Base de vers

WormBase est une base de données biologiques en ligne sur la biologie et le génome de l' organisme modèle nématode Caenorhabditis elegans et contient des informations sur d'autres nématodes apparentés. WormBase est utilisée par la communauté de recherche sur C. elegans à la fois comme une ressource d'information et comme un lieu de publication et de distribution de leurs résultats. La base de données est régulièrement mise à jour et de nouvelles versions sont publiées tous les deux mois. WormBase est l'une des organisations participant au projet Generic Model Organism Database (GMOD).

WormBase comprend les principaux ensembles de données suivants :

• Les génomes annotés de Caenorhabditis elegans , Caenorhabditis briggsae , Caenorhabditis remanei , Caenorhabditis brenneri , Caenorhabditis angaria , Pristionchus pacificus , Haemonchus contortus , Meloidogyne hapla , Meloidogyne incognita , Brugia malayi et Onchocerca volvulus ;
• Annotations soigneusement sélectionnées décrivant la fonction d'environ 20 500 gènes codants pour les protéines de C. elegans et d'environ 16 000 gènes non codants pour C. elegans ;
• Familles de gènes;
• Orthologies;
• Sites de liaison des facteurs de transcription génomique
• Informations complètes sur les allèles mutants et leurs phénotypes ;
• Dépistage de l' ARN interférent ( ARNi) du génome entier ;
• Cartes génétiques, marqueurs et polymorphismes ;
• La carte physique de C. elegans ;
• Profils d'expression génétique (stade, tissu et cellule) à partir de microarrays, d'analyses SAGE et de fusions de promoteurs GFP ;
• La lignée cellulaire complète du ver ;
• Le schéma de câblage du système nerveux du ver ;
• Interaction protéine-protéine Données d'interactome ;
• Relations de régulation génétique;
• Détails des homologies de séquences intra- et interspécifiques (avec des liens vers d'autres bases de données d'organismes modèles ).

De plus, WormBase contient une bibliographie consultable à jour des recherches sur C. elegans et est liée au projet WormBook .

WormBase propose de nombreuses façons de rechercher et de récupérer des données de la base de données :

• WormMart, Wiki - était un outil permettant de récupérer des informations variées sur de nombreux gènes (ou les séquences de ces gènes). Il s'agissait de l'implémentation WormBase de BioMart.
• WormMine, Wiki - depuis 2016, la principale installation d'exploration de données. Il s'agit de l'implémentation WormBase d'InterMine.
• Navigateur de génomes - parcourez les gènes de C. elegans (et d'autres espèces) dans leur contexte génomique
• Textpresso - un outil de recherche qui interroge la littérature publiée sur C. elegans (y compris les résumés de réunions) et un sous-ensemble de la littérature sur les nématodes.

La conservation des séquences chez WormBase fait référence à la maintenance et à l'annotation de la séquence génomique primaire et d'un ensemble de gènes de consensus.

Bien que la séquence du génome de C. elegans soit la séquence du génome eucaryote la plus précise et la plus complète, elle a continuellement besoin d'être affinée à mesure que de nouvelles preuves ont été créées. Bon nombre de ces changements étaient des insertions ou des délétions d'un seul nucléotide, mais plusieurs erreurs d'assemblage importantes ont été découvertes. Par exemple, en 2005, un cosmide de 39 kb a dû être inversé. D'autres améliorations sont venues de la comparaison des séquences d'ADN génomique et d'ADNc et de l'analyse des données à haut débit RNASeq. Lorsque des différences entre la séquence génomique et les transcriptions sont identifiées, une nouvelle analyse des données génomiques originales conduit souvent à des modifications de la séquence génomique. Les changements dans la séquence génomique posent des difficultés lors de la comparaison des coordonnées chromosomiques des données dérivées de différentes versions de WormBase. Il existe un programme de remappage des coordonnées et des données de mappage sont disponibles pour faciliter ces comparaisons.

Tous les ensembles de gènes de l'espèce WormBase ont été initialement générés par des programmes de prédiction de gènes. Les programmes de prédiction de gènes fournissent un ensemble raisonnable de structures de gènes, mais les meilleurs d'entre eux ne prédisent correctement qu'environ 80 % des structures de gènes complètes. Ils ont du mal à prédire les gènes ayant des structures inhabituelles, ainsi que ceux ayant un signal de départ de traduction faible, des sites d'épissage faibles ou des gènes à exon unique. Ils peuvent prédire de manière incorrecte un modèle de gène codant où le gène est un pseudogène et ils prédisent mal, voire pas du tout, les isoformes d'un gène.

Les modèles génétiques des gènes de C. elegans , C. briggsae , C. remanei et C. brenneri sont sélectionnés manuellement. La majorité des changements de structure génétique sont basés sur des données de transcription provenant de projets à grande échelle tels que les bibliothèques EST de Yuji Kohara, le projet Orfeome de Mark Vidal (worfdb.dfci.harvard.edu/), les données Illumina de Waterston et Hillier et les données 454 de Makedonka Mitreva. Cependant, d'autres types de données (par exemple, les alignements de protéines, les programmes de prédiction ab initio , les sites leaders de trans-épissage, les signaux poly-A et les sites d'addition, les étiquettes de transcription SAGE et TEC-RED , les peptides spectroscopiques de masse et les domaines protéiques conservés) sont utiles pour affiner les structures, en particulier lorsque l'expression est faible et que les transcriptions ne sont donc pas suffisamment disponibles. Lorsque les gènes sont conservés entre les espèces de nématodes disponibles, l'analyse comparative peut également être très instructive.

