]> AND Private Git Repository - chloroplast13.git/commitdiff
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
update the structure of the paper
authorbassam al-kindy <bassam.al-kindy@lifc>
Tue, 29 Oct 2013 14:51:10 +0000 (15:51 +0100)
committerbassam al-kindy <bassam.al-kindy@lifc>
Tue, 29 Oct 2013 14:51:10 +0000 (15:51 +0100)
Dogma_GeneName.png
Dogma_geneextraction.png [new file with mode: 0644]
NCBI_GeneName.png
NCBI_geneextraction.png [new file with mode: 0644]
annotated.tex
biblio.bib
generalView.png
main.tex

index 0c7f241388b08453273f7aa13fdce1fe834a8b27..2d32a4ef3d53113b303924abed098805c153b248 100644 (file)
Binary files a/Dogma_GeneName.png and b/Dogma_GeneName.png differ
diff --git a/Dogma_geneextraction.png b/Dogma_geneextraction.png
new file mode 100644 (file)
index 0000000..e27f24b
Binary files /dev/null and b/Dogma_geneextraction.png differ
index b5f06b6a2c9e496f3f9c368900df4a81bc371b31..c591dc8f5bc579010221035f2020dcd3bbff9cdd 100644 (file)
Binary files a/NCBI_GeneName.png and b/NCBI_GeneName.png differ
diff --git a/NCBI_geneextraction.png b/NCBI_geneextraction.png
new file mode 100644 (file)
index 0000000..575a3c5
Binary files /dev/null and b/NCBI_geneextraction.png differ
index 7109504002edff09364517c1a8db16ccd0f21205..cfe54c9228b69c0a947979fcaec0faab8433b152 100644 (file)
-The field of Genome annotation pay a lot of attentions where the ability to collect and analysis genomical data can provide strong indicator for the study of life\cite{Eisen2007}. A lot of genome annotation centres present various types of annotation tools (i.e cost-effective sequencing methods\cite{Bakke2009}) on different annotation levels. Methods of gene finding in annotated genome can be categorized as: Alignment-based, composition based or combination of both\cite{parra2007cegma}. The Alignment-based method is used when we try to predict a coding gene (i.e. Genes that produce proteins) by aligning DNA sequence of gene to the protein of cDNA sequence of homolog\cite{parra2007cegma}. This approache also used in GeneWise\cite{birney2004genewise} with known splicing signals. Composition-based mothod (known as \textit{ab initio} is based on a probabilistic model of gene structure to find genes and/or new genes accoding to the probility gene value, this method like GeneID\cite{parra2000geneid}. In this section, we will consider a new method of finding core genes from large amount of chloroplast genomes, as a solution of the previous method where stated in section two. This method is based on extracting gene features. The question now is how can we have good annotation genome? To answer this question, we need to focusing on studying the annotation's accuracy (systematically\cite{Bakke2009}) of the genome. The general overview of the system is illustrated in Figure \ref{Fig1}.\\
+The field of Genome annotation pay a lot of attentions where the ability to collect and analysis genomical data can provide strong indicator for the study of life\cite{Eisen2007}. A lot of genome annotation centres present various types of annotations tools (i.e cost-effective sequencing methods\cite{Bakke2009}) on different annotation levels. Two method of gene finding in annotated genome can be categorized as: Alignment-based, composition based, or combination of both\cite{parra2007cegma}. The Alignment-based method is used when we try to predict a coding gene (i.e. Genes that produce proteins) by aligning DNA sequence of gene to the protein of cDNA sequence of homolog\cite{parra2007cegma}. This approache also used in GeneWise\cite{birney2004genewise} with known splicing signals. Composition-based mothod (known as \textit{ab initio} is based on a probabilistic model of gene structure to find genes and/or new genes accoding to the probability gene value, this method like GeneID\cite{parra2000geneid}. In this section, we will consider a new method of finding core genes from large amount of chloroplast genomes, as a solution of the previous method where stated in section two. This method is based on extracting gene features. The question now is how can we have good annotation genome? To answer this question, we need to focusing on studying the annotation accuracy\cite{Bakke2009}) of the genome. A general overview of the system is illustrated in Figure \ref{Fig1}.\\
 
-\begin{figure}[H]
-\caption{A general overview of the system}
+\begin{figure}[H]  
   \centering
-    \includegraphics[width=0.5\textwidth]{generalView}
-       \label{Fig1}
+    \includegraphics[width=0.7\textwidth]{generalView}
+\caption{A general overview of the system}\label{Fig1}
 \end{figure}
 
