DE19941606A1 - Verfahren zum Ermitteln von Nuklein- und/oder Aminosäuresequenzen - Google Patents

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zum Ermitteln potentiell bedeutsamer DNA- und/oder Nukleinsäuresequenzen einer interessierenden Spezies (Artsequenzen). Um ein Verfahren zum Ermitteln von DNA- und/oder Nukleinsäuresequenzen zu schaffen, bei welchem gezielt solche DNA- und/oder Nukleinsäuresequenzen herausselektiert werden, die eine potentiell erhöhte Bedeutsamkeit haben, daß heißt, die mit erheblich weniger Forschungsaufwand gezielt im Hinblick auf bestimmte Funktionen untersucht werden können, insbesondere im Hinblick auf eine potentielle Krankheitsrelevanz, als dies bei den übrigen, nicht auf diese Weise selektierten DNA-Sequenzen möglich wäre, werden erfindungsgemäß die folgenden Verfahrensschritte vorgeschlagen: DOLLAR A a) Ermitteln beliebiger Artsequenzen der interessierenden Spezies mit biologischen bzw. gentechnischen Methoden und Speichern der Artsequenzen in einer ersten Datenbank, DOLLAR A b) Erfassen bekannter DNA-/Nukleinsäuresequenzen einer vorgegebenen Gruppe anderer Arten (Biosequenzen) einschließlich der funktionalen Bedeutung dieser Sequenzen in einer zweiten Datenbank, in welcher die Biosequenzen und Zusatzinformationen einschließlich der funktionalen Bedeutung einzelner Biosequenzen gespeichert sind, DOLLAR A c) Vegleichen der bereits bekannten Artsequenzen der interessierenden Spezies mit den Biosequenzen der in der zweiten Datenbank gespeicherten, vorgegebenen Gruppe von Biosequenzen in einem Homologietest, DOLLAR A d) Aussondern derjenigen Biosequenzen der ...

Description

Die vorliegende Erfindung betrifft ein Verfahren zum Erfassen von DNA- und/oder Nuklein­ säuresequenzen und insbesondere ein Verfahren zur Erfassung solcher DNA- und/oder Nukleinsäuresequenzen einer gegebenen Spezies (im folgenden kurz als "Artsequenzen" bezeichnet), die eine potentiell erhöhte Bedeutsamkeit haben und die somit besonders loh­ nenswert erscheinende Forschungsobjekte sind.

Die Biowissenschaften und insbesondere die Gentechnologie haben in den vergangenen Jahren eine besonders rasante Entwicklung durchlaufen. Grundlage hierfür waren zum Bei­ spiel neue Verfahren zur Erzeugung und Vervielfältigung von gentechnischem Material, wie z. B. die Polymerase-Kettenreaktion (PCR) und immer bessere Methoden zur Aufspaltung genetischen Materials und zur Identifizierung der Bruchstücke im Detail, das heißt der ge­ nauen Abfolge von Nukleinsäuren, die entlang eines Genabschnittes angeordnet sind.

Dies hat dazu geführt, daß die Zahl der in ihrem genauen Aufbau ermittelten Genabschnitte verschiedener Arten immer schneller angewachsen ist und weiterhin anwächst. Ein sehr anspruchsvolles, aber in wenigen Jahren womöglich bereits erreichtes Ziel liegt in der voll­ ständigen Erfassung des menschlichen Genoms, das heißt der Erfassung sämtlicher Se­ quenzen, aus denen die menschlichen Gene zusammengesetzt sind, einschließlich der ge­ nauen Reihenfolge von Nukleinsäuren innerhalb der Sequenzen und der relativen Anord­ nung der einzelnen Sequenzen zueinander.

