Analisi comparativa dei geni del ciclo cellulare in A. Thaliana e S. Cerevisiae

4 
 
1..Introduzione 
 
1.1. La bioinformatica 
“La bioinformatica si occupa dello sviluppo di metodi computazionali per studiare 
la struttura, la funzione e l’evoluzione dei geni, delle proteine e di interi genomi; 
inoltre, allo stesso tempo fornisce dei metodi per la gestione e l’analisi di 
informazioni biologiche che derivano da esperimenti compiuti su scala 
genomica”( Higgs e Attwood). 
La bioinformatica fornisce un completamento della biologia molecolare fornendo 
ad essa gli strumenti per una analisi in silico delle informazioni che riguardano 
genomi, geni e i loro prodotti. 
In quest’ottica, la definizione di bioinformatica può essere modernamente 
rielaborata come biologia molecolare computazionale, che usa tecniche 
computazionali per studiare strutture, funzioni, regolazioni, reti di interazioni di 
geni e proteine, prefiggendosi come fine ultimo quello di analizzare e predire la 
funzione, l’organizzazione, la regolazione e il funzionamento degli interi genomi 
dei diversi organismi. 
Gli ultimi successi nello sviluppo di tecniche di sequenziamento ha permesso di 
ottenere in breve tempo una incommensurabile quantità di dati biologici 
impossibile da gestire sia nell’ archiviazione che nella messa a disposizione del 
mondo scientifico, senza l’ausilio di specifici strumenti, i quali sono forniti proprio 
dalla bioinformatica. 
La gestione dei dati è affidata a consorzi, essi organizzano e curano specifici 
databases che racchiudono informazioni biologiche sia provenienti da studi 
sperimentali diretti che disponibili in letteratura. 
La bioinformatica fornisce, inoltre, strumenti per l’analisi dei dati biologici che 
offrono un supporto indispensabile sia per l’interpretazione dei risultati 
sperimentali che per la pianificazione di nuovi studi.  
 Nello scenario delle scienze della vita la bioinformatica irrompe come un nuovo 
approccio agli studi biologici in cui l’analisi in vitro è pianificata e supportata dalla 
possibilità sia di avere accesso in modo facile e veloce a una grande quantità di
5 
 
informazioni che di avere la possibilità di analizzare grandi quantità di dati in tempi 
più che ragionevoli utilizzando strumenti di analisi con solide basi razionali.         
 
 
 
1.2. Banche dati biologiche 
Nel 1982 l’European Molecular Biology Laboratory (EMBL) istituì la prima base 
di dati di sequenze nucleotidiche, l’EMBL nucleotide sequence database, cui 
seguirono nel 1983 il database americano GenBank e nell’ anno successivo il 
database giapponese DNA DataBank of Japan (DDBJ). In seguito i tre centri autori 
dei tre database, attraverso un accordo internazionale, INSDC (International 
Nucleotide Sequence Database Collaboration), decisero di condividere le proprie 
informazioni al fine di allineare i contenuti delle tre basi di dati. 
Contemporaneamente alla nascita di database contenenti informazioni di sequenza, 
i Brookhaven National Laboratories fondarono nel 1971 il Protein Data Bank 
(PDB), un archivio per il mantenimento e la fruizione delle strutture tridimensionali 
delle macromolecole biologiche, ottenute attraverso cristallografia a raggi X e 
NMR. 
Dopo molti anni a tale progetto americano ne è seguito uno europeo presso EBI 
(European Bioinformatics Istitute). Questo progetto è l’MSDSM (Macromolecular 
Structure Group Search Database) che è servito per l’acquisizione e il 
mantenimento di dati riguardanti alle strutture di macromolecole biologiche. 
Tali database sono detti per motivi storici e pratici database primari, ossia 
database che annoverano le sequenze rese disponibili dalla comunità scientifica e 
pochi altri dati che riguardano autori, dati, specie e descrizioni. A tali banche dati 
si aggiungono i database secondari, in cui l’informazione contenuta rappresenta 
una riorganizzazione dell’informazione presente nei database primari. Oltre a ciò 
esistono i database specializzati i quali riorganizzano secondo specifici criteri una
6 
 
