Le génome en chiffre - part 1

Ça faisait longtemps que j'avais envie de faire une description numérique du génome. Vous savez ces chiffres repères qui nous permettent de faire des comparaisons et de répondre à des questions du genre : "Est-ce que cette montagne est grande ?" Si vous n'avez pas de référence, comme la taille du Mont Blanc, ça va être difficile de vous faire une idée...
Nous allons faire pareil sur le génome humain ! Et pour être sûr qu'une organisation maçonnique n'a pas volontairement mis des faux chiffres sur internet, nous allons tout calculer par nous-même ! Ça sera l'occasion de faire un peu de bash et d'apprendre quelques commandes !

Télécharger le génome humain

Tout d'abord si vous n'avez pas le génome de référence, télécharger le depuis le goldenpath d'UCSC. C'est le fichier hg19.2bit qui fait 778M.

$ wget http://hgdownload.soe.ucsc.edu/goldenPath/hg19/bigZips/hg19.2bit

Ce fichier est compressé. En fait chaque base est codée sur 2 bits au lieu de 8. On peut le convertir en fichier texte standard avec la commande twoBitToFa disponible également sur UCSC.

$ wget http://hgdownload.cse.ucsc.edu/admin/exe/linux.x86_64/twoBitToFa
$ chmod +x twoBitToFa 
$ ./twoBitToFa hg19.2bit hg19.fa

Vous voilà avec un fichier fasta, contenant les séquences de chaque chromosome humain... Chaque.. En fait, non! Ce fichier contient des chromosomes en double avec des séquences alternatives ainsi que le chromosome mitochondrial. Tapez cette commande pour voir tous les noms des chromosomes du fichier hg19.fa.

$ cat hg19.fa|grep ">chr"

Nous allons plutôt créer un fichier avec uniquement les chromosomes nucléaires de 1 à 22 et les deux chromosomes sexuels X et Y. Il y a un outil faSomeRecords sur UCSC qui fait très bien le travail. Il prend en argument notre génome hg19.fa et un fichier avec la liste des chromosomes souhaités.

$ wget http://hgdownload.cse.ucsc.edu/admin/exe/linux.x86_64/faSomeRecords
$ chmod +x faSomeRecords
#Création d'une liste de chromosomes 
$ for i in {1..22}; do echo chr$i; done > chromosomes.list
$ echo chrX >> chromosomes.list 
$ echo chrY >> chromosomes.list 
$ ./faSomeRecords hg19.fa chromosomes.list hg19_clean.fa

Voilà, un fichier tout propre contenant uniquement les 24 chromosomes du génome humain.

Quel est la taille du génome humain ?

Il suffit de compter le nombre de bases! On supprime tous les retours à la ligne du fichier fasta et on compte avec la commande wc -c !

$ cat hg19_clean.fa|grep -v "chr." | tr --delete "\n" | wc -c
$ 3095677412

3'095'677'412 c'est le nombre de nucléotides qu'il y a dans le fichier du génome humain. Retenez donc que le génome est constitué d'environ 3 milliards de paires de base.

Pourcentage en GC du génome humain ?

Pour ça, je vous propose d'utiliser un de mes outils préférés : bedtools ! Le couteau suisse du bioinformaticien. Il est en principe dans les dépôts d'Ubuntu mais je vous conseille la dernière version depuis le site officiel :

$ wget https://github.com/arq5x/bedtools2/releases/download/v2.25.0/bedtools-2.25.0.tar.gz
$ tar -zxvf bedtools-2.25.0.tar.gz
$ cd bedtools2
$ make 
$ sudo make install

Pour connaître le pourcentage en base A,C,G,T on utilise bedtools nuc. Cette commande permet de compter les pourcentages en base A,C,G,T dans un fichier fasta à partir des régions chromosomiques définies dans un fichier bed. On va calculer ces pourcentages pour chaque chromosome.
Pour aller plus vite, on peut télécharger le fichier hg19.chrom.sizes. Celui-ci contient sur chaque ligne, le nom du chromosome et sa taille en bases. On va s'en servir pour créer le fichier nécessaire à bedtools.