Auch wenn die Anordnung und Positionierung bestimmter Sequenzen schon eine nützliche Zusatzinformation bei der Ermittlung der funktionellen Bedeutung der betreffenden Sequen­ zen liefern kann, so ist doch die reine Kenntnis einer bestimmten Sequenz (Nukleinsäure- oder DNA-Sequenz) nur von sehr geringem Wert, solange man die genaue Funktion und Bedeutung des betreffenden Genabschnittes nicht erkannt und verstanden hat. Gerade dies spielt aber in der wissenschaftlichen Forschung und insbesondere in der Medizin eine immer größere Rolle. So sind z. B. bestimmte Krankheiten mit der konkreten Ausgestaltung ganz bestimmter Genabschnitte aufs Engste verknüpft und die genaue Kenntnis des funktionellen Zusammenhanges zwischen einem bestimmten Genabschnitt und der Ausprägung eines bestimmten Krankheitsbildes kann daher von enormer therapeutischer Bedeutung sein, da sich dann viel leichter Pharmazeutika entwickeln lassen, die exakt ein krankhaftes Defizit ausgleichen. Gegebenenfalls kann sogar eine vollständige Heilung dadurch herbeigeführt werden, daß durch Gabe eines Therapeutikums, z. B eines Inhibitors eines Genproduktes eines kranheitsrelevanten Gens, der gesunde Gleichgewichtszustand wieder erreicht wird. Dies gilt selbstverständlich nicht nur für die menschliche Spezies, sondern im Prinzip für jede Art von Lebewesen, das heißt sowohl für alle Tier- und Pflanzenarten als auch für mi­ krobiologische Arten.

Wie bereits erwähnt, ist das reine Auffinden immer neuer DNA- oder Nukleinsäuresequen­ zen ohne Kenntnis von deren funktionaler Bedeutung eine relativ nutzlose Sammlung von Daten, da es kaum möglich ist, in gezielter biologischer bzw. medizinischer Forschung die funktionale Bedeutung einzelner Sequenzen oder Sequenzabschnitte auch nur annähernd in dem Tempo zu ermitteln, in dem neue Sequenzen ermittelt werden.

Außerdem ist die Ermittlung der funktionellen Bedeutung von DNA-Sequenzen, auf deren Funktion es keinerlei Hinweise gibt, neben dem dafür erforderlichen Zeitaufwand auch au­ ßerordentlich kosten- und personalintensiv und bindet damit viele Kapazitäten.

Ausgehend von diesem Stand der Technik liegt der vorliegenden Erfindung die Aufgabe zugrunde, ein Verfahren zum Ermitteln von DNA- und/oder Nukleinsäuresequenzen zu schaffen, bei welchem gezielt solche DNA- und/oder Nukleinsäuresequenzen herausselek­ tiert werden, die eine potentiell erhöhte Bedeutsamkeit haben, das heißt die mit erheblich weniger Forschungsaufwand gezielt im Hinblick auf bestimmte Funktionen untersucht wer­ den können, insbesondere im Hinblick auf eine potentielle Kranheitsrelevanz, als dies bei den übrigen, nicht auf diese Weise selektierten DNA-Sequenzen möglich wäre.

Diese Aufgabe wird durch die Merkmale des Anspruchs 1 gelöst, wobei die abhängigen An­ sprüche vorteilhafte Ausgestaltungen der Erfindung darstellen, durch die die Selektion nochmals verfeinert wird und durch die zusätzliche Informationen gewonnen werden, welche den notwendigen Forschungsaufwand noch weiter reduzieren.

Das erfindungsgemäße Verfahren besteht aus mehreren Schritten, wobei die Reihenfolge der nachstehend aufgelisteten Schritte jedoch mindestens teilweise auch variabel ist. Zum Beispiel könnten zunächst die Schritte b und c und anschließend erst der Schritt a des An­ spruchs 1 ausgeführt werden.

Gemäß Schritt a werden im Prinzip beliebige Artsequenzen einer interessierenden Spezies mit biologischen bzw. gentechnischen Methoden ermittelt. Die ermittelten Artsequenzen werden in einer üblichen Nomenklatur als Buchstabencode, der z. B. aus vier Buchstaben besteht, in einer ersten Datenbank gespeichert.

