SEDE BOGOTA DNSAV

cap. 2 alineamiento

TEORÍA DE LA INFORMACIÓN EN EL ANÁLISIS DE SECUENCIAS BIOLÓGICAS

INTRODUCCIÓN

La aplicación de la teoría de la información al análisis de secuencias de DNA o RNA comenzó aproximadamente en la década de 1970; dos grandes períodos pueden ser distinguidos en este proceso; el primero de 1970 a 1977 (aproximadamente) cuando aparece la primera publicación sobre el tema, se desarrollan métodos para la estimación de parámetros tales como la información, la redundancia y la divergencia entre las secuencias de DNA. El objetivo de estos estudios era obtener una expresión cuantitativa que describiera la complejidad de las secuencias.

El segundo período de 1987 al presente (existió un receso en el estudio) después de unos años de pausa, se caracteriza por un renovado interes en la materia como objeto de investigación, esto se debe en parte a los éxitos de los proyectos de secuenciamiento de genomas.

ENTROPIA Vs CONTENIDO INFORMACIONAL

La entropia de la información de una secuencia de ADN se puede describir como el número mínimo de instrucciones que se neceistan para escribir completamente un mensaje; ésta definición utiliza la idea que maneja el algorítmo para obtener la entropía de Kolmogorov-Chaitin (Yockey, 1992).

Por ejemplo si tenemos la secuencia CGCGCGCGCGCGCGCGCGCG, la podemos representar con la instrucción:

CG repetido 10 veces.

Esta secuencia tiene una entropia informacional muy baja y por consiguiente un contenido informacional bajo.

Con la presencia de tan solo una mutación en la secuencia anterior se incrementa la complejidad de la secuencia y por ende el contenido informacional (ya que aumenta la entropia informacional porque se necesitan más instrucciones para escribir la secuencia anterior) , si cambiamos la G de la sexta posición por una T obtenemos: CGCGCTCGCGCGCGCGCGCG; para representar esta secuencia necesitamos las siguientes instrucciones:

CG 2 veces.

CT 1 vez.

CG 7 veces.

Si ahora duplicamos la secuencia sin mutaciones:

CGCGCGCGCGCGCGCGCGCGCGCGCGCGCGCGCGCGCGCG

el contenido informacional no se incrementa, solo presenciamos un incremento en el número de repeticiones de nucleótidos en la cadena . La instrucción se modifica de GC repetido 10 veces a GC repetido 20 veces.

Pero si duplicamos la secuencia que contiene la mutación:

CGCGCTCGCGCGCGCGCGCGCGCGCTCGCGCGCGCGCGCG

estas son las instrucciones que la representan:

CG 2 veces.

CT 1 vez.

CG 9 veces.

CT 1 vez.

CG 7 veces.

Vemos que el número de instrucciones se ha incrementado de 3 a 5, de aquí podemos inferir que la duplicación de una cadena de DNA ( compuesta de más de una repetición de nucleótidos ) significa un incremento global en la complejidad del mensaje.

REPRENTACIÓN INFORMACIONAL

Toda la información necesaria para el control de las reacciones biologicas en células y tejidos, incluyendo la síntesis de proteínas esta contenida en el DNA.
Cada secuencia de DNA (codificante) especifica una única proteína, aunque una proteína puede ser codificada por varias secuencias de DNA.
La información genetica fluye en un único sentido, de los ácidos núcleicos a las proteínas.
La transferencia de la información biológica puede ser modelada de acorde a lo propuesto por Claude Shannon. (Emisor - canal de comunicación - receptor), donde el mensaje emitido (entrada) es la secuencia de DNA y el mensaje recibido (salida) es la cadena de aminoácidos de la proteína.
El canal de transmision es estacionario, sin memoria y con/sin ruido.
Conjunto de símbolos -Alfabeto- N = {A,C,T,G}generados por la fuente (Dispositivo abstracto que genera las secuencias de símbolos), estos símbolos son emitidos con frecuencias diferentes.
1. La distribución de probabilidad del alfabeto es una propiedad de la fuente.
  - P(A) + P(C) + P(G) + P(T) = 1.
  - Las bases (símbolos de la fuente) no son independientes del mensaje génetico; pueden ser modeladas por un proceso de Markov.
  - Una fuente Markoviana es estacionaria y ergodica y la distribución de probabilidad puede ser calculada de las probabilidades condicionales y de las determinadas experimentalmente.
2. El potencial de entropia: H_pot(N) = log₂ (4) = 2 bits
Conjunto de símbolos AN = {Los 20 aminoácidos}
1. Entropia esta dada por :
  - H(x) = log_₂ 61 - (18/61)log_₂ 6 - (20/61)log_₂ 4 - (3/61) log_₂ 3 - (18/61) log_₂ 2 = 4.139192
2. El codon es el mensaje que es enviado y el aminoácido es el mensaje recibido.