Base de gusanos

Aunque la secuencia del genoma de C. elegans es la secuencia genómica eucariota más precisa y completa, ha requerido refinamiento continuo a medida que se ha generado nueva evidencia. Muchos de estos cambios fueron inserciones o deleciones de un solo nucleótido; sin embargo, se han descubierto varios errores de ensamblaje importantes. Por ejemplo, en 2005 fue necesario invertir un cósmido de 39 kb. Otras mejoras provienen de la comparación de secuencias de ADN genómico con secuencias de ADNc y del análisis de datos de alto rendimiento de RNA-Seq. Cuando se identifican diferencias entre la secuencia genómica y los transcritos, el reanálisis de los datos genómicos originales suele conducir a modificaciones de la secuencia genómica. Los cambios en la secuencia genómica plantean dificultades al comparar las coordenadas cromosómicas de los datos derivados de diferentes versiones de WormBase. Existe un programa de remapeo de coordenadas y datos de mapeo disponibles para facilitar estas comparaciones. ^{[ 7 ]}

Todos los conjuntos de genes de las especies de WormBase se generaron inicialmente mediante programas de predicción genética. Estos programas proporcionan un conjunto razonable de estructuras genéticas, pero los mejores solo predicen correctamente alrededor del 80 % de las estructuras genéticas completas. Tienen dificultades para predecir genes con estructuras inusuales, así como aquellos con una señal de inicio de traducción débil, sitios de empalme débiles o genes de un solo exón. Pueden predecir incorrectamente un modelo de gen codificante cuando el gen es un pseudogén y predicen las isoformas de un gen de forma deficiente, o incluso no las predicen en absoluto.

Los modelos genéticos de los genes de C. elegans , C. briggsae , C. remanei y C. brenneri se curan manualmente. La mayoría de los cambios en la estructura genética se han basado en datos de transcripción de proyectos a gran escala como las bibliotecas EST de Yuji Kohara, el proyecto Orfeome de Mark Vidal (worfdb.dfci.Harvard.edu/), los datos Illumina de Waterston y Hillier y los datos 454 de Makedonka Mitreva. Sin embargo, otros tipos de datos (por ejemplo, alineamientos de proteínas, programas de predicción ab initio , sitios líderes de trans-splice, señales de poli-A y sitios de adición, etiquetas de transcripción SAGE y TEC-RED , péptidos espectroscópicos de masas y dominios proteicos conservados) son útiles para refinar las estructuras, especialmente cuando la expresión es baja y, por lo tanto, no hay suficientes transcripciones disponibles. Cuando los genes se conservan entre las especies de nematodos disponibles, el análisis comparativo también puede ser muy informativo.

WormBase anima a los investigadores a que les informen a través del servicio de asistencia si tienen evidencia de una estructura genética incorrecta. Cualquier evidencia de secuencia de ADNc o ARNm que confirme el cambio debe enviarse a EMBL/GenBank/DDBJ; esto ayuda a confirmar y validar el modelo genético, ya que WormBase recupera rutinariamente datos de secuencias de estas bases de datos públicas. Además, esto hace públicos los datos, permitiendo la referencia y el reconocimiento adecuados a los investigadores.

Cuando se realiza algún cambio en un CDS (o pseudogén), el modelo genético anterior se conserva como un objeto de historial. Este tendrá un sufijo como: "AC3.5:wp119", donde "AC3.5" es el nombre del CDS y "119" se refiere a la versión de la base de datos en la que se realizó el cambio. El motivo del cambio y la evidencia que lo justifica se añaden a la anotación del CDS; estos datos se pueden consultar en la sección "Visible/Remark" de la sección "Tree Display" del CDS en el sitio web de WormBase.

En WormBase, un gen es una región que se expresa o que se ha expresado y ahora es un pseudogén. Los genes tienen identificadores únicos como 'WBGene00006415'. Todos los genes de C. elegans en WormBase también tienen un nombre de secuencia, que se deriva del cósmido, fosmido o clon YAC en el que residen; por ejemplo, F38H4.7 , que indica que está en el cósmido 'F38H4', y que hay al menos otros 6 genes en ese cósmido. Si un gen produce una proteína que puede clasificarse como miembro de una familia, también se le puede asignar un nombre CGC como tag-30, que indica que es el miembro número 30 de la familia de genes tag . La asignación de nombres de familias de genes está controlada por WormBase. ^{[ 8 ]} Antes de la publicación, se deben solicitar nombres en WormBase. ^{[ 9 ]}

Hay algunas excepciones a este formato, como los genes cln-3.1 , cln-3.2 y cln-3.3 , que son todos igualmente similares al gen humano CLN3 . Los nombres GCG de genes para especies que no son elegans en WormBase tienen el código de especie de 3 letras antepuesto, como Cre-acl-5 , Cbr-acl-5 , Cbn-acl-5 .

Un gen puede ser un pseudogén o puede expresar uno o más genes de ARN no codificante (ARNnc) o secuencias codificantes de proteínas (CDS).