Weiterhin werden gemäß Schritt b alle bekannten DNA- und/oder Nukleinsäuresequenzen einer vorgegebenen Gruppe biologischer Arten oder Klassen in einer zweiten Datenbank erfaßt, in der im allgemeinen auch die funktionalen Bedeutungen solcher Sequenzen zu­ sammen mit den Sequenzen gespeichert sind. Derartige, öffentlich zugängliche Datenban­ ken enthalten außerdem mitunter weitere Zusatzinformationen zu den einzelnen Sequen­ zen. Lediglich zur besseren Unterscheidung werden diese von mehreren Arten stammenden Sequenzen hier kurz als "Biosequenzen" bezeichnet, während Sequenzen der interessie­ renden Spezies hier durchgehend als "Artsequenzen" bezeichnet werden. Die vorgegebene Gruppe von Arten oder Klassen kann, muß jedoch nicht die interessierende Spezies ent­ halten. Im Gegenteil, gemäß der vorliegenden Erfindung sind es gerade die über andere Arten in solchen Datenbanken enthalten Informationen, die gemäß der vorliegenden Erfin­ dung mit einem ausgeklügelten Verfahren selektiert werden, die dann durch die Verknüp­ fung mit anderen Informationsquellen mit Hilfe des erfindungsgemäßen Verfahrens indirekt Hinweise auf die Bedeutung bestimmter Sequenzen der interessierenden Art liefern.

Gemäß Schritt c werden die in einer Datenbank gemäß Schritt b erfaßten Biosequenzen mit den ebenfalls bereits bekannten und möglicherweise in derselben Datenbank gespeicherten Artsequenzen (der interessierenden Art) in einem Homologietest verglichen, wobei wegen der relativ großen Zahl der miteinander zu vergleichenden Sequenzen ein möglichst einfa­ cher Homologietest verwendet werden sollte. Liegt dann die Homologie zwischen den be­ kannten Artsequenzen und den bekannten Biosequenzen über einem gewissen Schwellen­ wert, so werden all diese zu bekannten Artsequenzen homologen Biosequenzen gemäß Schritt d aus dem weiter zu betrachtenden Datenbestand ausgesondert. Damit ist die Menge der verbleibenden, bekannten Biosequenzen gegenüber den insgesamt öffentlich bekannten Biosequenzen nicht nur durch eine Beschränkung auf eine Gruppe bestimmter Arten redu­ ziert, sondern darüber hinaus auch noch auf diejenigen Sequenzen, zu denen bisher keine homologen Artsequenzen ermittelt wurden.

Die gemäß Schritt a gespeicherten bzw. neu ermittelten DNA-/Nukleinsäuresequenzen wer­ den dann in Schritt e mit diesem verbleibenden, reduzierten Bestand an Biosequenzen in einem Homologietest verglichen. Zweckmäßigerweise werden zur Bestätigung der Homolo­ gie und zum besseren Verständnis der übereinstimmenden Abschnitte der Sequenzen die Artsequenz und die hierzu homologe Biosequenz aneinander angepaßt. Wenn die Homolo­ gie über einem vorgegebenen zweiten Grenzwert liegt, so werden die betreffenden Biose­ quenzen gemäß Schritt f zusammen mit mindestens einem die zugehörige Biosequenz ein­ deutig identifizierenden Verknüpfungsglied abgespeichert bzw. als potentiell bedeutsame Artsequenz ausgegeben.