$ wget http://hgdownload.soe.ucsc.edu/goldenPath/hg19/bigZips/hg19.chrom.sizes
$ cat hg19.chrom.sizes|grep -we "chr[0-9XY]*"|awk 'BEGIN{OFS="\t"}{print $1,0,$2}' > hg19_clean.sizes.bed

Assurez-vous que la somme des tailles des chromosomes tombe bien sur les 3 milliards précédents.

$ cat hg19_clean.sizes.bed|cut -f3|paste -sd "+"|bc

Lancer alors la commande :

$ bedtools nuc -fi hg19_clean.fa -bed hg19_clean.sizes.bed > hg19.stat

Vous obtenez un fichier contenant pour chaque chromosome, le nombre de nucléotides A,T,C,G,N avec le pourcentage en AT et CG. N’hésiter pas à regarder l'aide de la commande.
Le pourcentage en GC du génome humain tourne autour de 37%. Avec comme extrêmes le chromosome 19 (48%) et le chromosome Y (25%).

Pourcentage en base A,C,G,T

Dans le fichier hg19.stat précédemment généré, on observe aussi le nombre de bases A,C,G,T. On faisant la somme, on obtient sur tout le génome :

  • 846093191 bases T soit 27.2%
  • 844862932 bases A soit 27.3%
  • 585012752 bases C soit 18.8%
  • 585358256 bases G soit 18.9%

Olaa.. Attendez c'est quoi ce truc ? Il y a quasiment autant de base A que de T, et autant de base C que de G. Détrompez-vous, si vous pensez que c'est la loi de Chargaff expliquant la complémentarité des brins, car cette répartition est sur un seul brin d'ADN ! Pas de double brin dans l'histoire ! C'est comme si dans un livre de 3 milliards de lettre, il y avait autant de "s" que de "a".
Bien sûr j'ai recherché, j'ai demandé, j'ai eu toutes les réponses inimaginables. En fait c'est ce qu'on appelle la seconde loi de Chargaff, beaucoup moins connu! Et je vous assure, je n'ai pas encore trouvé d'explication, si ce n'est celle-ci

Combien de gènes dans le génome humain ?

Dans le génome il y a des gènes constitués d'intron et d'exon. Et chaque gène défini plusieurs transcrits.
On peut télécharger refseq, une base de donnée contenant tous les gènes officiels ! Dans le fichier, ces colonnes vont nous intéresser par la suite.

  • colonne 3 : le chromosome
  • colonne 5 : le début du transcrit
  • colonne 6 : la fin du transcrit
  • colonne 7 : début du CDS
  • colonne 8 : fin du CDS
  • colonne 9 : le nombre d'exons
  • colonne 10: liste des débuts d'exons
  • colonne 11: liste des fins d'exons
  • colonne 13 : le nom du gène

Pour télécharger :

$ wget wget http://hgdownload.cse.ucsc.edu/goldenPath/hg19/database/refGene.txt.gz

Compter le nombre de gènes uniques :

$ zcat refGene.txt.gz|cut -f13|sort -u | wc -l
$ 27048

Votre Deuxième chiffre à retenir ! Environ 27000 gène constitue le génome humain !

Quel est le pourcentage d'exons ?

Dans le fichier refseq, colonne 10 et 11, nous avons tous les débuts et les fins des exons. J'ai juste fait la somme des différences entre fin d'exon et début d'exon sur tous les gènes uniques. Avec awk, ça se fait tout seul :

$ zcat refGene.txt.gz|sort -u -k 13,13|awk '{SUM=0;split($10,s,","); split($11,e,",");for(i=1;i<length(s);i++){SUM+=e[i] - s[i]};print SUM}'|paste -sd "+"|bc 
$ 72090466

On obtient 72090466, le nombre de bases dans les exons. En le divisant par la taille du génome, on se retrouve avec : 2.32 % du génome est constitué d'exon.

