]> AND Private Git Repository - chloroplast13.git/blob - annotated.tex
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
Update the author section
[chloroplast13.git] / annotated.tex
1
2 These  last years  the cost  of  sequencing genomes  has been  greatly
3 reduced,  and thus  more and  more genomes  are  sequenced.  Therefore
4 automatic annotation tools are required to deal with this continuously
5 increasing amount of genomical data. Moreover, a reliable and accurate
6 genome  annotation  process  is  needed  in order  to  provide  strong
7 indicators for the study of life\cite{Eisen2007}.
8
9 Various  annotation   tools  (\emph{i.e.},  cost-effective  sequencing
10 methods\cite{Bakke2009}) producing genomic  annotations at many levels
11 of detail  have been designed  by different annotation  centers. Among
12 the major annotation  centers we can notice NCBI\cite{Sayers01012011},
13 Dogma       \cite{RDogma},       cpBase      \cite{de2002comparative},
14 CpGAVAS                   \cite{liu2012cpgavas},                   and
15 CEGMA\cite{parra2007cegma}. Usually, previous  studies used one out of
16 three methods  for finding  genes in annoted  genomes using  data from
17 these  centers: \textit{alignment-based},  \textit{composition based},
18 or a  combination of both~\cite{parra2007cegma}.   The alignment-based
19 method  is used  when trying  to predict  a coding  gene (\emph{i.e.}.
20 genes that produce proteins) by aligning a genomic DNA sequence with a
21 cDNA  sequence  coding  an homologous  protein  \cite{parra2007cegma}.
22 This approach is  also used in GeneWise\cite{birney2004genewise}.  The
23 alternative   method,   the    composition-based   one   (also   known
24 as  \textit{ab initio})  is based  on  a probabilistic  model of  gene
25 structure  to  find genes  according  to  the  gene value  probability
26 (GeneID \cite{parra2000geneid}).  Such  annotated genomic data will be
27 used to overcome  the limitation of the first  method described in the
28 previous section.   In fact, the  second method we propose  finds core
29 genes  from  large  amount  of  chloroplast  genomes  through  genomic
30 features extraction.
31
32 Figure~\ref{Fig1} presents an overview  of the entire method pipeline.
33 More    precisely,    the   second    method    consists   of    three
34 stages:   \textit{Genome    annotation},   \textit{Core   extraction},
35 and    \textit{Features    Visualization}    which   highlights    the
36 relationships.  To  understand the  whole core extraction  process, we
37 describe briefly each  stage below. More details will  be given in the
38 coming subsections.   The method uses as starting  point some sequence
39 database  chosen  among   the  many  international  databases  storing
40 nucleotide sequences, like  the GenBank at NBCI \cite{Sayers01012011},
41 the    \textit{EMBL-Bank}     \cite{apweiler1985swiss}    in    Europe
42 or   \textit{DDBJ}   \cite{sugawara2008ddbj}   in  Japan.    Different
43 biological tools can analyze  and annotate genomes by interacting with
44 these databases to  align and extract sequences to  predict genes. The
45 database in  our method must be  taken from any  confident data source
46 that stores annotated and/or unannotated chloroplast genomes.  We have
47 considered the GenBank-NCBI \cite{Sayers01012011} database as sequence
48 database:  99~genomes of chloroplasts  were retrieved.   These genomes
49 lie in  the eleven type  of chloroplast families and  Table \ref{Tab2}
50 summarizes their distribution in our dataset.
51
52 \begin{figure}[h]  
53   \centering
54     \includegraphics[width=0.75\textwidth]{generalView}
55 \caption{A general overview of the annotation-based approach}\label{Fig1}
56 \end{figure}
57
58 Annotation,  which  is the  first  stage,  is  an important  task  for
59 extracting gene features. Indeed, to extract good gene feature, a good
60 annotation tool  is obviously  required. To obtain  relevant annotated
61 genomes, two annotation  techniques from NCBI and Dogma  are used. The
62 extraction of gene feature, the  next stage, can be anything like gene
63 names,  gene  sequences, protein  sequences,  and  so  on. Our  method
64 considers gene  names, gene counts,  and gene sequence  for extracting
65 core  genes and  producing  chloroplast evolutionary  tree. The  final
66 stage   allows  to   visualize  genomes   and/or  gene   evolution  in
67 chloroplast.    Therefore   we   use  representations   like   tables,
68 phylogenetic  trees,  graphs,  etc.   to  organize  and  show  genomes
69 relationships,  and  thus  achieve   the  goal  of  representing  gene
70 evolution.   In addition,  comparing these  representations  with ones
71 issued from  another annotation tool dedicated to  large population of
72 chloroplast genomes  give us biological perspectives to  the nature of
73 chloroplasts evolution. Notice that  a local database linked with each
74 pipe stage is  used to store all the  informations produced during the
75 process.
