8  Definición actualizada y didáctica del gen

Note

Un gen es una unión de secuencias genómicas que codifican un conjunto coherente de productos funcionales potencialmente superpuestos 

What is a gene, post-ENCODE? History and updated definition

y en casos simples es considerado: un gen es una secuencia de ADN que codifica un producto proteico o de ARN (mRNA o no codificante).

8.1 Potencial codificante

El potencial codificante se refiere a la capacidad de una secuencia de ADN o ARN para ser traducida en una proteína funcional. Se evalúa mediante características como la presencia de codones de inicio y parada, la longitud del marco de lectura, la conservación evolutiva y el uso de codones típico de genes.

8.2 Marco de lectura abierto (ORF)

Un marco de lectura abierto (ORF) es una secuencia de nucleótidos que comienza con un codón de inicio (generalmente AUG) y termina con un codón de paro (UAA, UAG o UGA), sin interrupciones que impidan la traducción. Es una señal estructural que sugiere que la región podría codificar una proteína, aunque no garantiza funcionalidad.

Ref. Griffiths. Introduction to genetic analysis. Pp 500 libro electronico cap 14. Genomes and genomics
Note
  • No todos los ORFs son funcionales: algunos pueden ser artefactos o pseudogenes.
  • En transcriptómica y metagenómica, se usan algoritmos para predecir genes basados en ORFs y potencial codificante.

8.3 ¿Cómo distinguimos transcritos codificantes de no codificantes?

La distinción entre transcritos codificantes y no codificantes es esencial para la anotación funcional del transcriptoma. Aunque los lncRNAs no codifican proteínas, es necesario descartar evidencia de codificación antes de clasificarlos como tales.

8.3.1 Tipos de archivos comunes en bioinformática

Formato Descripción Empleo Ejemplo
FASTA (.fasta / .fa) Contiene secuencias de nucleótidos o aminoácidos. Cada entrada inicia con > seguido de un identificador. Genoma de referencia, proteínas, transcriptos/nucleótidos 
>seq1
ATGCGTACGTAGCTAG
FASTQ (.fastq) Similar a FASTA pero incluye calidad de lectura por base (lecturas de secuenciación). esencial en pipelines de secuenciación (RNA-seq, WGS). 
@SEQ_ID
GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAA
+
!''*((((***+))%%%++)(%%%%).1***-+*''))**
GTF/GFF (.gtf / .gff) Archivos de anotación genómica: definen genes, exones, intrones, etc. clave para anotación estructural y funcional. 
chr1  HAVANA  exon  11869  12227  .  +  .  gene_id "ENSG00000223972";
BED (.bed) Define regiones genómicas (intervalos), útil para visualización y análisis de cobertura. Localización de genes, clasificación de genes, visualización (IGV, UCSC Genome Browser) 
chr7  127471196  127472363  region1

8.3.2 Herramientas clave en bioinformáticas

Important

Aquí les dejo el link al Método de selección de lncRNAs empleado en Arabidopsis thaliana. Relacionado con el artículo Transcriptome-guided annotation and functional classification of long non-coding RNAs in Arabidopsis thaliana.

Software Propósito Función Secuencia de interés (input) Base de datos
gffread Obtener el FASTA de las secuencias seleccionadas gffread Archivo de anotación (GTF) y genoma de referencia (FASTA) NA
EMBOSS/v6.6.0 Obtener el tamaño de las secuencias infoseq Secuencias/nucleótidos (FASTA) NA
kentUtils/v302 Extraer la secuencia FASTA a partir de IDs y Generar archivo BED a partir del GTF faSomeRecords, gtfToGenePred y genePredToBed

Secuencias/nucleótidos (FASTA) y IDs.

Archivo de anotación (GTF) y genoma de referencia (FASTA)

 NA
TransDecoder Predicción del ORF y la “proteína” codificada TransDecoder.LongOrfs y TransDecoder.Predict Secuencias/nucleótidos (FASTA) NA
blastn Comparación con proteínas conocidas blastn proteína (.pep) UniProtKB/Swiss-Prot (proteínas)
blastp Comparación con proteínas conocidas blastp Secuencias/nucleótidos (FASTA) UniProtKB/Swiss-Prot (nucleótidos)
blastx Comparación con proteínas conocidas blastx nucleótidos (traducidos) UniProtKB/Swiss-Prot (proteínas)
blastdbcmd Extraer información de la base de datos de BLAST blastdbcmd IDs de las secuencias RefSeq non-redundant proteins
SignalP Predicción de péptidos señal signalp proteína NA
TMHMM Predicción de dominios transmembranales tmhmm proteína NA
Phobius Predicción de dominios transmembranales y péptidos señal phobius.pl proteína NA
HMMER Búsqueda de dominios conservados hmmscan proteína Pfam
Infernal Busca coincidencias estructurales en secuencias usando modelos de covarianza y escanea bases de datos cmsearch Secuencias/nucleótidos (FASTA) Rfam

Diagrama de flujo de la anotación de lncRNAs en Arabidopsis thaliana
Note

  • Si el transcrito no tiene similitud con proteínas conocidas, no contiene péptido señal, no tiene dominios transmembranales, y no presenta dominios conservados, es probablemente no codificante.

  • Si alguno de estos elementos está presente, se debe considerar como potencialmente codificante y excluirlo de la clasificación como no codificante.

8.4 Material suplementario