Quel est le pourcentage de bases codantes ?

Pour cela, j'ai crée un fichier bed qui contient la position de tous les exons. Et un second fichier contenant la position de toutes les cds. J'ai ensuite fait l'intersection avec bedtools.

$ zcat refGene.txt.gz|sort -u -k 13,13|awk 'BEGIN{OFS="\t"}{SUM=0;split($10,s,","); split($11,e,",");for(i=1;i<length(s);i++){print $3,s[i],e[i]} }' > exons.bed

$ zcat refGene.txt.gz|sort -u -k 13,13|awk 'BEGIN{OFS="\t"}{print $3,$7,$8 }' > cds.bed

$ bedtools intersect -a exons.bed -b cds.bed | awk '{print $3-$2}'|paste -sd "+" | bc

On obtient 35269084, le nombre de base codante. Ce qui fait 1.13 % du génome. 1% du génome est codant. Oui... C'est vraiment pas beaucoup !

Quel est le pourcentage d'intron ?

Même logique, j'ai fait les zones transcrites soustraites des exons. Ce qui nous donne les introns avec les UTR.

$ zcat refGene.txt.gz|sort -u -k 13,13|awk 'BEGIN{OFS="\t"}{print $3,$5,$6 }' > transcrits.bed

$ bedtools substract -a transcrits.bed -b exons.bed | awk '{print $3-$2}'|paste -sd "+" | bc

On obtient 1184956505 bases dans les introns/UTRs soit 38.2 % du génome ! Il reste tout de même plus de 60% d'inconnu ! Dans un prochain article, on s'y attaque !

Combien de mutations me distinguent du génome de référence ?

On ne va pas prendre mon génome... Mais celui de James Watson co-découvreur de la structure de l'ADN avec Francis Crick et Rosalind Franklin. Son génome a été séquencé et distribué librement. Nous allons télécharger un fichier contenant uniquement les différences entre le génome de Watson et le génome de référence. C'est-à-dire un fichier contenant sur chaque ligne, la position et la base alternative.

$ wget http://hgdownload.cse.ucsc.edu/goldenpath/hg19/database/pgWatson.txt.gz

En comptant le nombre de ligne :

$ cat pgWatson.txt.gz | wc -l

On obtient 2059384 variants. Environs 2 millions de bases distinguent James Watson du génome de référence. En pourcentage, ça nous fait : 0.06 %

Combien de mutations je partage avec un autre individu ?

On va regarder les variants que partagent Craig Venter et James Watson. Même chose que précédemment, on récupère les données de Venter.

$ wget http://hgdownload.cse.ucsc.edu/goldenpath/hg19/database/pgVenter.txt.gz

Ensuite on transforme le fichier de Watson et Craig en fichier bed.

$ zcat pgVenter.txt.gz |cut -f2,3,4|sort > venter.bed
$ zcat pgWatson.txt.gz |cut -f2,3,4|sort > watson.bed

Puis on fait l'intersection :

$ bedtools intersect -a venter.bed -b watson.bed|wc -l

On trouve alors 1'192'314 de variants en commun entre Venter et Watson!

Conclusion

Nous allons nous arrêter là pour le moment, sinon on ne finira jamais ! Pour cette fois retenez ceci : Votre ADN est composé de 3 millards de paires bases. 1% constitue le génome codant pour 25 000 gènes. Et 1 million de variants vous distinguent d'un autre individu.
Dans le prochain article, nous allons poser d'autres questions beaucoup plus précises. Où se trouvent les variations ? Qu'y a-t-il dans les 60% de l'ADN ? Quelles sont les mutations les plus fréquentes ? Posez vos questions dans les commentaires, j'essaierai d'y répondre!

Remerciement

@ZaZo0o

Go Top
comments powered by Disqus