Desarrollo de herramientas bioinformáticas para la anotación de genomas

• Autores: Burguener, Germán F.
• Año de publicación: 2017
• Idioma: español castellano
• Tipo de recurso: tesis doctoral
• Colaborador/a o director/a de tesis: Turjanski, Adrián; Fernández Do Porto, Darío Augusto
• Materia: BIOINFORMATICA; GENOMICA; TRANSCRIPTOMICA; ENSAMBLADO; ALINEAMIENTO; PIPELINE; BIOINFORMATICS; GENOMICS; TRANSCRIPTOMICS; ASSEMBLY; ALIGNMENT; PIPELINE
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

El ensamblado y la anotación de genomas es un área de particular interés en genómica, que ha abierto un horizonte de posibilidades impensadas en la época de los primeros avances de la genómica preinformática. Desde las primeras secuenciaciones de genomas completos, se han desarrollado diferentes métodos y herramientas para el procesamiento y anotación de datos genómicos. La aparición de las tecnologías de secuenciación de nueva generación ha significado una verdadera revolución en la biología y, sobre todo, en las denominadas ciencias ómicas. Sin embargo, los enormes volúmenes de datos generados representan nuevos desafíos, tanto a nivel técnico como de análisis. Se genera mucha más datos de los que pueden procesarse para posibilitar la extracción de información en forma confiable, con lo que la cantidad de datos no curados en diferentes repositorios es cada vez mayor. La velocidad con la que crecen las bases de datos y la dificultad de garantizar la calidad de las mismas, hacen que las anotaciones, principalmente automáticas, requieran siempre un gran esfuerzo posterior de curado manual. Asimismo, la disparidad en los formatos y fuentes de datos y la falta de estandarización en las metodologías dificulta la integración entre diferentes análisis, lo que suele requerir también un gran insumo de tiempo para poder extraer información a partir de datos obtenidos por medios diversos. El presente trabajo de tesis tuvo como principal objetivo el diseño, programación, testeo y aplicación de protocolos de trabajo (pipelines) para ensamblado y anotación de genomas y transcriptomas de organismos con diversos niveles de complejidad. Se programaron pipelines para ensamblar y anotar organismos desde virus y bacterias a eucariotas superiores. Cada pipeline fue organizado en forma modular, permitiendo iniciar el proceso desde los primeros pasos de secuenciación hasta las etapas más avanzadas, con la posibilidad de incorporar información procedente de fuentes diversas, tanto internas como externas y de combinar los diferentes pipelines entre sí, según el nivel de análisis que se necesite y la información de que se disponga. A su vez, las anotaciones finales son incorporadas a la plataforma web de BIA (Plataforma de Bioinformática Argentina), interrelacionándose y enriqueciéndose con otros módulos y pudiendo visualizarse y filtrarse en forma flexible. Paralelamente al proceso de desarrollo de los pipelines, los mismos fueron aplicándose a diversos organismos, en un proceso iterativo de testeo y mejoramiento. De esta forma, se ensamblaron y anotaron diversas especies de bacterias, arqueas, eucariotas inferiores y eucariotas superiores, entre ellos: anotación de la arquea extremófila Halorubrum sp. AJ67 y de la bacteria probiótica Lactobacillus acidophilus ATCC 4356, ensamblado y anotación de las cepas M y B del complejo Mycobacterium Tuberculosis; ensamblado y anotación de un hongo no caracterizado del género Trichoderma, ensamblado, anotación y estudio comparativo del patógeno de maíz Puccinia sorghi race RO10H11247; ensamblado y anotación de Ilex Paraguariensis A. St.-Hil., en el marco del Proyecto de Secuenciación del Genoma de Yerba Mate (PRO.MATE.AR).
Assembly and annotation of genomes is an area of particular interest in genomics, which has opened up a horizon of unthought possibilities at the time of the first advances in pre-informatics genomics. Since the first complete genome sequencing, different methods and tools have been developed for the processing and annotation of genomic data. The emergence of next generation sequencing technologies has meant a real revolution in biology and, above all, in the so-called omics sciences. However, the enormous volumes of information generated represent new challenges, both at the technical and analysis levels. Much more information is generated than can be processed and allow a reliable extraction of results at the same time, so that the amount of uncured data in different repositories is increasing. The speed at which databases grow and the difficulty of guaranteeing the quality of them, make that the annotations, mainly automatic, always require a great effort of later manual curing. Likewise, disparities in data formats and sources and the lack of standardization in methodologies make it difficult to integrate different analyzes, which often also require a large amount of time to be able to take advantage of information obtained by different means. The main objective of this thesis was the design, programming, testing and application of pipelines for assembly and annotation of genomes and transcripts of organisms with different levels of complexity. Pipelines were programmed to assemble and annotate organisms from viruses and bacteria to higher eukaryotes. Each pipeline was organized in a modular way, allowing to start the process from the first steps of sequencing to the most advanced stages, with the possibility of incorporating information from diverse sources, both internal and external and to combine the different pipelines with each other, according to level of analysis required and the information available. In turn, the final annotations are incorporated into the web platform of BIA (Argentine Bioinformatics Platform), interrelating and enriching with other modules and being able to visualize and filter in a flexible way. Parallel to the process of development of pipelines, they were applied to various organisms, in an iterative process of testing and improvement. In this way, various species of bacteria, archaea, lower eukaryotes and higher eukaryotes were assembled and annotated in various projects and collaborations, including: annotation of the extremophilic archea Halorubrum sp. AJ67 and the probiotic bacterium Lactobacillus acidophilus ATCC 4356, assembly and annotation of the M and B strains of the Mycobacterium tuberculosis complex; assembly and annotation of a non-characterized fungus of the genus Trichoderma, assembly, annotation and comparative study of the corn pathogen Puccinia sorghi race RO10H11247 ; assembly and annotation of Ilex Paraguariensis A. St.-Hil., in the framework of the Yerba Mate Genome Sequencing Project (PRO.MATE.AR).
Fil: Burguener, Germán F.. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.