parte dell’informazione contenuta nei database primari e secondari. Infine esistono 
banche dati in cui le informazioni contenute seguono il criterio della natura chimica 
del dato biologico; si possono pertanto riconoscere database nucleotidici, proteici, 
strutturali, genomici etc. 
Tali database utilizzano portali di accesso che consentono una catalogazione 
specialistica dei dati evitando una frammentazione eccessiva del’ informazione 
disponibile (esempi di tali portali di accesso sono ENTREZ e SRS). 
Nella bancadati Genbank le informazioni sono riportate nel formato Flat File, un 
tipo di file che contiene una informazione scritta in testo semplice, nel file 
esistono delle sequenze di caratteri che individuano singole records
1
. Le records 
rappresentano le unità di memorizzazione del database. In ciascuna record 
esistono delle parole chiave che permettono id individuare i campi di quella 
record. 
In genere esiste un campo ID che identifica in modo univoco una specifica 
record. Un Flat file di un database biologico contiene migliaia di record. Pertanto 
per ottimizzare la ricerca di un indice è eseguita una indicizzazione, cioè si 
preparano degli indici per tutti i possibili valori dei campi principali e la 
posizione corrispondente del file. Gli indici sono file molto piccoli e possono 
essere usati come substrato per effettuare delle ricerche con dei sistemi euristici 
che rendono la ricerca molto veloce.   
 
1.2.1. Genbank 
Il GenBank è uno dei database primari e inoltre rappresenta il nodo americano di 
INSDC. GenBank   include una vasta gamma di annotazioni biologiche e 
bibliografiche, oltre che strumenti bioinformatici per l’analisi. GenBank è 
                                                           
1
 Record è una struttura di dati contenente un insieme di informazioni composite (che contengono un 
insieme di campi), ciascuno dei quali è identificato da un nome e un tipo di dato. Nei database relazionali 
un record è detto “tupla”.
7 
 
realizzato e mantenuto dal National Center for Biotechnology Information (NCBI), 
tuttavia è un database ridondante.  
NCBI fornisce, quale portale di accesso a Genbank, ENTREZ che collega GenBank 
attraverso riferimenti crociati alla letteratura scientifica, a mappe genomiche, a 
banche dati proteiche e strutturali come PDB, a dati di espressione, tassonomici 
etc, costituendo un sistema integrato. 
Le entry in GrnBank sono tradizionalmente organizzate in divisioni che 
corrispondono: 
 
1. a gruppi tassonomici, come Batteri (BCT), Virus (VRL), Primati (PRI) etc; 
2. a specifici metodi sperimentali, come sequenziamento di campioni 
ambientali (ENV), EST, Next generetion sequenze. 
 
Al fine di rendere più veloce e specifica la ricerca nelle divisioni, NCBI ha 
raggruppato le sequenze in tre componenti principali: EST component, GSS 
component (sequenze derivanti da progetti genomici), core nucleotide component 
(restanti sequenze nucleotidiche). 
Lo storico formato di GenBank è il Flat File. Nel Flat File di GenBank i codici non 
sono abbreviati e indicano la tipologia delle informazioni contenuta nelle righe e 
nella formattazione della sequenza stessa. In Genbank è presente anche il formato 
FASTA
2
. 
                                                           
2
        Formato FASTA è un test-based format che rappresenta sequenze nucleotidiche o proteiche, in cui la 
sequenza è mostrata usando codici di sola lettura. Il formato presenta i nomi delle sequenze e commenti 
che precedono le sequenze. Il formato originariamente è nato per il  pacchetto softweres di FASTA ma ora 
è un formato standard della bioinformatica.
8 
 
Di seguito è riportato un esempio di GenBank Flat File, il Flat file si riferisce al 
gene della ciclina D2;1 di Arabidopsis thaliana. 
 
 
 
LOCUS       NC_003071               2371 bp    DNA     linear   CON 30-SEP-2016 
DEFINITION  Arabidopsis thaliana chromosome 2 sequence. 
ACCESSION   NC_003071 REGION: complement(9553797..9556167) 
VERSION     NC_003071.7 
DBLINK      BioProject: PRJNA116 
            BioSample: SAMN03081427 
            Assembly: GCF_000001735.3 
KEYWORDS    RefSeq. 
SOURCE      Arabidopsis thaliana (thale cress) 
  ORGANISM  Arabidopsis thaliana 
            Eukaryota; Viridiplantae; Streptophyta; Embryophyta; Tracheophyta; 
            Spermatophyta; Magnoliophyta; eudicotyledons; Gunneridae; 
            Pentapetalae; rosids; malvids; Brassicales; Brassicaceae; 
            Camelineae; Arabidopsis. 
REFERENCE   1  (bases 1 to 2371) 
   
     gene            1..2371 
                     /gene="CYCD2;1" 
                     /locus_tag="AT2G22490" 
                     /gene_synonym="ATCYCD2;1; Cyclin D2;1; F14M13.11;
9 
 