76
77 \input{population_Table}
78         
79 \subsection{Genome annotation techniques}
80
81 For  the first  stage, genome  annotation, many  techniques  have been
82 developed  to annotate chloroplast  genomes.  These  techniques differ
83 from  each others  in  the number  and  type of  predicted genes  (for
84 example:  \textit{Transfer  RNA   (tRNA)}  and  \textit{Ribosomal  RNA
85 (rRNA)}  genes). Two  annotation techniques  from NCBI  and  Dogma are
86 considered to analyze chloroplast genomes.
87
88 \subsubsection{Genome annotation from NCBI} 
89
90 The objective  is to generate sets  of genes from each  genome so that
91 genes are organized  without any duplication.  The input  is a list of
92 chloroplast genomes  annotated from NCBI. More  precisely, all genomes
93 are stored as \textit{.fasta} files  which consists in a collection of
94 protein  coding genes\cite{parra2007cegma,RDogma}  (gene  that produce
95 proteins) organized in coding sequences.   To be able build the set of
96 core    genes,     we    need    to     preprocess    these    genomes
97 using  \textit{BioPython}  package \cite{chapman2000biopython}.   This
98 step  starts by  converting  each  genome from  FASTA  file format  to
99 GenVision \cite{geneVision}  format from DNASTAR. Each  genome is thus
100 converted in  a list of genes,  with gene names and  gene counts. Gene
101 name duplications can be accumulated during the treatment of a genome.
102 These  duplications  come   from  gene  fragments  (\emph{e.g.}   gene
103 fragments treated  with NCBI) and  from chloroplast DNA  sequences. To
104 ensure that  all the  duplications are removed,  each list of  gene is
105 translated  into a  set of  genes.  Note that  NCBI genome  annotation
106 produces genes except \textit{Ribosomal (rRNA)} genes.
107
108 \subsubsection{Genome annotation from Dogma}
109
110 Dogma stands for \textit{Dual  Organellar GenoMe Annotator}.  It is an
111 annotation tool  developed at  University of Texas  in 2004  for plant
112 chloroplast and  animal mitochondrial genomes.  This tool  has its own
113 database  for translating  a  genome  in all  six  reading frames  and
114 queries     the     amino     acid     sequence     database     using
115 BLAST  \cite{altschul1990basic}  (\emph{i.e.}   Blastx)  with  various
116 parameters.  Protein  coding genes are  identified in an  input genome
117 using sequence similarity of genes  in Dogma database.  In addition in
118 comparison   with   NCBI    annotation   tool,   Dogma   can   produce
119 both \textit{Transfer RNAs (tRNA)} and \textit{Ribosomal RNAs (rRNA)},
120 verify their start and end  positions. Another difference is also that
121 there  is   no  gene  duplication   with  Dogma  after   solving  gene
122 fragmentation. In  fact, genome annotation  with Dogma can be  the key
123 difference when extracting core genes.
124
125 The Dogma  annotation process  is divided into  two tasks.   First, we
126 manually annotate chloroplast genomes using Dogma web tool. The output
127 of this step is supposed to  be a collection of coding genes files for
128 each genome, organized in GeneVision file. The second task is to solve
129 the  gene   duplication  problem  and   therefore  we  have   use  two
130 methods. The first method, based  on gene name, translates each genome
131 into a set  of genes without duplicates. The  second method avoid gene
132 duplication  through a  defragment  process. In  each iteration,  this
133 process  starts by taking  a gene  from gene  list, searches  for gene
134 duplication, if a duplication is found, it looks on the orientation of
135 the  fragment sequence.   If it  is positive  it appends  directly the
136 sequence to  gene files.  Otherwise reverse  complement operations are
137 applied  on the sequence,  which is  then also  append to  gene files.