WormBase encourage les chercheurs à les informer via le service d'assistance s'ils ont des preuves d'une structure génétique incorrecte. Toute preuve de séquence d'ADNc ou d'ARNm de ce changement doit être soumise à EMBL/GenBank/DDBJ ; cela aide à la confirmation et à la preuve du modèle génétique car WormBase récupère systématiquement les données de séquence à partir de ces bases de données publiques. Cela rend également les données publiques, ce qui permet de les référencer et de les remercier de manière appropriée.

Lorsqu'une modification est apportée à un CDS (ou à un pseudogène), l'ancien modèle génétique est conservé en tant qu'objet « historique ». Celui-ci aura un nom de suffixe tel que : « AC3.5:wp119 », où « AC3.5 » est le nom du CDS et « 119 » fait référence à la version de la base de données dans laquelle la modification a été apportée. La raison du changement et la preuve du changement sont ajoutées à l'annotation du CDS. Elles peuvent être consultées dans la section Visible/Remarque de la section « Affichage de l'arborescence » du CDS sur le site Web de WormBase.

Dans WormBase, un gène est une région exprimée ou une région qui a été exprimée et qui est maintenant un pseudogène. Les gènes ont des identifiants uniques tels que « WBGene00006415 ». Tous les gènes C. elegans WormBase ont également un nom de séquence, qui est dérivé du cosmide, du fosmide ou du clone YAC sur lequel ils résident, par exemple F38H4.7 , indiquant qu'il se trouve sur le cosmide « F38H4 », et qu'il existe au moins 6 autres gènes sur ce cosmide. Si un gène produit une protéine qui peut être classée comme membre d'une famille, le gène peut également se voir attribuer un nom CGC comme tag-30 indiquant qu'il s'agit du 30e membre de la famille de gènes tag . L'attribution des noms de familles de gènes est contrôlée par WormBase. Avant publication, les demandes de noms doivent être faites dans WormBase.

Il existe quelques exceptions à ce format, comme les gènes cln-3.1 , cln-3.2 et cln-3.3 qui sont tous également similaires au gène humain CLN3 . Les noms de gènes GCG pour les espèces non-elegans dans WormBase ont le code d'espèce à 3 lettres préfixé, comme Cre-acl-5 , Cbr-acl-5 , Cbn-acl-5 .

Un gène peut être un pseudogène ou peut exprimer un ou plusieurs gènes d'ARN non codants (ncRNA) ou séquences codantes pour des protéines (CDS).

Les pseudogènes sont des gènes qui ne produisent pas de transcription fonctionnelle raisonnable. Il peut s'agir de pseudogènes de gènes codants ou d'ARN non codant et ils peuvent être entiers ou fragmentaires et peuvent ou non exprimer une transcription. La limite entre ce qui est considéré comme une transcription codante raisonnable est parfois subjective car, en l'absence d'autres preuves, l'utilisation de sites d'épissage faibles ou d'exons courts peut souvent produire un modèle putatif, bien qu'insatisfaisant, d'un CDS. Les pseudogènes et les gènes ayant une structure problématique sont constamment examinés dans WormBase et de nouvelles preuves sont utilisées pour tenter de résoudre leur statut.

Les séquences codantes (CDS) sont la seule partie de la structure d'un gène qui est organisée manuellement dans WormBase. La structure du gène et de ses transcriptions sont dérivées de la structure de leurs CDS.

Les CDS ont un nom de séquence dérivé du même nom de séquence que leur objet gène parent, de sorte que le gène « F38H4.7 » possède un CDS appelé « F38H4.7 ». Le CDS spécifie les exons codants dans le gène depuis le codon START (méthionine) jusqu'au codon STOP (inclus).

Tout gène peut coder pour plusieurs protéines à la suite d'un épissage alternatif. Ces isoformes ont un nom formé à partir du nom de séquence du gène auquel est ajoutée une lettre unique. Dans le cas du gène bli-4, il existe 6 isoformes CDS connues, appelées K04F10.4a, K04F10.4b, K04F10.4c, K04F10.4d, K04F10.4e et K04F10.4f.

Il est courant de faire référence aux isoformes dans la littérature en utilisant le nom de la famille de gènes CGC suivi d'une lettre, par exemple pha-4a , mais cela n'a aucune signification dans la base de données WormBase et les recherches de pha-4a dans WormBase ne donneront aucun résultat. Le nom correct de cet isoforme est soit le nom CDS/Transcript : F38A6.1a , soit encore mieux, le nom de la protéine : WP:CE15998 .