-In Figure 1, we illustrate the general overview of the system. In this system, there are three main stages: \textit{Database, Gene extraction ,} and \textit{relationships}. There are many international nucleotide sequence databases like (GenBank/NCBI in USA at (http://www.ncbi.nlm.nih.gov/genbank/),\\ EMBL-Bank/ENA/EBI in Europe at (http://www.ebi.ac.uk/ena/), and DDBJ in Japon at (http://www.ddbj.nig.ac.jp/)). In our work, the database must be any confident data source that store annotated or unannotated chloroplast genomes. We will consider GenBank/NCBI database as our nucleotide sequences database. Extract Gene Features, we refer to our main process of extracting needed information to find core genome from well large annotation genomes. Thanks to good annotation tool that lead us to extract good gene features. Here, Gene features can be anything like (genes names, gene sequences, protein sequence,...etc). To verify the results from our system, we need to organize and represent our results in the form of (tables, phylogenetic trees, graphs,...,etc), and compare these results with another annotation tool like Dogma\cite{RDogma}. All this work is to see the relationship among our large population of chloroplast genomes and find the core genome for root ancestral node. Furthermore, in this part we can visualize the evolution relationships of different chloroplast organisms.\\
-The output from each stage in our system will be considered to be an input to the second stage and so on. The rest of this section, in section 3.1, we will introduce some annotation problem with NCBI chloroplast genomes and we will discuss our method for how can we extract useful data. Section 3.2 we will present here our system for calculating evolutionary core genome based on another annotation tool than NCBI.
+In Figure 1, we illustrate the general overview of system pipeline: \textit{Database, Genomes annotation, Gene extraction, } and \textit{relationships}. We will give a short discussion for each stage in the model in order to understand all core extraction process. Good database (as a first stage) will produce good results, however, many international Banks for nucleotide sequence databases like (GenBank in USA, EMBL-Bank in Europe, and DDBJ in Japon) where exists to store various genomes and DNA species. A lot of Biological tool interact with these databases for (Genome Annotation, Gene extraction, alignments, ... , etc). The database in model must be any confident data source that store annotated and/or unannotated chloroplast genomes. We will consider GenBank- NCBI database to be our nucleotide sequences database. Annotation (as the second stage) is consider to be the first important task for Extract Gene Features. Thanks to good annotation tool that lead us to extract good gene features. In this paper, two annotation techniques from \textit{NCBI, and Dogma} will be used to extract \textit{genes features}. Extracting Gene feature (as a third stage) can be anything like (genes names, gene sequences, protein sequence,...etc). Our methodologies in this paper will consider gene names, gene counts, and gene sequences for extracting core genes and chloroplast evolutionary tree. \\
+In last stage, verifying the work from Biological expert needs to organize and represent genomes relationships and gene evolution in the form of (tables, phylogenetic trees, graphs,...,etc). In addition, comparing these forms with the results from another annotation tool like Dogma\cite{RDogma} for large population of chloroplast genomes give to us biological perspective to the nature of chloroplast evolution. \\
+A Local database attache with each pipe stage to store all information of extraction process. The output from each stage in our system will be an input to the second stage and so on.
 