138 Finally, a  check for missing start  and stop codons  is performed. At
139 the  end  of  the  annotation  process,  all  the  genomes  are  fully
140 annotated,  their   genes  are  defragmented,  and   gene  counts  are
141 available.
142
143 \subsection{Core genes extraction}
144
145 The goal of  this stage is to extract maximum core  genes from sets of
146 genes.  To find core genes, the following methodology is applied.
147
148 \subsubsection{Preprocessing}
149
150 In order  to extract  core genomes in  a suitable manner,  the genomic
151 data are preprocessed with two methods: on the one hand a method based
152 on gene  name and count,  and on  the other hand  a method based  on a
153 sequence quality control test.
154
155 In the first method, we extract  a list of genes from each chloroplast
156 genome.  Then we store this list of genes in the database under genome
157 nam and  genes counts can be  extracted by a  specific length command.
158 The \textit{Intersection  Core Matrix}, described  in next subsection,
159 is then  computed to  extract the core  genes.  The problem  with this
160 method can be stated as follows: how can we ensure that the gene which
161 is  predicted in  core genes  is the  same gene  in leaf  genomes? The
162 answer  to this problem  is that  if the  sequences of  any gene  in a
163 genome annotated  from Dogma  and NCBI are  similar with respect  to a
164 given  threshold,  then   we  do  not  have  any   problem  with  this
165 method. When the sequences are  not similar we have a problem, because
166 we cannot decide which sequence belongs to a gene in core genes.
167
168 The second method is based on  the underlying idea: we can predict the
169 the best annotated  genome by merging the annotated  genomes from NCBI
170 and Dogma according to a quality test on genes names and sequences. To
171 obtain all  quality genes  of each genome,  we consider  the following
172 hypothesis: any gene  will appear in the predicted  genome if and only
173 if the  annotated genes  in NCBI and  Dogma pass a  specific threshold
174 of  \textit{quality  control test}.   In  fact,  the Needle-man  Wunch
175 algorithm  is applied  to compare  both  sequences with  respect to  a
176 threshold. If  the alignment  score is above  the threshold,  then the
177 gene will be  retained in the predicted genome,  otherwise the gene is
178 ignored.   Once    the   prediction   of   all    genomes   is   done,
179 the \textit{Intersection Core Matrix} is computed on these new genomes
180 to extract core genes, as explained in Algorithm \ref{Alg3:thirdM}.
181
182 \begin{algorithm}[H]
183 \caption{Extract new genome based on gene quality test}
184 \label{Alg3:thirdM}
185 \begin{algorithmic} 
186 \REQUIRE $Gname \leftarrow \text{Genome Name}, Threshold \leftarrow 65$
187 \ENSURE $geneList \leftarrow \text{Quality genes}$ 
188 \STATE $dir(NCBI\_Genes) \leftarrow \text{NCBI genes of Gname}$
189 \STATE $dir(Dogma\_Genes) \leftarrow \text{Dogma genes of Gname}$
190 \STATE $geneList=\text{empty list}$
191 \STATE $common=set(dir(NCBI\_Genes)) \cap set(dir(Dogma\_Genes))$
192 \FOR{$\text{gene in common}$}
193         \STATE $g1 \leftarrow open(NCBI\_Genes(gene)).read()$   
194         \STATE $g2 \leftarrow open(Dogma\_Genes(gene)).read()$
195         \STATE $score \leftarrow geneChk(g1,g2)$
196         \IF {$score > Threshold$}
197                 \STATE $geneList \leftarrow gene$
198         \ENDIF 
199 \ENDFOR
200 \RETURN $geneList$
201 \end{algorithmic}
202 \end{algorithm}
203
204 \textbf{geneChk} is a subroutine used to find the best similarity score between 
205 two gene sequences after applying operations like \textit{reverse}, {\it complement}, 
206 and {\it reverse complement}. Algorithm~\ref{Alg3:genechk} gives the outline of 
207 geneChk subroutine.
