyon sok enzim és fehérje vesz részt benne! egyelőre nagyon keveset tudunk a konkrét mechanizmusokról, ezek feltérképezése lenne a cél BRCA1 Módszer: 1. Egy adag sejtben direkt, célzottan rontsuk el valamelyik fontosnak gyanított gént. ( mutáns sejtek) 2. Kezeljük az egészséges és a mutáns sejteket valamilyen károsító anyaggal, ami véletlenszerű mutációkat hoz létre. 3. Vizsgáljuk, hogy a mutáns és az egészséges sejtek mennyire jól tudják kijavítani a véletlenszerű mutációkat. 4. Abból, hogy a mutáns sejtekben milyen típusú végleges mutációkat találunk, következtetni lehet arra, hogy az eredetileg megrongált génnek melyik javító-mechanizmusban milyen szerepe van. 13

62 ÚJ KUTATÁSI LEHETŐSÉGEK A DNS másolása és javítása nagyon komplex feladat, nagyon sok enzim és fehérje vesz részt benne! egyelőre nagyon keveset tudunk a konkrét mechanizmusokról, ezek feltérképezése lenne a cél BRCA1 Módszer: 1. Egy adag sejtben direkt, célzottan rontsuk el valamelyik fontosnak gyanított gént. ( mutáns sejtek) 2. Kezeljük az egészséges és a mutáns sejteket valamilyen károsító anyaggal, ami véletlenszerű mutációkat hoz létre. 3. Vizsgáljuk, hogy a mutáns és az egészséges sejtek mennyire jól tudják kijavítani a véletlenszerű mutációkat. 4. Abból, hogy a mutáns sejtekben milyen típusú végleges mutációkat találunk, következtetni lehet arra, hogy az eredetileg megrongált génnek melyik javító-mechanizmusban milyen szerepe van. SZEKVENÁLÁS + SZEKVENÁLÁSI ADATOK ELEMZÉSE 13

63 ÚJ KUTATÁSI LEHETŐSÉGEK Közös projectek az MTA Enzimológiai Intézetével: 14

64 SZEKVENÁLÁSI TECHNIKÁK Sanger-szekvenálás 15

65 SZEKVENÁLÁSI TECHNIKÁK 5 Sanger-szekvenálás C C C 3 DNS C C 15

66 SZEKVENÁLÁSI TECHNIKÁK 5 Sanger-szekvenálás C 3 C C + primer 5 C 3 DNS C DNS-polimeráz 15

67 SZEKVENÁLÁSI TECHNIKÁK 5 Sanger-szekvenálás C 3 OH C C + primer 5 + OH OH C 3 DNS C DNS-polimeráz OH dgtp, dctp, datp, dttp 15

68 SZEKVENÁLÁSI TECHNIKÁK 5 Sanger-szekvenálás C 3 OH C C + primer 5 + OH + H X OH C 3 DNS C DNS-polimeráz OH dgtp, dctp, datp, dttp ddatp 15

69 SZEKVENÁLÁSI TECHNIKÁK 5 Sanger-szekvenálás C C C 3 DNS C C 16

70 SZEKVENÁLÁSI TECHNIKÁK 5 Sanger-szekvenálás 3 3 C C C X 5 C 3 DNS C X 5 16

71 SZEKVENÁLÁSI TECHNIKÁK 5 Sanger-szekvenálás 3 3 C?? C gélelektroforézis?? A C X 5?? C A 3 DNS C X 5 16

72 SZEKVENÁLÁSI TECHNIKÁK 5 Sanger-szekvenálás C ddatp ddgtp ddttp ddctp C C C T C G C A G T A A G C G T C A T 3 DNS C 17

73 SZEKVENÁLÁSI TECHNIKÁK NGS: next-generation sequencing 18

74 SZEKVENÁLÁSI TECHNIKÁK NGS: next-generation sequencing 1. DNS felszaporítása (PCR), darabokra ( short read ) tördelése 18

75 SZEKVENÁLÁSI TECHNIKÁK NGS: next-generation sequencing 1. DNS felszaporítása (PCR), darabokra ( short read ) tördelése 2. Egyszálú short readek rögzítése a cellán primerekkel 18

76 SZEKVENÁLÁSI TECHNIKÁK NGS: next-generation sequencing 1. DNS felszaporítása (PCR), darabokra ( short read ) tördelése 2. Egyszálú short readek rögzítése a cellán primerekkel 3. Short readek felszaporítása a közvetlen környezetükben klaszterenként (1000+) teljesen azonos short readek 18