Durch die Verknüpfung mit einer oder mehreren bestimmten Biosequenzen, zu denen be­ reits Funktionsbeschreibungen und andere Zusatzinformationen bekannt sind, kann man sehr gezielt nach analogen Funktionen der neu ermittelten Artsequenzen suchen und hat dabei auch einen sehr hohen Grad von Erfolgswahrscheinlichkeit mit verhältnismäßig nied­ rigem Aufwand. Diese erhöhte Erfolgswahrscheinlichkeit bei niedrigem Aufwand macht die betreffenden Artsequenzen zu Artsequenzen potentiell erhöhter Bedeutsamkeit, da andere von ihrer Struktur und Länge her gleichwertige Artsequenzen, zu denen aber keine Homolo­ ge mit bekannten Funktionen existieren, einen erheblich größeren Aufwand bei der Ermitt­ lung ihrer funktionellen Bedeutung erfordern würden.

Allgemein werden verschiedene Informationspools durch die vorliegende Erfindung auf eine besondere, strategisch günstige Weise so miteinander verknüpft, daß ein Maximum an In­ formation zu einer Sequenz mit einem in der Praxis noch machbaren Minimum an Aufwand gewonnen wird. Dagegen würde eine nach üblichen mathematischen Kriterien vorgenom­ mene wechselseitige Verknüpfung aller zu jeweils einer Sequenz und deren Homologen gespeicherten Daten aus einer größeren Gruppe von biomedizinischen Datenbanken, wie sie vorliegend verwendet werden, alle derzeit verfügbaren Rechenkapazitäten bei weitem übersteigen.

Bei dem erfindungsgemäßen Verfahren lassen sich daher nicht nur wesentlich schneller und sicherer Erfolge bei der Entwicklung von Medikamenten und der Therapie von Krankheiten erzielen, sondern es ist diese Erfolgswahrscheinlichkeit bei gleichzeitig reduziertem For­ schungsaufwand beträchtlich erhöht.

Um diesen Aufwand noch weiter zu reduzieren, ist in einer bevorzugten Ausführungsform der Erfindung vorgesehen, daß gemäß einem weiteren Schritt g in den öffentlich zugängli­ chen Datenbanken Hinweise (Links) erfaßt werden, die dort zu Biosequenzen in der zwei­ ten, öffentlichen Datenbank gespeichert sind, und zwar zu den Biosequenzen, die zuvor als Homologe zu neuen Artsequenzen ermittelt wurden, wobei vorzugsweise solche Hinweise ausgewertet und verwendet werden, die auf eine taxonomisch organisierte Datenbank hin­ weisen. Eine solche taxonomisch organisierte Datenbank enthält zu den jeweiligen Biose­ quenzen nach einheitlichen wissenschaftlichen Kriterien ausgewählte Stichworte, die dann gemäß Schritt h mit einer vorgegebenen Liste von Stichworten verglichen werden, wobei diese Liste wiederum so ausgewählt ist, daß sie die Forschungsgebiete eines Benutzers abdeckt. Die betreffende Biosequenz und die zugehörige Artsequenz werden also nur dann in dem als lohnende Zielobjekte zu definierenden Datenbestand erhalten, wenn Überein­ stimmungen zwischen einer vorgegebenen Stichwortliste und den nach taxonomischen Kri­ terien vergebenen Stichwörtern in der entsprechenden Datenbank (dritte Datenbank) beste­ hen. Die betreffenden Stichwörter, die in gewisser Weise funktionale Bedeutungen reprä­ sentieren, lassen dann wiederum eine gezieltere Forschung nach den speziellen Eigen­ schaften einer Artsequenz zu.

Die Datenbank, in welcher neu ermittelte Artsequenzen für eine weitere Untersuchung ge­ speichert werden, kann eine öffentliche Datenbank sein, dürfte im Regelfall aber eine private Datenbank sein, zu der jeweils nur der Benutzer oder einige wenige Benutzer Zugang ha­ ben, jedoch nicht die Öffentlichkeit.

Dagegen hat die zweite Datenbank, in der auch Zusatzinformationen zu den betreffenden Biosequenzen und Hinweise auf andere Datenbanken und darin gespeicherte Informationen enthalten sind, im allgemeinen eine öffentliche Zugangsmöglichkeit.