Los pseudogenes son genes que no producen una transcripción funcional y coherente. Pueden ser pseudogenes de genes codificantes o de ARN no codificante, estar compuestos por fragmentos o la totalidad de un gen y expresar o no una transcripción. El límite entre lo que se considera una transcripción codificante coherente es a veces subjetivo, ya que, en ausencia de otras pruebas, el uso de sitios de empalme débiles o exones cortos suele generar un modelo putativo, aunque insatisfactorio, de una región codificante. Los pseudogenes y los genes con una estructura problemática se revisan constantemente en WormBase y se utilizan nuevas pruebas para intentar determinar su estatus.

Las secuencias codificantes (CDS) son la única parte de la estructura de un gen que se revisa manualmente en WormBase. La estructura del gen y sus transcripciones se derivan de la estructura de sus CDS.

Las secuencias codificantes (CDS) tienen un nombre de secuencia derivado del mismo nombre de secuencia que su objeto genético principal; por lo tanto, el gen 'F38H4.7' tiene una CDS llamada 'F38H4.7'. La CDS especifica los exones codificantes del gen desde el codón de inicio (metionina) hasta el codón de parada (inclusive).

Cualquier gen puede codificar múltiples proteínas como resultado del empalme alternativo. Estas isoformas tienen un nombre que se forma a partir del nombre de la secuencia del gen con una letra única añadida. En el caso del gen bli-4, existen 6 isoformas CDS conocidas, denominadas K04F10.4a, K04F10.4b, K04F10.4c, K04F10.4d, K04F10.4e y K04F10.4f.

Es común referirse a las isoformas en la literatura científica utilizando el nombre de la familia de genes CGC con una letra añadida, por ejemplo, pha-4a ; sin embargo, esto no tiene significado en la base de datos WormBase y las búsquedas de pha-4a en WormBase no arrojarán ningún resultado. El nombre correcto de esta isoforma es el nombre del CDS/transcrito: F38A6.1a , o mejor aún, el nombre de la proteína: WP:CE15998 .

En WormBase, las transcripciones de un gen se generan automáticamente mediante el mapeo de cualquier alineación de ADNc o ARNm disponible sobre el modelo CDS. Por lo tanto, estas transcripciones genéticas suelen incluir los exones UTR que rodean el CDS. Si no hay transcripciones de ADNc o ARNm disponibles, las transcripciones genéticas tendrán exactamente la misma estructura que el CDS en el que se basan.

Las transcripciones genéticas reciben su nombre del nombre de la secuencia del CDS utilizado para crearlas, por ejemplo, F38H4.7 o K04F10.4a .

Sin embargo, si hay empalme alternativo en las UTR, que no cambiaría la secuencia de proteínas, los transcritos empalmados alternativamente se nombran con un dígito añadido, por ejemplo: K04F10.4a.1 y K04F10.4a.2 . Si no hay isoformas del gen codificante, por ejemplo AC3.5 , pero hay empalme alternativo en las UTR, habrá múltiples transcritos llamados AC3.5.1 y AC3.5.2 , etc. Si no hay transcritos UTR alternativos, el único transcrito codificante se nombra igual que el CDS y no tiene el .1 añadido, como en el caso de K04F10.4f.

Los grupos de genes que se transcriben conjuntamente como operones se catalogan como objetos de operón. Estos tienen nombres como CEOP5460 y se catalogan manualmente utilizando la información de los sitios de secuencia líder trans-spliced ​​SL2.

En WormBase existen varias clases de genes de ARN no codificante:

• Los genes de ARNt se predicen mediante el programa 'tRNAscan-SE'.
• Los genes de ARNr se predicen por homología con otras especies.
• Los genes de snRNA se importan principalmente de Rfam .
• Los genes piRNA se obtuvieron mediante un análisis del motivo característico presente en estos genes.
• Los genes de miRNA se han importado principalmente de miRBase . Tienen el transcrito primario y el transcrito maduro marcados. El transcrito primario tendrá un nombre de secuencia como W09G3.10 y el transcrito maduro tendrá una letra añadida a este nombre, como W09G3.10a (y si hay transcripciones maduras alternativas, W09G3.10b , etc.).
• Los genes snoRNA se importan principalmente de Rfam o de artículos científicos.
• Se seleccionan genes de ARN no codificante que no tienen otra función aparente, pero que claramente no codifican proteínas ni son pseudogenes. Muchos de ellos presentan homología conservada con genes de otras especies. Algunos se expresan en sentido inverso al de los genes codificadores de proteínas.

También existe un gen de ARNc.

Los transposones no se clasifican como genes y, por lo tanto, no tienen un objeto de gen padre. Su estructura se conserva como un objeto Transposon_CDS con un nombre como C29E6.6 .

Las proteínas codificadas por genes se generan mediante la traducción de las secuencias CDS. Cada secuencia proteica única recibe un nombre de identificación único, como WP:CE40440 . En la tabla que aparece a continuación, se muestran ejemplos de los nombres de identificación de proteínas para cada especie en WormBase.

Es posible que dos secuencias CDS de genes distintos, dentro de una misma especie, sean idénticas, por lo que es posible que existan proteínas idénticas codificadas por genes diferentes. Cuando esto ocurre, se utiliza un único nombre identificativo para la proteína, aunque esta sea producida por dos genes.