77 SZEKVENÁLÁSI TECHNIKÁK NGS: next-generation sequencing 1. DNS felszaporítása (PCR), darabokra ( short read ) tördelése 2. Egyszálú short readek rögzítése a cellán primerekkel 3. Short readek felszaporítása a közvetlen környezetükben klaszterenként (1000+) teljesen azonos short readek 4. Cella leöntése a négyféle festékanyaggal megjelölt ddntp-vel és DNS-polimeráz enzimmel 18

78 SZEKVENÁLÁSI TECHNIKÁK NGS: next-generation sequencing 1. DNS felszaporítása (PCR), darabokra ( short read ) tördelése 2. Egyszálú short readek rögzítése a cellán primerekkel 3. Short readek felszaporítása a közvetlen környezetükben klaszterenként (1000+) teljesen azonos short readek 4. Cella leöntése a négyféle festékanyaggal megjelölt ddntp-vel és DNS-polimeráz enzimmel 5. Klaszterenkénti színes foltok rögzítése képként 18

79 SZEKVENÁLÁSI TECHNIKÁK NGS: next-generation sequencing 1. DNS felszaporítása (PCR), darabokra ( short read ) tördelése 2. Egyszálú short readek rögzítése a cellán primerekkel 3. Short readek felszaporítása a közvetlen környezetükben klaszterenként (1000+) teljesen azonos short readek 4. Cella leöntése a négyféle festékanyaggal megjelölt ddntp-vel és DNS-polimeráz enzimmel 5. Klaszterenkénti színes foltok rögzítése képként 6. Beépült bázisok semlegesítése 18

80 SZEKVENÁLÁSI TECHNIKÁK NGS: next-generation sequencing 1. DNS felszaporítása (PCR), darabokra ( short read ) tördelése 2. Egyszálú short readek rögzítése a cellán primerekkel 3. Short readek felszaporítása a közvetlen környezetükben klaszterenként (1000+) teljesen azonos short readek 4. Cella leöntése a négyféle festékanyaggal megjelölt ddntp-vel és DNS-polimeráz enzimmel 5. Klaszterenkénti színes foltok rögzítése képként 6. Beépült bázisok semlegesítése 18

81 SZEKVENÁLÁSI TECHNIKÁK NGS: next-generation sequencing 1. DNS felszaporítása (PCR), darabokra ( short read ) tördelése 2. Egyszálú short readek rögzítése a cellán primerekkel 3. Short readek felszaporítása a közvetlen környezetükben klaszterenként (1000+) teljesen azonos short readek 4. Cella leöntése a négyféle festékanyaggal megjelölt ddntp-vel és DNS-polimeráz enzimmel 5. Klaszterenkénti színes foltok rögzítése képként 6. Beépült bázisok semlegesítése 18

82 SZEKVENÁLÁSI TECHNIKÁK NGS: next-generation sequencing 19

83 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 1. Képekből szöveges short read x koordináta színintenzitás y x y A C G T G C? G? T 20

84 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 1. Képekből szöveges short read x koordináta színintenzitás y x y A C G T G C? G? GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAACTCACAGTTT +!''*((((***+))%%%++)(%%%%).1***-+*''))**55CCF>>>>>>CCCCCCC65 ID szekvencia (ID) megbízhatóság (quality) FASTQ formátum 20

85 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 2. Short read-ből teljes genom: összeillesztés A. referencia genom (minta) nélkül: de-novo illesztés tt_és elada z_egy s_fel iviál sszet ez_eg _és_n etett is_fe s_nem gy_ös em_tr _triv _össz viáli szetet adat. ett_é 21

86 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 2. Short read-ből teljes genom: összeillesztés A. referencia genom (minta) nélkül: de-novo illesztés z_egy_össz tt_és em_tr viális_feladat. ez_eg szetet iviális_fe gy_ös ett_és_nem_triv elada sszet _és_n etett 21

87 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 2. Short read-ből teljes genom: összeillesztés A. referencia genom (minta) nélkül: de-novo illesztés z_egy_össz tt_és em_tr viális_feladat. ez_eg szetet iviális_fe gy_ös ett_és_nem_triv elada sszet _és_n etett ez_egy_összetett_és_nem_triviális_feladat. 21

88 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 2. Short read-ből teljes genom: összeillesztés A. referencia genom (minta) nélkül: de-novo illesztés B. referencia genom segítségével ez_így_már_sokkal_könnyebb. már_s künny nyebb így_m ez_íg yebb. z_így l_kün _künn ár_so 21

89 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 2. Short read-ből teljes genom: összeillesztés A. referencia genom (minta) nélkül: de-novo illesztés B. referencia genom segítségével ez_így_már_sokkal_könnyebb. ez_íg már_s l_kün yebb. így_már_so nyebb z_így _künn künny De még ez is bonyolult! 21

