GENOMICA FUNCIONAL Y BIOINFORMÁTICA -

Metabolómica en Plantas

PROYECTO DE TESIS

METABOLIC PHENOTYPES GENERATED BY CHANGES IN H +-PYROPHOSPHATASE (AVP1) EXPRESSION IN Arabidopsis thaliana ECOTYPE COLUMBIA (MAYO DE 2009)

M.C. MARÍA EUGENIA GARCÍA FIERRO Asesor: Dra. Rocio Díaz Co-Asesor: Dr. Víctor Treviño

RESISTENCIA A SEQUÍA

Tesis de María Eugenia García Fierro

RESISTENCIA A SEQUÍA

Arabidopsis thaliana

Tesis de María Eugenia García Fierro

METODOLOGÍA

Tesis de María Eugenia García Fierro

CROMATOGRAFÍA

DETECCIÓN DE PICOS

PICOS DETECTADOS

LISTA DE PICOS

PICOS

PARÁMETROS

PRE-PROCESAMIENTO

Use el archivo de BB “MZmine XML mod negativo.txt” Edítelo en Excel para darle “formato” para MeV

Una las columnas ID,MZ y RT usando la función concatenate para que queden en formato “ID:#:MZ:#:RT:#”

Use redondeo con 1 decimal para evitar id largos Elimine las columnas originales ID, MZ y RT para que MeV

no las interprete como datos Copie los valores de la columna concatenada antes de borrar

estas columnas y luego restaurelos usando “paste especial .. Values” para evitar perderlos

Remplace las celdas vacias con 1 (recuerde que log(1) = 0) Guarde el archivo “como” “metabolomica.txt” usando

“separado por tabuladores” (en excel)

PROCESAMIENTO DE DATOS DE METABOLÓMICA USANDO MEV

Ábra el archivo “metabolómica.txt” en MeV (use el tipo separado por tabuladores)

Inactive “Load Annotations”

REVISE LOS DATOS

Ajuste los niveles de colores (DisplaySet Color Scale Limits)

Ajuste el tamaño de la celda (DisplaySet Element Size)

TRANSFORMACIÓN

Es necesaria la transformación logarítmica? En caso de ser

necesario, haga la transformación

Reajuste los límites de visualización

Revise los datos visualmente

NORMALIZACIÓN

Es necesario la normalización ? En caso de ser

necesaria la normalización, efectúela

Reajuste los niveles de colores

Revise los datos

AGREGE LOS GRUPOS

Vamos a agrupar los datos en clusters, en este caso son diferentes muestras de la misma cepa Wild Type Mutante

heterocigota Mutante homocigota Sobreexpresora 1 Sobreexpresora 2

HIERARCHICAL CLUSTERING

Haga un agrupamiento usando todos los datos Analice los clusters formados

relacionados con los grupos de muestras

Efectue una ANOVA con los 5 grupos (p < 0.005)

Haga un agrupamiento ahora usando solo los estadísticamente significativos usando la ANOVA anterior

Analice los grupos de los picos significativos y comparelos con la agrupación inicial

HIERARCHICAL CLUSTERING (INCLUYENDO PICOS)

Podemos ver picos que estan presentes en una cepa con respecto de otra o WT

PCA – PRINCIPAL COMPONENT ANALYSIS Efectue un PCA por

Muestras Data Reduction PCA (usando

medias) Visualice el 3D View de los

resultados de PCA Si no se ven las muestras

(puntos) use el botón derecho

Use Show Spheres Use Show Text Options… point size

La gráfica muestras un “nuevo sistema coordenado” dictado por las 3 primeras componentes principales

También podemos tener una vista 2D

PCA

En los resultados de PCA podemos además ver… Los valores de carga

(pesos) PC Plots PC Information

El % de varianza explicado por cada PC

Las componentes importantes se toman “subjetivamente” hasta cierto límite

Por ejemplo hasta la PC5 ya que %Var de PC6 < 5%

PCA

La idea en PCA es explorar la posibilidad de que un par de PCA puedan correlacionar los grupos de interés (clusters) PC1 ~ Homocigoto (-)

vs Sobreproductora (+) Use las gráficas de

PCA (3D y 2D) para identificar las mejores

PCA – SELECCIÓN DE VARIABLES

Una vez que ubicamos la PC que deseamos usar…. Usamos sus valores de pesos para seleccionar las mejores variables

Pesos Positivos relacionados aAVP1 y AVP2

Pesos Negativos relacionados aavpH

PCA – SELECCIÓN DE VARIABLES

Los vectores de pesos de cada componente estan en PC Information

Component i

Copielos y peguelos en excel, los mayores (positivos y negativos) son los más importantes