 \subsection{Genomes Samples}
-In this research, we retrieved 107 genomes of Chloroplasts from NCBI where 9 genomes considered as not good. These 99 genomes lies in the 11 types of chloroplast families, divided as 11 for Algues Brunes, 3 Algue Rouges, 17 Algues Vertes, 45 Angiospermes, 3 Brypoytes, 2 Dinoflagelles, 2 Euglenes, 5 Filicophytes, 7 Gymnosperms, 2 Lycophytes, and 1 Haptophytes, as show in Table \ref{Tab1}.\pagebreak
-
-\footnotesize 
-\setlength\LTleft{-30pt}            
-\setlength\LTright{-30pt}           
-\begin{longtable}{@{\extracolsep{\fill}}llllllllll@{}}
-
-\caption[NCBI Genomes Families]{List of family groups of Chloroplast Genomes from NCBI\label{Tab1}}\\
-       % Heading
-       \hline\hline
-       {\textbf{Category}} & {\textbf{Counts}} & {\textbf{Accession No}} & {\textbf{Scientific Name}} \\ 
-       \hline
-       %Entering First line
-         & & NC\_001713.1 & Odontella sinensis \\ 
-         & & NC\_008588.1 & Phaeodactylum tricornutum \\ 
-         & & NC\_010772.1 & Heterosigma akashiwo \\ 
-         & & NC\_011600.1 & Vaucheria litorea \\ 
-         & & NC\_012903.1 & Aureoumbra lagunensis \\ 
-         Algues Brunes & 11 & NC\_014808.1 & Thalassiosira oceanica \\ 
-         & & NC\_015403.1 & Fistulifera sp \\ 
-         & & NC\_016731.1 & Synedra acus \\ 
-         & & NC\_016735.1 & Fucus vesiculosus \\ 
-         & & NC\_018523.1 & Saccharina japonica \\ 
-         & & NC\_020014.1 & Nannochloropsis gadtina \\ [1ex]
-       %Entering second group
-         & & NC\_000925.1 & Porphyra purpurea \\ 
-         Algues Rouges & 3 & NC\_001840.1 & Cyanidium caldarium \\ 
-         & & NC\_006137.1 & Gracilaria tenuistipitata \\ [1ex]
-        %Entering third group
-         & & NC\_000927.1 & Nephroselmis olivacea \\ 
-         & & NC\_002186.1 & Mesotigma viride \\ 
-         & & NC\_005353.1 & Chlamydomonas reinhardtii \\ 
-         & & NC\_008097.1 & Chara vulgaris \\ 
-         & & NC\_008099.1 & Oltmannsiellopsis viridis \\ 
-         & & NC\_008114.1 & Pseudoclonium akinetum \\ 
-         & & NC\_008289.1 & Ostreococcus tauri \\ 
-         & & NC\_008372.1 & Stigeoclonium helveticum \\ 
-         Algues Vertes & 17 & NC\_008822.1 & Chlorokybus atmophyticus \\ 
-         & & NC\_011031.1 & Oedogonium cardiacum \\ 
-         & & NC\_012097.1 & Pycnococcus provaseolii \\ 
-         & & NC\_012099.1 & Pyramimonas parkeae \\ 
-         & & NC\_012568.1 & Micromonas pusilla \\ 
-         & & NC\_014346.1 & Floydiella terrestris \\ 
-         & & NC\_015645.1 & Schizomeris leibleinii \\ 
-         & & NC\_016732.1 & Dunaliella salina \\ 
-         & & NC\_016733.1 & Pedinomonas minor \\ [1ex] 
-        %Entering fourth group
-         & & NC\_001319.1 & Marchantia polymorpha \\ 
-         Bryophytes & 3 & NC\_004543.1 & Anthoceros formosae \\ 
-         & & NC\_005087.1 & Physcomitrella patens \\ [1ex]
-        %Entering fifth group
-         & & NC\_014267.1 & Kryptoperidinium foliaceum \\ 
-         Dinoflagelles & 2
-               & NC\_014287.1 & Durinskia baltica \\ [1ex]
-        %Entering sixth group
-         & & NC\_001603.2 & Euglena gracilis \\ 
-         Euglenes & 2 & NC\_020018.1 & Monomorphina aenigmatica \\ [1ex]
-        %Entering seventh group
-         & & NC\_003386.1 & Psilotum nudum \\ 
-         & & NC\_008829.1 & Angiopteris evecta \\
-         Filicophytes & 5 & NC\_014348.1 & Pteridium aquilinum \\ 
-         & & NC\_014699.1 & Equisetum arvense \\ 
-         & & NC\_017006.1 & Mankyua chejuensis \\ [1ex]
-         % Entering eighth group
-         & & NC\_001568.1 & Epifagus virginiana \\ 
-         & & NC\_001666.2 & Zea Mays \\ 
-         & & NC\_005086.1 & Amborella trichopoda \\ 
-         & & NC\_006050.1 & Nymphaea alba \\ 
-         & & NC\_006290.1 & Panax ginseng \\ 
-         & & NC\_007578.1 & Lactuca sativa \\ 
-         & & NC\_007957.1 & vitis vinifera \\ 
-         & & NC\_007977.1 & Helianthus annuus \\ 
-         & & NC\_008325.1 & Daucus carota \\ 
-         & & NC\_008336.1 & Nandina domestica \\ 
-         & & NC\_008359.1 & Morus indica \\ 
-         & & NC\_008407.1 & Jasminum nudiflorum \\ 
-         & & NC\_008456.1 & Drimys granadensis \\ 
-         & & NC\_008457.1 & Piper cenocladum \\ 
-         & & NC\_009601.1 & Dioscorea elephantipes \\ 
-         & & NC\_009765.1 & Cuscuta gronovii \\ 
-         & & NC\_009808.1 & Ipomea purpurea \\ 
-        Angiospermes & 45 & NC\_010361.1 & Oenothera biennis \\ 
-         & & NC\_010433.1 & Manihot esculenta \\ 
-         & & NC\_010442.1 & Trachelium caeruleum \\ 
-         & & NC\_013707.2 & Olea europea \\ 
-         & & NC\_013823.1 & Typha latifolia \\ 
-         & & NC\_014570.1 & Eucalyptus \\ 
-         & & NC\_014674.1 & Castanea mollissima \\ 
-         & & NC\_014676.2 & Theobroma cacao \\ 
-         & & NC\_015830.1 & Bambusa emeiensis \\ 
-         & & NC\_015899.1 & Wolffia australiana \\ 
-         & & NC\_016433.2 & Sesamum indicum \\ 
-         & & NC\_016468.1 & Boea hygrometrica \\ 
-         & & NC\_016670.1 & Gossypium darwinii \\ 
-         & & NC\_016727.1 & Silene vulgaris \\ 
-         & & NC\_016734.1 & Brassica napus \\ 
-         & & NC\_016736.1 & Ricinus communis \\ 
-         & & NC\_016753.1 & Colocasia esculenta \\ 
-         & & NC\_017609.1 & Phalaenopsis equestris \\ 
-         & & NC\_018357.1 & Magnolia denudata \\ 
-         & & NC\_019601.1 & Fragaria chiloensis \\ 
-         & & NC\_008796.1 & Ranunculus macranthus \\ 
-         & & NC\_013991.2 & Phoenix dactylifera \\ 
-         & & NC\_016068.1 & Nicotiana undulata \\ [1ex]
-         %Entering ninth group
-         & & NC\_009618.1 & Cycas taitungensis \\ 
-         & & NC\_011942.1 & Gnetum parvifolium \\ 
-         & & NC\_016058.1 & Larix decidua \\ 
-         Gymnosperms & 7 & NC\_016063.1 & Cephalotaxus wilsoniana \\ 
-         & & NC\_016065.1 & Taiwania cryptomerioides \\ 
-         & & NC\_016069.1 & Picea morrisonicola \\ 
-         & & NC\_016986.1 & Gingko biloba \\ [1ex]
-         %Entering tenth group
-         Haptophytes & 1 & NC\_007288.1 & Emiliana huxleyi\\ [1ex]
-         %Entering eleventh group
-         Lycophytes & 2 & NC\_014675.1 & Isoetes flaccida \\
-         & & NC\_006861.1 & Huperzia lucidula \\
-       \hline
-\end{longtable}
-
-\subsection{Gene Extraction Techniques from annotated NCBI genomes}
-With NCBI, the idea is to use the existing annotations of NCBI with chloroplast genomes. To extract the core and pan genes: Core extraction techniques with NCBI are based on two techniques: Gene count and Gene contents based on some similarity issues.
-
-\subsubsection{Core genes based on NCBI Gene names and Counts}
-The trivial and simple idea to construct the core genome is based on the extraction of Genes names (as gene presence or absence). For instant, in this stage neither sequence comparison nor new annotation were made, we just want to extract all gene counts stored in each chloroplast genome then find the intersection core genes based on gene names.\\
-
-\textbf{Step I: pre-processing}\\
-The objective from this step is to organize, solve genes duplications, and generate sets of genes for each genome. The input to the system is a list of genomes from NCBI stored as \textit{.fasta} files that include a collection of Protein coding genes\cite{parra2007cegma,RDogma}(genes that produce protein) with its coding sequences.
-As a preparation step to achieve the set of core genes, we need to translate these genomes using \textit{BioPython} package\cite{chapman2000biopython}, and extracting all information needed to find the core genes. The process starts by converting each genome in fasta format to GenVision\cite{geneVision} format from DNASTAR, and this is not an easy job. The output from this operation is a lists of genes stored in a local database for genomes, their genes names and genes counts. In this stage, we will accumulate some Gene duplications with each genome treated. In other words, duplication in gene name can comes from genes fragments as long as chloroplast DNA sequences. We defines \textit{Identical state} to be the state that each gene present only one time in a genome (i.e Gene has no copy) without considering the position or gene orientation. This state can be reached by filtering the database from redundant gene name. To do this, we have two solutions: first, we made an orthography checking. Orthography checking is used to merge fragments of a gene to form one gene. 
-Second, we convert the list of genes names for each genome (i.e. after orthography check) in the database to be a set of genes names. Mathematically speaking, if $G=\left[g_1,g_2,g_3,g_1,g_3,g_4\right]$ is a list of genes names, by using the definition of a set in mathematics, we will have $set(G)=\{g_1,g_2,g_3,g_4\}$, and $|G|=4$ where $|G|$ is the cardinality number of the set $G$ which represent the number of genes in the set. With NCBI genomes, we do not have a problem of genes fragments because they already treated it, but there are a problem of genes orthography. In our method, this can generate the problem of gene lost and effect in turn the core genes. 
-The whole process of extracting core genome based on genes names and counts among genomes is illustrate in Figure \ref{Fig2}.
+In this research, we retrieved 107 genomes of Chloroplasts from NCBI where 8 genomes considered to be not good. The remain 99 genomes lies in the 11 types of chloroplast families, as shown in Table \ref{Tab1}. The list of distribution of genomes is illstrated in detail in Table \ref{Tab2}.
+
+\begin{table}[H]
+\caption{distribution on Chloroplast Families}\label{Tab1}
+\centering
+\begin{tabular}{c c}
+\hline\hline
+Family & Genome Counts \\ [0.5ex]
+\hline
+Brown Algae & 11 \\
+Red Algae & 03 \\
+Green Algae & 17 \\
+Angiosperms & 46 \\
+Brypoytes & 03 \\
+Dinoflagellates & 02 \\
+Euglena & 02 \\
+Fern & 05 \\
+Gymnosperms & 07 \\
+Lycopodiophyta & 02 \\
+Haptophytes & 01 \\ [1ex]
+\hline
+\end{tabular}
+\end{table}
+
+\input{population_Table}       
+
+\subsection{Genome Annotation Techniques}
+The second stage in system pipeline is genome annotation. Many annotation techniques were developed for annotate chloroplast genomes but they vary in the number and type of predicting genes (i.e the ability to predict genes and \textit{Transfere RNA (tRNA)} and \textit{Ribosomal RNA (rRNA)} genes). Two annotation techniques from NCBI and Dogma are considered to analyse chloroplast genomes to examin the accuricy of predicted coding genes. Figure \ref{NCBI_annotation}, illstrate two annotation technique.\\
+
+\begin{figure}[H]
+\centering
+\includegraphics[width=0.7\textwidth]{NCBI_annotation}
+\caption{Genome annotation using either NCBI or Dogma}\label{NCBI_annotation}
+\end{figure}
+
+With each annotation model, we provide a quality check class for the flow of chloroplast genomes. This class has an access to NCBI taxonomy database based on genome accession number to retreive information for the genome. These information contains \textit{[Scientific name, lineage, Division, taxonomy ID, parentID, and Accession No]}. Examin each genome with this class (i.e based on some parameters), can ignore some genomes from this competition that not match a specific control condition.   
+
+\subsubsection{genome annotation from NCBI} 
+The objective from this step is to organize, solve genes duplications, and generate sets of genes from each genome. The input to the system is our list of chloroplast genomes, annotated from NCBI\cite{Sayers01012011}. All genomes stored as \textit{.fasta} files include collection of Protein coding genes\cite{parra2007cegma,RDogma}(gene that produce proteins) with its coding sequences.
+As a preparation step to achieve the set of core genes, we need to translate these genomes using \textit{BioPython} package\cite{chapman2000biopython}, and extracting all information needed to find the core genes. A process starts by converting each genome in fasta format to GenVision\cite{geneVision} formats from DNASTAR, and this is not an easy job. The output from this operation is a lists of genes stored in a local database for genomes, their genes names and gene counts. In this stage, we will accumulate some Gene duplications with each genome treated. In other words, duplication in gene name can comes from genes fragments as long as chloroplast DNA sequences. We defines \textit{Identical state} to be the state that each gene present only one time in a genome (i.e Gene has no copy) without considering the position or gene orientation. This state can be reached by filtering the database from redundant gene name. To do this, we have two solutions: first, we made an orthography checking. Orthographe checking is used to merge fragments of a gene to form one gene. 
+Second, we convert the list of genes names for each genome (i.e. after orthography check) in the database to be a set of genes names. Mathematically speaking, if $G=\left[g_1,g_2,g_3,g_1,g_3,g_4\right]$ is a list of genes names, by using the definition of a set in mathematics, we will have $set(G)=\{g_1,g_2,g_3,g_4\}$, and $|G|=4$ where $|G|$ is the cardinality number of the set $G$ which represent the number of genes in the set.\\
+The whole process of extracting core genome based on genes names and counts among genomes is illustrate in Figure \ref{NCBI:Annotation}.\\
+
+\begin{figure}[H]
+  \centering
+    \includegraphics[width=0.7\textwidth]{NCBI_GeneName}
+  \caption{NCBI Annotation for Chloroplast genomes}
+  \label{NCBI:Annotation}
+\end{figure}
 