208
209 \begin{algorithm}[H]
210 \caption{Find the Maximum Similarity Score between two sequences}
211 \label{Alg3:genechk}
212 \begin{algorithmic} 
213 \REQUIRE $g1,g2 \leftarrow \text{NCBI gene sequence, Dogma gene sequence}$
214 \ENSURE $\text{Maximum similarity score}$
215 \STATE $score1 \leftarrow needle(g1,g2)$
216 \STATE $score2 \leftarrow needle(g1,Reverse(g2))$
217 \STATE $score3 \leftarrow needle(g1,Complement(g2))$
218 \STATE $score4 \leftarrow needle(g1,Reverse(Complement(g2)))$
219 \RETURN $max(score1,score2,score3,score4)$
220 \end{algorithmic}
221 \end{algorithm}  
222
223 \subsubsection{Intersection Core Matrix (\textit{ICM})}
224
225 To extract  core genes, we  iteratively collect the maximum  number of
226 common  genes   between  genomes  and  therefore   during  this  stage
227 an \textit{Intersection  Core Matrix}  (ICM) is built.   ICM is  a two
228 dimensional symmetric matrix where each row and each column correspond
229 to   one   genome.   Hence,   an   element   of   the  matrix   stores
230 the  \textit{Intersection Score}  (IS):  the cardinality  of the  core
231 genes   set  obtained   by  intersecting   one  genome   with  another
232 one. Maximum  cardinality results in selecting the  two genomes having
233 the maximum score. Mathematically speaking, if we have $n$ genomes in
234 local database, the ICM is an $n \times n$ matrix whose elements
235 satisfy: 
236 \begin{equation}
237 score_{ij}=\vert g_i \cap g_j\vert
238 \label{Eq1}
239 \end{equation}
240 \noindent where $1 \leq i \leq n$, $1 \leq j \leq n$, and $g_i, g_j$ are 
241 genomes. The  generation of a new  core gene depends  obviously on the
242 value  of the  intersection scores  $score_{ij}$. More  precisely, the
243 idea is  to consider a  pair of genomes  such that their score  is the
244 largest element in ICM. These two genomes are then removed from matrix
245 and the  resulting new  core genome is  added for the  next iteration.
246 The ICM is then updated to take into account the new core gene: new IS
247 values are computed for it. This process is repeated until no new core
248 gene can be obtained.
249
250 We  can observe  that  the ICM  is very  large  due to  the amount  of
251 data. As a consequence, the  computation of the intersection scores is
252 both  time and  memory consuming.  However,  since ICM  is a  symetric
253 matrix we can reduce the  computation overhead by considering only its
254 triangular  upper part.  The  time complexity  for this  process after
255 enhancement is thus $O(\frac{n.(n-1)}{2})$.  Algorithm ~\ref{Alg1:ICM}
256 illustrates the construction  of the ICM matrix and  the extraction of
257 the  core  genes, where  \textit{GenomeList}  represents the  database
258 storing all genomes  data. At each iteration, it  computes the maximum
259 core genes with its two genomes parents.