Eine für die Zwecke der vorliegenden Erfindung besonders geeignete dritte Datenbank, die nach taxonomischen Kriterien ausgewählte Stichworte (MeSH Begriffe) enthält, ist die soge­ nannte "MEDLINE"-Datenbank. Diese Datenbank enthält zum einen eine Identifikations­ nummer für jede biomedizinische Literaturstelle und zusätzliche Informationen zusammen mit einer Reihe weiterer Daten, und unter anderem auch Stichworte, die als "medical subject headings" bezeichnet werden. Darüber hinaus gibt es Hinweise auf Fundstellen, Autoren, Veröffentlichungen. Und sogenannte RN Nummern.

Daneben enthält die MEDLINE Datenbank einen sogenannten Sequenz Identifier, der vor­ zugsweise als eines der notwendigen Verknüpfungsglieder benutzt wird.

Auf diese Weise ist es möglich, für einen Benutzer umfassende Informationen zu erzeugen und zusammenzustellen, der ursprünglich lediglich DNA-/Nukleinsäuresequenzen vorliegen hatte, zu denen keinerlei Informationen bekannt waren, wobei durch das erfindungsgemäße Verfahren automatisch auf dem Weg über Homologietests und das gezielte Filtern und Aus­ sondern von Informationsquellen umfassende Informationen zu einer Artsequenz erzeugt werden, die Bedeutung und Funktion der Sequenz charakterisieren und eine gezielte For­ schung ermöglichen. Alle Artsequenzen, für die auf diese Weise Funktionen und Bedeutun­ gen ermittelt werden können, werden uni diese Zusatzinformationen ergänzt. Sie können jedoch jederzeit wieder aufgegriffen werden, wenn der Datenbestand in der zweiten (öffent­ lich zugänglichen) Datenbank entsprechend erweitert worden ist, so daß sich auf diese Wei­ se auch zunächst ausgesonderte Artsequenzen bei einem späteren Durchlauf als lohnens­ werte Zielobjekte herausstellen können.

Die Homologietests, die zwischen Artsequenzen und Biosequenzen durchgeführt werden, werden vorzugsweise in einem Pipelineverfahren durchgeführt, so daß nicht immer kom­ plette Datenbestände erfaßt und verwaltet werden müssen.

Weiterhin ist es zweckmäßig, wenn auch über die bereits erwähnten Datenbanken hinaus weitere Datenbanken nach Verknüpfungen insbesondere mit der dritten Datenbank (MEDLINE) durchsucht werden, um im Falle einer entsprechenden Verknüpfung auch die Zusatzinformationen aus diesen zusätzlichen Datenbanken zu verwerten. Hierzu zählen insbesondere auch die als "OMIM" und "KEGG" bezeichneten Datenbanken.

Ein Ausführungsbeispiel der Erfindung wird im folgenden anhand von Figuren erläutert, wor­ aus sich weitere Vorteile, Merkmale und Anwendungsmöglichkeiten der vorliegenden Erfin­ dung ergeben. Es zeigen:

Fig. 1 ein Schema zur Reduktion der ermittelten Artsequenzen, wie es den Schritten a bis f in Anspruch 1 entspricht,

Fig. 2 ein Schema von Datenbanken und Datenbankverknüpfungen, wie sie für das weitere Auswerten von Informationen gemäß der vorliegenden Erfindung verwendet werden und

Fig. 3 die Wiedergabe einer Bildschirmdarstellung mit Bedienfeldern und Informationsfeldern zur einer (hypothetischen) Nukleinsäuresequenz.