+\subsubsection{Genome annotation from Dogma}
+Dogma is an annotation tool developed in the university of Texas by \cite{RDogma} in 2004. Dogma is an abbreviation of \textit{Dual Organellar GenoMe Annotator}\cite{RDogma} for plant chloroplast and animal mitochondrial genomes.
+It has its own database for translated the genome in all six reading frames and query the amino acid sequence database using Blast\cite{altschul1990basic}(i.e Blastx) with various parameters, and to identify protein coding genes\cite{parra2007cegma,RDogma} in the input genome based on sequence similarity of genes in Dogma database. Further more, it can produce the \textit{Transfer RNAs (tRNA)}\cite{RDogma}, and the \textit{Ribosomal RNAs (rRNA)}\cite{RDogma} and verifying their start and end positions rather than NCBI annotation tool. There are no gene duplication with dogma after solving gene fragmentation. \\
+Genome Anntation with dogma can be the key difference of extracting core genes. In figure \ref{dog:Annotation}, The step of annotation divided into two tasks: First, It starts to annotate complete choloroplast genomes (i.e \textit{Unannotated genomes} from NCBI by using Dogma web tool. The whole annotation process was done manually. The output from dogma is considered to be collection of coding genes file for each genome in the form of GeneVision\cite{geneVision} file format.\\
+Where the second task is to solve gene fragments. Defragment process starts immediately after the first task to solve fragments of coding genes for each genome to avoid gene duplication. All genomes after this stage are fully annotated, their genes were de-fragmented, genes lists and counts were identified. These information stored in local database.\\
 \begin{figure}[H]
   \centering
-    \includegraphics[width=0.9\textwidth]{NCBI_GeneName}
-    
-  \caption{Extracting Core genes based on NCBI Gene name and Counts}
-  \label{Fig2}
+    \includegraphics[width=0.7\textwidth]{Dogma_GeneName}
+    \caption{Dogma Annotation for Chloroplast genomes}\label{dog:Annotation}
 \end{figure}
 