                     F14M13_11" 
                     /note="encodes a D-type cyclin whose transcription level 
                     is regulated by sucrose but not phytohormones or nitrate. 
                     Protein physically interacts with CDC2A. CycD2 kinase 
                     activity is regulated by sequestration of CycD2 protein in 
                     a form inaccessible to immunoprecipitation and probably 
                     not complexed to CDC2A." 
                     /db_xref="Araport:AT2G22490" 
                     /db_xref="GeneID:816782" 
                     /db_xref="TAIR:AT2G22490" 
     mRNA            join(23..612,853..939,1022..1120,1223..1418,1536..1663, 
                     1751..2365) 
                             NM_127815               1740 bp    mRNA    linear   
ORIGIN       
        1 ctctgtattt tccatttcga gtctgtggag tggtctctcc cctctctacc ctaaaacaca 
       61 ctcacccact ttcctctgta taagcctctc tctcctctct cttctcctct gccatgaaaa 
      121 tcgcagttcc tcaagacaaa acctcctcag aaatctccca tctttgatga cttttgcttc 
      181 cttagttttc actttcttgt ccgaacgctc tcaaaaactt tgagaccacc ccaataaacg 
      241 aattaaacag actattatca atcaatacac aacacaacaa tcaaaccaaa ccccatggct 
      301 gagaatcttg cttgtggtga aaccagcgag tcatggatca ttgacaacga cgatgatgat 
      361 atcaactatg gcggcggatt tacgaacgag attgattaca atcaccaact ttttgctaaa 
      421 gacgacaact ttggcggcaa cggatcaatt ccgatgatgg gttcttcttc atcgtccttg 
      481 agtgaagaca gaatcaaaga gatgttggtg agagagattg agttttgccc tggaactgat 
      541 tatgttaaga gattgctttc tggtgatttg gatttgtctg ttcgaaacca agctcttgat 
      601 tggattctaa aggtttgtgc tcattaccat tttggacatc tgtgcatatg cctatccatg 
      661 aactacttgg atcggttctt aacatcctat gaattgccga aagacaagga ttgggctgct 
      721 cagttactag ctgtgtcttg cttatcatta gcatccaaaa tggaagaaac tgatgtgcct
10 
 
      781 cacattgttg atttacaggt ggaagatccc aagtttgttt ttgaggccaa aacaataaaa 
      841 aggatggagc ttttggttgt caccactttg aattggagat tgcaagctct aactccattc 
      901 tccttcattg attatttcgt tgacaagatc agtggtcacg tgtcggagaa tttgatctat 
      961 agatcgtcaa gattcatctt aaacaccacc aaagcaattg aattcttaga cttcaggcct 
     1021 tctgagatag ctgcagctgc tgcagtgtct gtttccattt caggagaaac agaatgcatt 
     1081 gatgaggaaa aggcactgtc tagtctcata tatgtaaaac aggagagggt gaagagatgt 
     1141 ttgaatctga tgagaagtct cactggggag gagaatgtgc ggggaactag tttatcgcag 
     1201 gagcaggcgc gagttgcggt aagagctgta cctgcaagtc cagttggagt gttggaagca 
     1261 acatgtttga gctataggag tgaagagaga acagttgagt catgtacaaa ttcctcacag 
     1321 agtagtccag acaacaacaa caacaacaac aacagcaaca agaggaggag aaaacaatga 
     1381 gagagaataa aagagtcata cattgctttt tacaacccaa aaccacaagt actcatgaca 
     1441 tttgaggttc ttatttattt ttttggtttt ttttttctac ataaattttc tttttctttc 
     1501 tttgatttct cattttcaat ctgaaaattg gattgaatat gagagttttg tgagaaagga 
     1561 aaaaagaaaa taagagagag agagagagct ctttggaagg cggcaaaatt aataagtcat 
     1621 tattgatgat gatgagagac atccctgttc ttgctccaag ggactttttt ttttctacat 
     1681 aatgtcagag atataattaa aaaaaaaaga aatagaaaga gaattaattt tatgattttt 
// 
 
     CDS             join(295..612,853..939,1022..1120,1223..1418,1536..1663, 
                     1754..2011) 
                      /protein_id="NP_179835.1" 
                     /db_xref="Araport:AT2G22490" 
                     /db_xref="GeneID:816782" 
                     /db_xref="TAIR:AT2G22490" 
                     /translation="MAENLACGETSESWIIDNDDDDINYGGGFTNEIDYNHQLFAKDD 
                     NFGGNGSIPMMGSSSSSLSEDRIKEMLVREIEFCPGTDYVKRLLSGDLDLSVRNQALD 
                     WILKVCAHYHFGHLCICLSMNYLDRFLTSYELPKDKDWAAQLLAVSCLSLASKMEETD