Generell werden zunächst alle z. B. im Laufe einer Woche neu ermittelten DNA-Sequenzen bzw. Nukleinsäuresequenzen in einer üblichen Nomenklatur (in den standardmäßigen Buchstabencodes) in einer Datenbank gespeichert, wobei außerdem noch eine Identifikati­ onsnummer oder irgendeine andere Codierung zur Identifikation der betreffenden Sequenz vergeben und gleichzeitig abgespeichert wird. Weitere, zusätzlich mit abzuspeichernde In­ formationen sind z. B. die Sequenzlänge, die Art und andere Zusatzinformationen, die un­ mittelbar zusammen mit der Ermittlung einer solchen Sequenz zur Verfügung stehen. Die folgenden Verfahrensschritte laufen dann automatisch ab. Es wird auf eine öffentlich zu­ gängliche Sequenzdatenbank zugegriffen, die DNA- und/oder Nukleinsäuresequenzen der verschiedenen Arten enthält. Dabei wird durch die ursprüngliche Eingabe der interessieren­ den Spezies (z. B. Homo sapiens) bereits eine Einschränkung auf eine bestimmte Gruppe von Arten vorgenommen, von denen man sinnvollerweise eine Korrelation und funktionale Ähnlichkeit zu Genabschnitten der interessierenden Art vermuten kann.

Die öffentliche Sequenzdatenbank enthält bereits Daten über die interessierende Art. Daher wird zunächst ein Homologietest zwischen den in der öffentlichen Datenbank dokumentier­ ten Sequenzen der interessierenden Art mit den Biosequenzen der entsprechend ausge­ wählten Gruppe von Arten, die in derselben Datenbank gespeichert sind. Dabei werden alle Biosequenzen, die homolog zu den bereits in der öffentlichen Datenbank gespeicherten Art­ sequenzen sind ausgesondert, da sie offenbar schon Gegenstand entsprechender For­ schungen waren bzw. sind.

Zweckmäßigerweise werden die Ergebnisse dieses Verfahrensschrittes protokolliert, so daß bei einer Wiederholung desselben Vorganges z. B. eine Woche später alle bereits einmal ausgesonderten Biosequenzen von vornherein außer Betracht bleiben, was den Verfah­ rensablauf beträchtlich beschleunigt. Der Homologietest kann sich dann auf die neu hinzu­ gekommenen Biosequenzen beschränken bzw. umgekehrt die zuvor nicht ausgesonderten Biosequenzen müssen noch in einem Homologietest mit neu hinzugekommenen Artsequen­ zen verglichen werden.

Damit wird jedoch der Ausgangsdatenbestand beträchtlich verringert.

Die noch verbleibenden Biosequenzen werden dann mit den neu ermittelten Artsequenzen in einem Homologietest verglichen. Dabei werden im Regelfall für einige der neu ermittelten Artsequenzen homologe Biosequenzen gefunden. Sodann wird eine Liste bzw. Tabelle der Artsequenzen und der dazu neu gefundenen, homologen Biosequenzen angefertigt und in diese Tabelle bzw. Liste werden auch zusätzliche Informationen aus der öffentlichen Daten­ bank übernommen, wie z. B. eine medline-Identitätsnummer, die möglicherweise zu einer bekannten Biosequenz gespeichert ist.

Ein weiterer Schritt (h) des Verfahrens besteht im Klassifizieren der in Schritt f) ausgegebe­ nen bzw. gespeicherten Artsequenzen, d. h. Einordnen (Sortieren) in bestimmte Klassen von Sequenzen durch linguistische Analyse von Textdefinitionen der zu den homologen Bio­ sequenzen gespeicherten Zusatzinformationen. Dies ermöglicht eine Aufteilung in Teilda­ tensätze, die für deren Ergänzung wiederum nur ein Teil der sonstigen Datenbasen in Frage kommt.

Weiterhin erfolgt gemäß Schritt i ein Ergänzen der den potentiell bedeutsamen Artsequen­ zen zuzuordnenden Eigenschaftsinformationen der jeweils homologen Biosequenzen durch Erfassen von Hinweisen (Links) zu den gemäß Schritt f) erfaßten Biosequenzen in der zweiten Datenbank auf mindestens eine dritte Datenbank und Erfassen der zu den erwähn­ ten Biosequenzen in der dritten Datenbank gespeicherten Informationen Die dritte Datenbank sollte eine mindestens in Teilbereichen taxonomisch organisierte Klas­ sifikation bereitstellen, vorzugsweise handelt es sich dabei um die sogenannte MEDLINE Datenbank.