90 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 2. Short read-ből teljes genom: összeillesztés A. referencia genom (minta) nélkül: de-novo illesztés B. referencia genom segítségével ez_így_már_sokkal_könnyebb. ez_íg már_s l_kün yebb. így_már_so nyebb z_így _künn künny De még ez is bonyolult! deléció pontmutáció 21

91 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 3. Illesztett short read-ekből mutációk Alapfeladat: hosszú szöveges fájl elemzése soronként (genomi pozíciónként) a) eltérnek-e a readek a referencia genomtól? b) több vizsgált minta esetén (pl. kezelt/kezeletlen): eltérnek-e a readek egymástól a mintákban? ez sokkal fontosabb! Bonyodalmak: a) van-e elég read az adott helyen (lefedettség)? b) mennyire megbízható a readen belül az adott bázis? ( base quality ) c) mennyire megbízható a read felillesztése? ( mapping quality ) d) eléggé eltérnek-e a minták, a többi minta mennyire zajos? rengeteg, különböző feladatra specializált mutáció detektáló algoritmus és eszköz 22

92 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 3. Illesztett short read-ekből mutációk sok izogenikus minta estén referencia genomtól való eltérések, illesztési hibák korrigálódnak egyéni mutációk detektálására (például kezelés hatása) gyors pontos (megfelelő paraméterválasztással nagyon kevés fals pozitív eredmény) 23

93 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 4. Mutációkból következtetések 1. Mutációs spektrumok felvétele mintánként (páciensenként): G T G G GTA > G A A 24

94 bázishármasra eső mutációk száma Pipek Orsolya, ELTE TTK Komplex rendszerek fizikája tanszék február 23. KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 4. Mutációkból következtetések 1. Mutációs spektrumok felvétele mintánként (páciensenként): G T G G GTA > G A A 96-komponensű vektorok 24

95 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 4. Mutációkból következtetések 1. Mutációs spektrumok felvétele mintánként (páciensenként): 2. Páciensek csoportosítása, mátrixba rendezése ráktípusonként (szervenként): mutációs katalógus K = 96 páciensek: (G-1). G. 25

96 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 4. Mutációkból következtetések 1. Mutációs spektrumok felvétele mintánként (páciensenként): 2. Páciensek csoportosítása, mátrixba rendezése ráktípusonként (szervenként): 3. Feltételezzük, hogy a konkrét páciensek spektrumai kikeverhetők néhány mutációs folyamatra jellemző spektrum ( szignatúra ) kombinációjaként: M = P E mutációs katalógus szignatúrák súlyfaktorai mutációs szignatúrák Feladat: egy ismert mátrix felbontása két másik (ismeretlen dimenziójú!) mátrix szorzatára 26

97 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 4. Mutációkból következtetések 1. Mutációs spektrumok felvétele mintánként (páciensenként): 2. Páciensek csoportosítása, mátrixba rendezése ráktípusonként (szervenként): 3. Feltételezzük, hogy a konkrét páciensek spektrumai kikeverhetők néhány mutációs folyamatra jellemző spektrum ( szignatúra ) kombinációjaként: 4. Kérdések: Igaz-e, hogy az egyes ráktípusoknál megjelenő konkrét spektrumok visszavezethetők néhány (3-5) mutációs folyamat hatásának a kombinációjára? Ha igen, találunk-e olyan folyamatokat, amik többféle ráktípusnál is aktívak? 27

98 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 4. Mutációkból következtetések 1. Mutációs spektrumok felvétele mintánként (páciensenként): 2. Páciensek csoportosítása, mátrixba rendezése ráktípusonként (szervenként): 3. Feltételezzük, hogy a konkrét páciensek spektrumai kikeverhetők néhány mutációs folyamatra jellemző spektrum ( szignatúra ) kombinációjaként: 4. Kérdések: Igaz-e, hogy az egyes ráktípusoknál megjelenő konkrét spektrumok visszavezethetők néhány (3-5) mutációs folyamat hatásának a kombinációjára? IGEN. Ha igen, találunk-e olyan folyamatokat, amik többféle ráktípusnál is aktívak? IGEN. 27

99 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 4. Mutációkból következtetések öregedés dohányzás kettős DNS-szál törések javítómechanizmusának hiánya 28