-\textbf{Step II: Gene Intersection}\\
-The goal of this step is trying to find maximum core genes from sets of genes in the database. The idea for finding core genes is to collect in each iteration the maximum number of common genes. To do this, the system build an \textit{Intersection core matrix(ICM)}. ICM here is a two dimensional symmetric matrix where each row and column represent a set of genes for one genome in the local database. Each position in ICM stores the \textit{intersection scores}. Intersection Score(IS), is the cardinality number of a core genes comes from intersecting in each iteration the set of genes for one genome with all other gene sets belong to the rest of genomes in the database. Taking maximum cardinality from each row and then taking the maximum of them will result to select the best two genomes with their maximum core. Mathematically speaking, if we have an $mxn$ matrix where $m,n=$number of genomes in database. lets consider $Z=max_{i<j}(\vert x_i \cap x_j\vert)$ where $x_i, x_j$ are sets of row and column elements in a matrix. if $Z=0$ then we have \textit{disjoint relation} (i.e no common genes between to genomes). In this case the system ignore the set of genes that smash the core genes. Otherwise, The system remove these two genomes from ICM and add new core with a coreID of them to ICM for the calculation in next iteration. The partial core genes generated with its set of genes will store in a database for reused for drawing the tree. this process repeat until all genomes treated.   
-We observe that ICM will result to be very large because of the huge amount of data that it stores. In addition, this will results to be time and memory consuming for calculating the intersection scores by using just genes names. To increase the speed of calculations, we can calculate the upper triangle scores only and exclude diagonal scores that is why we write $max_{i<j}$. This will reduce whole processing time and memory to half. The time complexity for this process after  enhancement changed from $O(n^2)$ to $O((n-1)\log{n})$.\\
+From these two tasks, we can obtain clearly one copy of coding genes. To ensure that genes produced from dogma annotation process is same as the genes in NCBI. We apply in parrallel a quality checking process that align each gene from dogma and NCBI with respect to a specific threshold.\\
+
+\subsection{Extract Gene Features}
+The goal of this step is trying to find maximum core genes from sets of genes (\textit{Vectors}) where stored in the local database from the annotation process. The key of finding core genes is to collect from each iteration of genes comparisons the maximum number of common genes. To do so, the system build an \textit{Intersection core matrix(ICM)}. ICM here is a two dimensional symmetric matrix (considered as a vector space) where each row and column represent a vector for one genome. Each position in ICM stores the \textit{intersection scores}. Intersection Score(IS) is the cardinality number of a core genes comes from intersecting one vector with other vectors in vector space. Taking maximum cardinality from each row and then take the maximum of them will result to select the best two genomes with their maximum core. Mathematically speaking, if we have an $m \times n$ vector space matrix where $m=n=$number of vectors in local database, then lets consider:\\
+
+\begin{equation}
+Score=\max_{i<j}\vert x_i \cap x_j\vert
+\label{Eq1}
+\end{equation}\\
+
+Where $x_i, x_j$ are vectors. To constract new core genes, we look on the value of intersecting two vectors, we call it $Score$:\\
+$$\text{New Core} = \begin{cases} 
+\text{Ignored} & \text{if $Score=0$;} \\
+\text{new Core id} & \text{if $Score>0$.}
+\end{cases}$$\\
+
+if $Score=0$ then we have \textit{disjoint relation} (i.e no common genes between two genomes). In this case the system ignore the vector that smash the core genes. Otherwise, The system remove these two vectors from ICM and add new core vector with a \textit{coreID} of them to ICM for the calculation in next iteration. The partial core vectors generated with its values will store in the local database for reused to draw the tree. this process repeat until all vectors treated.   
+We observe that ICM will result to be very large because of the huge amount of data that it stores. In addition, this will results to be time and memory consuming for calculating the intersection scores by using just genes names. To increase the speed of calculations, we can calculate the upper triangle scores only and exclude diagonal scores. This will reduce whole processing time and memory to half. The time complexity for this process after enhancement changed from $O(n^2-n)$ to $O(\frac{(n-1).n}{2})$.\\
 
-The Algorithm of construction the matrix and extracting maximum core genes where illustrated in Algorithm \ref{Alg1}. The output from this step is the maximum core genes with its genomes to draw it in a tree.  
+The Algorithm of construction the vector matrix and extracting the vector of maximum core genes where illustrated in Algorithm \ref{Alg1}. The output from this step is the maximum core vector with its two vectors to draw it in a tree.  
 
