Workflow para encontrar ORFs en el extremo 5' y motivos de deslizamiento de la polimerasa en secuencias genómicas de miembros de la Familia Potyviridae

Abstract

Plant viruses, in particular Potyvirus and Ipomovirus, are pathogens that cause serious economic losses in agricultural crops. Knowing their gene products can be useful to design strategies to control these pathologies. There is a need to increase knowledge about viral plant pathogens, automating the recording and analysis of their genomes, at a time when genome sequencing is very accessible to researchers. Both the uORFs and the slip zones of the polymerase, are events that respond to an evolutionary need of viruses subject to a certain type of condition. Many of these events generate strategies for viruses to improve their adaptability and infective capacity. Knowledge of these areas helps us to understand their biology and prevent their potential risks. In this sense, this work attempts to resolve some of these issues. The uORFs are searched in the 5'-UTR zones of Ipomovirus. Additionally, FIMO and gkm-SVM are also tested as tools for the search of polymerase slippage zones. Finally, on the use of these two tools, it is found that gkm-SVM is a powerful classification algorithm much more accurate than FIMO in the search for polymerase slippage zones, however, the training costs of the algorithm are much higher than the search for motives using FIMO.

Los virus de plantas, y en concreto Potyvirus e Ipomovirus, son patógenos que causan graves pérdidas económicas en cultivos agrícolas. Conocer sus productos génicos puede servir para diseñar estrategias de control de estas patologías. Existe una necesidad en aumentar el conocimiento sobre patógenos virales de plantas, automatizando la anotación y análisis de sus genomas, en un momento en que la secuenciación de genomas es muy accesible para los investigadores. Tanto los uORFs como las zonas de deslizamiento de la polimerasa, son eventos que responden a una necesidad evolutiva de los virus sometidos a un cierto tipo de condición. Muchos de estos eventos generan estrategias para que los virus mejoren su adaptabilidad y capacidad infectiva. El conocimiento de estas zonas nos ayuda a entender conocer su biología y a prevenir sus potenciales riesgos. En este sentido, este trabajo intenta resolver algunas de estas cuestiones. Se realiza la búsqueda de uORFs en la zonas 5¿-UTR de Ipomovirus. Además, se prueban FIMO y gkm-SVM como herramientas para la búsqueda de zonas de deslizamiento de la polimerasa. Finalmente, sobre el uso de estas dos herramientas, se encuentra que gkm-SVM es un algoritmo de clasificación poderoso mucho más preciso que FIMO en la búsqueda de zonas de deslizamiento de la polimerasa, sin embargo, podemos encontrar que los costos de entrenamiento del algoritmo son mucho mayores que la búsqueda de motivos mediante FIMO.

Els virus vegetals, en particular Potyvirus i Ipomovirus, són patògens que causen greus pèrdues econòmiques en els cultius agrícoles. Conèixer els seus productes gènics pot ser útil per dissenyar estratègies per controlar aquestes patologies. Cal augmentar el coneixement sobre els patògens de plantes víriques, automatitzant el registre i l'anàlisi dels seus genomes, en un moment en què la seqüenciació del genoma és molt accessible per als investigadors. Tant els uORFs com les zones de relliscament de la polimerasa, són esdeveniments que responen a una necessitat evolutiva de virus sotmesos a un determinat tipus de condició. Molts d'aquests esdeveniments generen estratègies per a virus per millorar la seva adaptabilitat i capacitat infecciosa. El coneixement d'aquestes àrees ens ajuda a comprendre la seva biologia i a prevenir els possibles riscos. En aquest sentit, aquest treball intenta resoldre alguns d'aquests problemes. Les uORF es busquen a les zones 5'-UTR de Ipomovirus. A més, FIMO i gkm-SVM també es proven com a eines per a la cerca de zones de lliscament de la polimerasa. Finalment, sobre l'ús d'aquestes dues eines, es troba que gkm-SVM és un potent algorisme de classificació molt més precís que el FIMO en la cerca de zones de lliscament de la polimerasa, però, els costos de formació de l'algorisme són molt més alts per cercar motius mitjançant FIMO.