100 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 4. Mutációkból következtetések Mire jó ez az egész? Tegyük fel, hogy egy daganatban a mutációs spektrum felbontásából kiderül, hogy a kettős DNS-szál törések javítómechanizmusa hibásan működik. Ekkor a daganatot olyan kemoterápiás szerrel kezelve, mely gátolja az alternatív DNS-javító mechanizmusokat, a daganat megsemmisíthető. Az egészséges sejtek túlélik, hiszen bennük az eredeti javítási útvonal jól működik. Viszont az olyan daganatokra, ahol ez a javítómechanizmus nem hibás, ugyanez a szer nem fog jól hatni. A kezelést nem az határozza meg, hogy a daganat melyik szervben van, hanem a mutációs folyamatok összessége! 29

101 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 4. Mutációkból következtetések 30

102 KIHÍVÁSOK AZ ADATFELDOLGOZÁSBAN 4. Mutációkból következtetések Mit kell ehhez még tenni? Meg kell ismerni a különböző DNS-javító mechanizmusok hibáira utaló jeleket (szignatúrákat), hogy azonosíthatóak legyenek a mutációs spektrumokból. Meg kell ismerni a különböző kemoterápiás szerek hatásait és olyanokat kell fejleszteni, melyek kiaknázzák a daganatsejtek hiányosságait. Ez egy nagyon fontos és nemes feladat. 31

103 REMÉNYTELI JÖVŐ NGS módszerek egyre olcsóbb adatot gyártani egyre több adat publikus online 32

104 REMÉNYTELI JÖVŐ 33

105 REMÉNYTELI JÖVŐ 34

106 REMÉNYTELI JÖVŐ Nanopore MinION akkora mint egy pendrive USB csatlakozóval csatlakoztatható a számítógéphez élőben szekvenál a DNS megfelelő preparálása után semmilyen további laborfelszerelést nem igényel 1000 USD (< 300 ezer HUF) 35

107 REMÉNYTELI JÖVŐ Diagnosztika, szűrések egyes cégek 300 ezer HUF alatti összegért teljes genomot szekvenálnak, elemeznek Rizikófaktorok korai felismerése magzati DNS az anya véréből (180 ezer HUF) főleg kromoszóma-többszöröződéssel járó genetikai betegségek (pl. Down-kór, Turnerszindróma) kimutatása a terhesség korai szakaszában Személyre szabott gyógyítás ( personalised medicine ) a konkrét genetikai háttér nagyban befolyásolja a különböző terápiákra adott reakciót ha rutinfeladattá válik a teljes genom szekvenálása a diagnosztikában, a pácienseket csak olyan jellegű kezeléseknek kell alávetni, amire várhatóan jól reagálnak Kutatás: még nagyon sok mindent nem tudunk! 36

108 SZÜKSÉGES SZAKTUDÁS erős természettudományos képzettség: fizika, vegyész szak jó választás egyéni problémamegoldásra tréningel modellalkotás statisztikai, matematikai ismeretek programozói készség (nem feltétlenül informatikai szaktudás!) angol nyelvtudás kreativitás (jó kérdéseket kell jól feltenni) hajlam a csapatmunkára (molekuláris biológiában nincs egyéni eredmény) érdeklődés a biológiai kérdések iránt adatvizualizációs készség Nem feltétlenül tudás! 37

109 ÖSSZEGZÉS A molekuláris biológia eszközei egyre gyorsabban fejlődnek, a kísérletek egyre olcsóbbá válnak. Az így keletkező hatalmas adatmennyiséggel a biológusok nem tudnak mit kezdeni. Rengeteg ígéretes kutatási terület van, amibe érdemes munkát befektetni. Mind a tudomány, mind az orvoslás szempontjában kiemelkedő jelentőségű eredmények születnek. Európában az adatok elemzéséhez értő bioinformatikusok kevesen vannak és viszonylag ritkán biológusok vagy informatikusok. (És soha nem orvosok.) Hasznos és fontos terület, melyben a komplex rendszerek elemzéséhez értő tudósokra van szükség. 38

110 KÖSZÖNÖM A FIGYELMET!

111 ÁBRÁK, VIDEÓK Nap (5): Föld (5): DNS nagy-skálás szerkezete (6): Transzláció, transzkripció (7): Tübingeni egyetem laboratórium (8): Astbury diffrakciós felvétele (8): Griffith-kísérlet (8): Watson és Crick (8): Franklin diffrakciós felvétele (8): Gélelektroforézis (8): Kettős száltörés javítása, PARP inhibitor hatása (videók, 12, 30): BRCA1 komplex (13): MTA TTK épülete (13): Illumina szekvenálás, világító klaszterek (18): Illumina szekvenálás (videó, 19): Nanopore szekvenálás (videók, 33-34): Nanopore MinION (35):