 \begin{algorithm}[H]
 \caption{Extract Maximum Intersection Score}
 \label{Alg1}
 \begin{algorithmic} 
-\REQUIRE $L \leftarrow sets of genomes genes$
-\ENSURE $B1 \leftarrow Max core$ 
+\REQUIRE $L \leftarrow \text{genomes vectors}$
+\ENSURE $B1 \leftarrow Max core vector
 \FOR{$i \leftarrow 0:len(L)-1$}
        \STATE $core1 \leftarrow set(GenomeList[L[i]])$
        \STATE $score1 \leftarrow 0$
@@ -188,50 +124,39 @@ The Algorithm of construction the matrix and extracting maximum core genes where
 \end{algorithmic}
 \end{algorithm}
 
-\textit{GenomeList} represents the database.\\
+\textit{GenomeList} represents the local database.\\
 
-\textbf{Step III: Drawing the Tree}\\
-The goal here is to visualizing the results by build a tree of evolution. The system can produce this tree automatically by using Dot graphs package\cite{gansner2002drawing} from Graphviz library and all information available in a database. Core genes generated with their genes can be very important information in the tree, because they can viewed as an ancestor information for two genomes or more. Further more, each node represents a genome or core as \textit{(Genes count:Family name, Scientific names, Accession number)}, Edges represent numbers of lost genes from genomes-core or core-core relationship. The number of lost genes here can be an important factor for evolution, it represents how much lost of genes for the species in same or different families. By the principle of classification, small number of gene lost among species indicate that those species are related together and belong to same family, while big genes lost means that species is far to be in the same family. To see the picture clearly, Phylogenetic tree is an evolutionary tree generated also by the system. Generating this tree is based on the distances among genes sequences. There are many resources to build such tree (for example: PHYML\cite{guindon2005phyml}, RAxML{\cite{stamatakis2008raxml,stamatakis2005raxml}, BioNJ , and TNT\cite{goloboff2008tnt}}. We consider to use RAxML\cite{stamatakis2008raxml,stamatakis2005raxml} to generate this tree.   
+\subsection{Genomes Relationships}
+The goal here is to visualizing the results by build a tree of evolution. The system can produce this tree automatically by using Dot graphs package\cite{gansner2002drawing} from Graphviz library and all information available in a database. Core genes generated with their genes can be very important information in the tree, because they can viewed as an ancestor information for two genomes or more. Further more, each node represents a genome or core as \textit{(Genes count:Family name, Scientific names, Accession number)}, Edges represent numbers of lost genes from genomes-core or core-core relationship. The number of lost genes here can represent an important factor for evolution, it represents how much lost of genes for the species in same or different families. By the principle of classification, small number of gene lost among species indicate that those species are close to each other and belong to same family, while big genes lost means that species is far to be in the same family. To see the picture clearly, Phylogenetic tree is an evolutionary tree generated also by the system. Generating this tree is based on the distances among genes sequences. There are many resources to build such tree (for example: PHYML\cite{guindon2005phyml}, RAxML{\cite{stamatakis2008raxml,stamatakis2005raxml}, BioNJ , and TNT\cite{goloboff2008tnt}}. We consider to use RAxML\cite{stamatakis2008raxml,stamatakis2005raxml} to generate this tree.
 
-The main drawback from this method is that we can not depending only on genes names because of three causes: first, the genome may have not totally named (This can be found in early versions of NCBI genomes), so we will have some lost sequences. Second, we may have two genes sharing the same name, while their sequences are different. Third, we need to annotate all the genomes.
+\section{Implementation}
+We implemented four algorithms to extract maximum core genes from large amount of chloroplast genomes. Two algorithms used to extract core genes based on NCBI annotation, and the others based on dogma annotation tool. Evolutionary tree generated as a result from each method implementation. In this section, we will present the four methods, and how they can extract maximum core genes?, and how the developed code will generate the evolutionary tree.
 
-\subsubsection{Extracting Core genome from NCBI gene contents}
-{to do later}
+\subsection{Extract Core genes based on NCBI Gene names and counts}
+The first idea to construct the core genome is based on the extraction of Genes names (as gene presence or absence). For instant, in this stage neither sequence comparison nor new annotation were made, we just want to extract all genes with counts stored in each chloroplast genome, then find the intersection core genes based on gene names. \\
+The pipeline of extracting core genes can summarize in the following steps:\\
+First, we apply the genome annotation method using NCBI annotation tool. Genome quality check can be used in this step to ensure that genomes pass some quality condition. Then, the system lunch annotation process using NCBI to extract code genes (i.e \textit{exons}) and solve gene fragments.  From NCBI, we did not observe any problem with genes fragments, but there are a problem of genes orthography (e.g two different genes sequences with same gene name). After we obtain all annotated genomes from NCBI to the local database, the code will then automatically will generate GenVision\cite{geneVision} file format to lunch the second step to extract coding genes names and counts. The competition will start by building intersection matrix to intersect genomes vectors in the local database with the others. New core vector for two leaf vectors will generate and a specific \textit{CoreId} will assign to it. an evolutionary tree will take place by using all data generated from step 1 and 2. The tree will also display the amount of genes lost from each intersection iteration. A specific excel file will be generated that store all the data in local database. The whole operation illstrate in Figure \ref{NCBI:geneextraction}.
 