260
261 % ALGORITHM HAS BEEN REWRITTEN
262
263 \begin{algorithm}[H]
264 \caption{Extract Maximum Intersection Score}
265 \label{Alg1:ICM}
266 \begin{algorithmic} 
267 \REQUIRE $L \leftarrow \text{genomes sets}$
268 \ENSURE $B1 \leftarrow \text{Max Core set}$ 
269 \FOR{$i \leftarrow 1:len(L)-1$}
270         \STATE $score \leftarrow 0$
271         \STATE $core1 \leftarrow set(GenomeList[L[i]])$
272         \STATE $g1 \leftarrow L[i]$
273         \FOR{$j \leftarrow i+1:len(L)$}
274                 \STATE $core2 \leftarrow set(GenomeList[L[j]])$
275                 \STATE $core \leftarrow core1 \cap core2$
276                 \IF{$len(core) > score$}
277                   \STATE $score \leftarrow len(core)$
278                   \STATE $g2 \leftarrow L[j]$
279                 \ENDIF
280         \ENDFOR
281         \STATE $B1[score] \leftarrow (g1,g2)$
282 \ENDFOR
283 \RETURN $max(B1)$
284 \end{algorithmic}
285 \end{algorithm}
286
287 \subsection{Features visualization}
288
289 The goal is to visualize results  by building a tree of evolution. All
290 core  genes generated  represent  an important information  in the  tree,
291 because they  provide ancestor information of two  or more
292 genomes. Each  node in the  tree represents one chloroplast  genome or
293 one predicted core and labelled as \textit{(Genes count:Family name\_Scientific
294 names\_Accession number)}. While an edge is labelled with the number of
295 lost  genes from  a leaf  genome or  an intermediate  core  gene. Such
296 numbers are  very interesting because  they give an  information about
297 the evolution:  how many genes  were lost between two  species whether
298 they  belong  to  the  same  lineage  or not. Phylogenetic relationships are mainly built by comparison of sets of coding and non-coding sequences. Phylogenies of photosynthetic plants are important to assess the origin of chloroplasts (REF) and the modalities of gene loss among lineages. These phylogenies are usually done using less than ten chloroplastic genes (REF), and some of them may not be conserved by evolution process for every taxa. As phylogenetic relationships inferred from data matrices complete for each species included and with the same evolution history are better assumptions, we selected core genomes for a new investivation of photosynthetic plants phylogeny. To depict  the links between
299 species   clearly,  we   built   a  phylogenetic   tree  showing   the
300 relationships based on the distances among genes sequences. Many tools
301 are    available   to    obtain    a   such    tree,   for    example:
302 PHYML\cite{guindon2005phyml},
303 RAxML{\cite{stamatakis2008raxml,stamatakis2005raxml},    BioNJ,    and
304 TNT\cite{goloboff2008tnt}}.    In   this  work,   we   chose  to   use
305 RAxML\cite{stamatakis2008raxml,stamatakis2005raxml}   because   it  is
306 fast, accurate,  and can build large  trees when dealing  with a large
307 number of genomic sequences.
308
309 The procedure used to built a phylogenetic tree is as follows:
310 \begin{enumerate}
311 \item For each gene in a core gene, extract its sequence and store it in the database.
312 \item Use multiple alignment tools such as (****to be write after see christophe****) 
313 to align these sequences with each others.
314 \item Use an outer-group genome from cyanobacteria to calculate distances.
315 \item Submit the resulting aligned sequences to RAxML program to compute 
316 the distances and finally draw the phylogenetic tree.
317 \end{enumerate} 
318
319 \begin{figure}[H]
320   \centering \includegraphics[width=0.75\textwidth]{Whole_system} \caption{Overview
321   of the pipeline}\label{wholesystem}
322 \end{figure}
323
324 \section{Implementation}
325
326 The different  algorithms have  been implemented using  Python version
327 2.7,  on  a  laptop  running Ubuntu~12.04~LTS.   More  precisely,  the
328 computer is a Dell Latitude laptop - model E6430 with 6~GiB memory and
329 a  quad-core Intel  core~i5~processor with  an operating  frequency of
330 2.5~GHz. Many python packages  such as os, Biopython, memory\_profile,
331 re,  numpy, time,  shutil, and  xlsxwriter were  used to  extract core
332 genes  from large  amount of  chloroplast  genomes.