Les transcriptions d'un gène dans WormBase sont automatiquement dérivées en mappant tous les alignements d'ADNc ou d'ARNm disponibles sur le modèle CDS. Ces transcriptions de gènes incluront donc souvent les exons UTR entourant le CDS. S'il n'y a pas de transcriptions d'ADNc ou d'ARNm disponibles, les transcriptions de gènes auront exactement la même structure que le CDS sur lequel elles sont modélisées.

Les transcriptions génétiques sont nommées d'après le nom de séquence du CDS utilisé pour les créer, par exemple, F38H4.7 ou K04F10.4a .

Cependant, s'il existe un épissage alternatif dans les UTR, qui ne modifierait pas la séquence protéique, les transcrits épissés alternativement sont nommés avec un chiffre ajouté, par exemple : K04F10.4a.1 et K04F10.4a.2 . S'il n'existe pas d'isoformes du gène codant, par exemple AC3.5 , mais qu'il existe un épissage alternatif dans les UTR, il y aura plusieurs transcrits nommés AC3.5.1 et AC3.5.2 , etc. S'il n'existe pas de transcrits UTR alternatifs, le transcrit coding_transcript unique porte le même nom que le CDS et n'a pas le .1 ajouté, comme dans le cas de K04F10.4f.

Les groupes de gènes co-transcrits en tant qu'opérones sont organisés en objets Opéron. Ceux-ci portent des noms tels que CEOP5460 et sont organisés manuellement à l'aide de preuves provenant des sites de séquence leader trans-épissés SL2.

Il existe plusieurs classes de gènes d'ARN non codants dans WormBase :

• Les gènes d'ARNt sont prédits par le programme « tRNAscan-SE ».
• Les gènes d'ARNr sont prédits par homologie avec d'autres espèces.
• Les gènes snRNA sont principalement importés de Rfam .
• Les gènes piRNA proviennent d'une analyse du motif caractéristique de ces gènes.
• Les gènes miRNA ont été principalement importés depuis miRBase . Ils ont le transcrit primaire et le transcrit mature marqués. Le transcrit primaire aura un nom de séquence comme W09G3.10 et le transcrit mature aura une lettre ajoutée à ce nom comme W09G3.10a (et s'il existe des transcrits matures alternatifs, W09G3.10b , etc.).
• Les gènes snoRNA sont principalement importés de Rfam ou d'articles.
• Les gènes ncRNA qui n'ont pas d'autre fonction évidente mais qui ne sont manifestement pas codants pour des protéines et ne sont pas des pseudogènes sont sélectionnés. Beaucoup d'entre eux ont conservé une homologie avec des gènes d'autres espèces. Quelques-uns d'entre eux sont exprimés dans le sens inverse des gènes codant pour des protéines.

Il existe également un gène scRNA.

Les transposons ne sont pas classés comme des gènes et n'ont donc pas d'objet gène parent. Leur structure est organisée en tant qu'objet Transposon_CDS avec un nom tel que C29E6.6 .

Les espèces non-elegans de WormBase ont des génomes qui ont été assemblés à partir de technologies de séquençage qui n'impliquent pas le séquençage de cosmides ou de YAC. Ces espèces n'ont donc pas de noms de séquence pour les CDS et les transcriptions de gènes basés sur les noms de cosmides. Au lieu de cela, elles ont des identifiants alphanumériques uniques construits comme les noms dans le tableau ci-dessous.

Les produits protéiques du gène sont créés en traduisant les séquences CDS. Chaque séquence protéique unique reçoit un nom d'identification unique comme WP:CE40440 . Des exemples de noms d'identifiants protéiques pour chaque espèce dans WormBase sont donnés dans le tableau ci-dessous.

Il est possible que deux séquences CDS provenant de gènes distincts, au sein d'une même espèce, soient identiques et qu'il soit donc possible d'avoir des protéines identiques codées par des gènes distincts. Lorsque cela se produit, un nom d'identification unique est utilisé pour la protéine même si elle est produite par deux gènes.

WormBase ParaSite est un sous-portail pour environ 100 génomes préliminaires d'helminthes parasites ( nématodes et plathelminthes ) développés à l' Institut européen de bioinformatique et au Wellcome Trust Sanger Institute . Tous les génomes sont assemblés et annotés. Des informations supplémentaires telles que les domaines protéiques et les termes d'ontologie génétique sont également disponibles. Les arbres génétiques permettent l'alignement des orthologues entre les vers parasites, les autres nématodes et les espèces de comparaison non vermifuges. Un outil d'exploration de données BioMart est proposé pour permettre un accès à grande échelle aux données.

WormBase est une collaboration entre l' Institut européen de bioinformatique , le Wellcome Trust Sanger Institute , l'Institut ontarien de recherche sur le cancer , l'Université de Washington à St. Louis et le California Institute of Technology . Il est soutenu par la subvention P41-HG002223 des National Institutes of Health et la subvention G0701197 du British Medical Research Council . Caltech effectue la conservation biologique et développe les ontologies sous-jacentes, l'EBI effectue la conservation et le calcul des séquences ainsi que la création de bases de données, le Sanger est principalement impliqué dans la conservation et l'affichage des génomes et des gènes des nématodes parasites, et l'OICR développe le site Web et les principaux outils d'exploration de données.