-\subsection{Core genes from Dogma Annotation tool}
-In previous section, extracting core genes based on NCBI annotation caused some lost of genes due to annotation process. Annotation can play an important role for these losts, because it represents the first process of gene identification. Good annotation tool still be challenged subject. (Genis Parra in 2007) published a paper state that the subject of accurately genomic and/or gene annotation is still an open source problem, even in the best case scenario where any project has all the expert biologists resources to annotate gene structures, the catalogues of genes can still unclear and still less accurate than experts. Where \cite{Bakke2009} also state ("Errors in the annotations are routinely deposited in databases such as NCBI and used to validate subsequent annotation errors."). So, good core genes still needs good annotation tool. A lot of software today’s were developed for extracted core genes for eukaryote and prokaryote organisms such as CEGMA\cite{parra2007cegma}, Coregenes 3.0\cite{zafar2002coregenes}, and Dogma\cite{RDogma}. The appropriate annotation tool for plant chloroplast and mitochondrial genomes is Dogma.
-
-\subsubsection{Why Dogma rather than NCBI annotation?}
-Dogma is an annotation tool developed in the university of Texas by \cite{RDogma} in 2004. Dogma is an abbreviation of \textit{Dual Organellar GenoMe Annotator}\cite{RDogma} for plant chloroplast and animal mitochondrial genomes.
-It has its own database for translated the genome in all six reading frames and query the amino acid sequence database using Blast\cite{altschul1990basic}(i.e Blastx) with various parameters, and to identify protein coding genes\cite{parra2007cegma,RDogma} in the input genome based on sequence similarity of genes in Dogma database. Further more, it can produce the \textit{Transfer RNAs (tRNA)}\cite{RDogma}, and the \textit{Ribosomal RNAs (rRNA)}\cite{RDogma} and verifying their start and end positions rather than NCBI annotation tool.
+\begin{figure}[H]
+  \centering
+    \includegraphics[width=0.7\textwidth]{NCBI_geneextraction}
+    \caption{Extract core genes based on NCBI gene names and counts}\label{NCBI:geneextraction}
+\end{figure}
 
-\subsubsection{Core genes based on Dogma Genes names and counts}
-The main goal is to get as much as possible the core genes of maximum coding genes. According to \cite{Bakke2009}, annotation method like dogma can give us more reliable coding genes than NCBI. This is because NCBI annotation can carry some annotation and gene identification errors. The general overview of whole process of extraction illustrated in fiqure \ref{dog:Fig1}, the pipeline of extracting core genes can summarize in the following steps:\\
+\subsection{Extract Core genes based on Dogma Gene names and counts}  
+The main goal is to get as much as possible the core genes of maximum coding genes names. According to NCBI annotation problem based on \cite{Bakke2009}, annotation method like dogma can give us more reliable coding genes than NCBI. This is because NCBI annotation can carry some annotation and gene identification errors. The general overview of whole process of extraction illustrated in figure \ref{dog:Annotation}. From this figure, the pipeline of extracting core genes can summarize in the following steps:\\
+First, we apply the genome annotation method using Dogma annotation tool. Genome quality check can be used in this step to ensure that genomes pass some quality condition. Then, the system lunch annotation process using Dogma to extract code genes (i.e \textit{exons}) and solve gene fragments. The key difference here is that dogma can generate in addition transfer RNA and ribosomal RNA. As a result from annotation process with dogma is genomes files in GenVision\cite{geneVision} file format, the code will lunch genes de-fragments process to avoid genes duplications. little problems of genes orthography (e.g two different genes sequences with same gene name) where exists. After we obtain all annotated genomes from dogma, we store it in the local database. The code will then automatically lunch the second step to extract coding genes names and counts. The competition will start by building intersection matrix to intersect genomes vectors in the local database with the others. New core vector for two leaf vectors will generate and a specific \textit{CoreId} will assign to it. an evolutionary tree will take place by using all data generated from step 1 and 2. The tree will also display the amount of genes lost from each intersection iteration. A specific excel file will be generated that store all the data in local database. The whole operation illstrate in Figure \ref{dogma:geneextraction}.
 
 \begin{figure}[H]
   \centering
-    \includegraphics[width=0.7\textwidth]{Dogma_GeneName}
-    \label{dog:Fig1}
-    \caption{Core genome based on Dogma Gene Name and count}
+    \includegraphics[width=0.7\textwidth]{Dogma_geneextraction}
+    \caption{Extract core genes based on Dogma gene names and counts}\label{dogma:geneextraction}
 \end{figure}
 
-\textbf{Step I: Pre-processing}\\
-Pre-processing step represents the key difference between methods of extracting core genes. In figure \ref{dog:Fig1}, The pre-processing step can be divided into two tasks: First, It starts to annotate our genome samples in the form of complete genomes (i.e \textit{Unannotated genomes} from NCBI by using Dogma web tool. The whole annotation process by using dogma website is done manually. The output from the annotation process is considered to be a collection of coding genes file for each genome in the form of GeneVision\cite{geneVision} file format.\\
-Where the second task is to solve gene fragments. Defragment process starts here to solve fragments of coding genes for each genome, this process can avoid gene duplication. All genomes now are fully annotated, their genes were de-fragmented, and genes list and counts identified. These information stored in local database.\\
-
-From these two tasks, we can obtain clearly one copy of coding genes. To ensure that genes produces from dogma annotation process is same as the genes in NCBI. We apply separately a quality check process that align the same gene from dogma and NCBI with respect to a specific threshold.\\
+The main drawback from the method of extracting core genes based on gene names and counts is that we can not depending only on genes names because of three causes: first, the genome may have not totally named (This can be found in early versions of NCBI genomes), so we will have some lost sequences. Second, we may have two genes sharing the same name, while their sequences are different. Third, we need to annotate all the genomes.
 