333
334 \begin{center}
335 \begin{table}[b]
336 \caption{Type of annotation, execution time, and core genes 
337 for each method}\label{Etime}
338 {\scriptsize
339 \begin{tabular}{p{2cm}p{0.5cm}p{0.25cm}p{0.5cm}p{0.25cm}p{0.5cm}p{0.25cm}p{0.5cm}p{0.25cm}p{0.5cm}p{0.2cm}}
340 \hline\hline
341  Method & \multicolumn{2}{c}{Annotation} & \multicolumn{2}{c}{Features} & \multicolumn{2}{c}{Exec. time (min.)} & \multicolumn{2}{c}{Core genes} & \multicolumn{2}{c}{Bad genomes} \\
342 ~ & N & D & Name & Seq & N & D & N & D & N & D \\
343 \hline
344 Gene prediction & $\surd$ & - & - & $\surd$ & 1.7 & - & ? & - & 0 & -\\[0.5ex]
345 Gene Features & $\surd$ & $\surd$ & $\surd$ & - & 4.98 & 1.52 & 28 & 10 & 1 & 0\\[0.5ex]
346 Gene Quality & $\surd$ & $\surd$ & $\surd$ & $\surd$ & \multicolumn{2}{c}{$\simeq$3 days + 1.29} & \multicolumn{2}{c}{4} & \multicolumn{2}{c}{1}\\[1ex]
347 \hline
348 \end{tabular}
349 }
350 \end{table}
351 \end{center} 
352
353 \vspace{-1cm}
354
355 Table~\ref{Etime}  presents  for  each  method  the  annotation  type,
356 execution time,  and the  number of core  genes. We use  the following
357 notations:  \textbf{N}  denotes NCBI,  while  \textbf{D} means  DOGMA,
358 and \textbf{Seq}  is for sequence. The first  {\it Annotation} columns
359 represent the algorithm used to annotate chloroplast genomes, the {\it
360 Features} columns mean  the kind  of gene feature used to extract core
361 genes: gene name, gene sequence, or  both of them. It can be seen that
362 almost all methods need low {\it Execution time} to extract core genes
363 from large chloroplast genome.   Only the gene quality method requires
364 several days of computation (about 3-4 days) for sequence comparisons,
365 once the quality genomes are  construced it takes just 1.29~minutes to
366 extract core gene. Thanks to this low execution times we can use these
367 methods to extract core genes  on a personal computer rather than main
368 frames or parallel computers. The lowest execution time: 1.52~minutes,
369 is obtained with the second method using Dogma annotations. The number
370 of {\it  Core genes} represents the  amount of genes in  the last core
371 genome. The main goal is to  find the maximum core genes that simulate
372 biological background of chloroplasts. With  NCBI we have 28 genes for
373 96   genomes,   instead   of    10   genes   for   97   genomes   with
374 Dogma. Unfortunately, the biological distribution of genomes with NCBI
375 in core tree do not  reflect good biological perspective, whereas with
376 DOGMA the  distribution of genomes is biologically  relevant. {\it Bad
377 genomes} gives  the number of genomes  that destroy core  genes due to
378 low  number  of  gene  intersection.  \textit{NC\_012568.1  Micromonas
379 pusilla} is the only genome which destroyed the core genome with NCBI
380 annotations for both gene features and gene quality methods.
381
382 The second important factor is the amount of memory being used by each
383 methodology.   Table   \ref{mem}  shows  the  memory   usage  of  each
384 method.  We  used  a  package from  PyPI~(\textit{the  Python  Package
385 Index})     named     \textit{Memory\_profile}    (located     at~{\tt
386 https://pypi.python.org/pypi})   to   extract   all  the   values   in
387 table~\ref{mem}. In  this table, the values are  presented in megabyte
388 unit and \textit{gV} means  genevision~file~format. We can notice that
389 the level  of memory which is  used is relatively low  for all methods
390 and is available  on any personal computer. The  different values also
391 show that the gene features  method based on Dogma annotations has the
392 more   reasonable   memory   usage,   except  when   extracting   core
393 sequences. The third method gives the lowest values if we already have
394 the   quality   genomes,   otherwise   it  will   consume   far   more
395 memory. Moreover, the  amount of memory used by  the third method also
396 depends on the size of each genome.
397
398 \begin{center}
399 \begin{table}[H]
400 \caption{Memory usages in (MB) for each methodology}\label{mem}
401 {\scriptsize
402 \begin{tabular}{p{2.5cm}p{1.5cm}p{1cm}p{1cm}p{1cm}p{1cm}p{1cm}p{1cm}}
403 \hline\hline
404 Method& & Load Gen. & Conv. gV & Read gV & ICM & Core tree & Core Seq. \\
405 \hline
406 Gene prediction & NCBI & 108 & - & - & - & - & -\\
407 \multirow{2}{*}{Gene Features} & NCBI & 15.4 & 18.9 & 17.5 & 18 & 18 & 28.1\\
408               & DOGMA& 15.3 & 15.3 & 16.8 & 17.8 & 17.9 & 31.2\\
409 Gene Quality  & ~ & 15.3 & $\le$3G & 16.1 & 17 & 17.1 & 24.4\\ 
410 \hline
411 \end{tabular}
412 }
413 \end{table}
414 \end{center}  
415
416
417
418
419