-\textbf{Step II: Extraction Core genes}\\
-Extracting core genes will use the same process presented in the section of extracting core genes based on NCBI genes. ICM matrix will be considered by calculating the upper triangular cardinality cores to save time and to find the maximum length of core genes from each iteration see algorithm \ref{Alg1}. From each iteration, two genomes are considered to draw with their maximum cardinality core genes until no genome remain in the database. The key point here is that the intersection genome that smash the core genes in each iteration will be ignored from this competition.\\
+\subsubsection{Extracting Core genome from NCBI gene contents}
+{to do later}
 
-\textbf{Step III: Draw the tree}
-To build the tree of evolution for genomes. The algorithm is considered to take from the data base the first coreID generated from step two and   draw sequentially all the genomes that create this core. Sometimes, we have a core genome that intersect with another one. This tree also represented as a set of nodes which represent genome names and a set of edges, which represent the number of gene lost from each genome. Phylogenetic tree also considered here by using RAxML{\cite{stamatakis2008raxml,stamatakis2005raxml} based on calculating the distances among core genes in the database. 
 
-\subsubsection{Core genome from Dogma gene contents}
-[To do Later]
-\begin{figure}[H]
-  \centering
-    \includegraphics[width=0.7\textwidth]{Dogma_GeneContent}
-    \label{dog:Fig2}
-    \caption{Core genes based on the comparison of Dogma Genes Sequences}
-\end{figure}
\ No newline at end of file
+\subsubsection{Core genes based on Dogma Genes names and counts}
index e3497026da5a95fdc45b53c085ed9d8e740e4e32..d5aaff6a148d3f627a6dd2f673e3f70b28e60b42 100644 (file)
@@ -104,6 +104,20 @@ pages={1-12}
     doi = {10.1371/journal.pone.0052841}
 }        
 
+@article{Sayers01012011,
+author = {Sayers, Eric W. and Barrett, Tanya and Benson, Dennis A. and Bolton, Evan and Bryant, Stephen H. and Canese, Kathi and Chetvernin, Vyacheslav and Church, Deanna M. and DiCuccio, Michael and Federhen, Scott and Feolo, Michael and Fingerman, Ian M. and Geer, Lewis Y. and Helmberg, Wolfgang and Kapustin, Yuri and Landsman, David and Lipman, David J. and Lu, Zhiyong and Madden, Thomas L. and Madej, Tom and Maglott, Donna R. and Marchler-Bauer, Aron and Miller, Vadim and Mizrachi, Ilene and Ostell, James and Panchenko, Anna and Phan, Lon and Pruitt, Kim D. and Schuler, Gregory D. and Sequeira, Edwin and Sherry, Stephen T. and Shumway, Martin and Sirotkin, Karl and Slotta, Douglas and Souvorov, Alexandre and Starchenko, Grigory and Tatusova, Tatiana A. and Wagner, Lukas and Wang, Yanli and Wilbur, W. John and Yaschenko, Eugene and Ye, Jian}, 
+title = {Database resources of the National Center for Biotechnology Information},
+volume = {39}, 
+number = {suppl 1}, 
+pages = {D38-D51}, 
+year = {2011}, 
+doi = {10.1093/nar/gkq1172}, 
+abstract ={In addition to maintaining the GenBank® nucleic acid sequence database, the National Center for Biotechnology Information (NCBI) provides analysis and retrieval resources for the data in GenBank and other biological data made available through the NCBI Web site. NCBI resources include Entrez, the Entrez Programming Utilities, MyNCBI, PubMed, PubMed Central (PMC), Entrez Gene, the NCBI Taxonomy Browser, BLAST, BLAST Link (BLink), Primer-BLAST, COBALT, Electronic PCR, OrfFinder, Splign, ProSplign, RefSeq, UniGene, HomoloGene, ProtEST, dbMHC, dbSNP, dbVar, Epigenomics, Cancer Chromosomes, Entrez Genomes and related tools, the Map Viewer, Model Maker, Evidence Viewer, Trace Archive, Sequence Read Archive, Retroviral Genotyping Tools, HIV-1/Human Protein Interaction Database, Gene Expression Omnibus (GEO), Entrez Probe, GENSAT, Online Mendelian Inheritance in Man (OMIM), Online Mendelian Inheritance in Animals (OMIA), the Molecular Modeling Database (MMDB), the Conserved Domain Database (CDD), the Conserved Domain Architecture Retrieval Tool (CDART), IBIS, Biosystems, Peptidome, OMSSA, Protein Clusters and the PubChem suite of small molecule databases. Augmenting many of the Web applications are custom implementations of the BLAST program optimized to search specialized data sets. All of these resources can be accessed through the NCBI home page at www.ncbi.nlm.nih.gov.}, 
+URL = {http://nar.oxfordjournals.org/content/39/suppl_1/D38.abstract}, 
+eprint = {http://nar.oxfordjournals.org/content/39/suppl_1/D38.full.pdf+html}, 
+journal = {Nucleic Acids Research} 
+}
+
 @article{zafar2002coregenes,
   title={CoreGenes: A computational tool for identifying and cataloging},
   author={Zafar, Nikhat and Mazumder, Raja and Seto, Donald},
index d584d91c066cc80795de409ee067739e8e3a57be..185268d94b57575c38edf5fb3658d6a61446e1c9 100644 (file)
Binary files a/generalView.png and b/generalView.png differ
index 611fff17f7b4e390f53ecd77b381bfdb632d9f9d..15a3a7a651b6431a51ae68eafd3cd69dce704133 100755 (executable)
--- a/main.tex
+++ b/main.tex
@@ -7,6 +7,8 @@
 \usepackage{algorithm}
 \usepackage{algorithmic}
 \usepackage{longtable}
+\usepackage{amsmath,mathtools}
+\usepackage[utf8]{inputenc}
 
 
 % correct bad hyphenation here
@@ -39,7 +41,7 @@ $*:$ Authors in alphabetic order.\\
 \input{abstract}
 
 \section{Introduction}\label{sec:intro}
-%\input{intro.tex}
+\input{intro.tex}
 
 
 \section{Similarity-based Approach}