Erfindungsgemäß werden die nach taxonomischen Kriterien den jeweiligen Biosequenzen zugeordneten Stichworte mit einer vorgegebenen Liste bzw. Datei von Stichworten vergli­ chen und übereinstimmende Stichworte sowie die betreffenden Biosequenzen und die ho­ mologen Artsequenzen bzw. jeweils eine Kennung derselben, für die übereinstimmende Stichworte mit der vorgegebenen Liste von Stichworten gefunden wurden, werden ausgege­ ben.

Neben der MEDLINE Datenbank oder auch ersatzweise hierfür werden auch Informationen aus weiteren Datenbanken verwendet, die z. B. aus der Gruppe ausgewählt werden, die aus den Unigene, Genemap und GDB (neu) sowie OMIM-, KEGG- und UMLS-Datenbanken besteht.

In erster Linie ist die interessierende Spezies die des Homo sapiens, wobei aber das erfin­ dungsgemäße Verfahren für eine andere Spezies mit im wesentlichen ähnlicher Zielsetzung ebenso verwendet werden kann.

Mit Bezug auf die Figuren werden nun der Ablauf und das Ergebnis eines hypothetischen Ausführungsbeispiel etwas genauer erläutert. Wie bereits erwähnt, werden gemäß Schritt c in Patentanspruch 1 bereits bekannte Artsequenzen der interessierenden Spezies mit den Biosequenzen in einem Homologietest verglichen, die zu einer vorgegebenen Gruppe von Biosequenzen gehören, welche in der zweiten Datenbank gespeichert sind. Dieser Schritt ist in Fig. 1 mit "blastx humprot" bezeichnet. Sofern homologe Sequenzen gefunden wurden, wird den zu den bereits bekannten Artsequenzen homologen Biosequenzen ein bestimmter Status (hier Status = 2) zugeordnet und diese Biosequenzen werden entsprechend gekenn­ zeichnet und aus dem interessierenden Pool der zweiten Datenbank ausgesondert.

Anschließend erfolgt mit den Artsequenzen, die gemäß Schritt a ermittelt wurden, ein weite­ rer Homologietest mit den aus der zweiten Datenbank verbleibenden Biosequenzen, die bis dahin noch nicht als Homologe zu bekannten Artsequenzen ermittelt wurden. Dieser Schritt ist in Fig. 1 mit "Blastn proprietary genes" bezeichnet. Sofern homologe Biosequenzen ge­ funden wurden, erfolgt die bestmögliche Anpassung und Ausrichtung (dieser Schritt ist in Fig. 1 mit "bestfit" bezeichnet) und die die Anpassung, Länge und Ausrichtung kennzeich­ nenden Daten werden zusammen mit der betreffenden Sequenz gespeichert. Der den ent­ sprechenden Biosequenzen zugeordnete Status 0 bedeutet, daß diese Biosequenzen wei­ terhin in dem interessierenden Pool an Daten verbleiben.

Ebenso verbleiben auch diejenigen Biosequenzen in dem interessierenden und reduzierten Datenpool, zu welchen weder unter den ermittelten Artsequenzen noch unter den bereits bekannten Artsequenzen Homologe zu finden waren.

Auf diese Weise werden Datensätze erzeugt, welchen neu ermittelten Artsequenzen ent­ sprechende homologe Biosequenzen zugeordnet sind. Der Benutzer des erfindungsgemä­ ßen Systems bedient dieses zweckmäßigerweise von einem Bildschirmarbeitsplatz mit ent­ sprechenden Einrichtungen. In Fig. 3 ist schematisch eine Bildschirmanzeige wiedergege­ ben, die ein hypothetisches Ergebnis einer Ermittlung potentiell bedeutsamer Artsequenzen gemäß der Erfindung zeigt. Dabei ist allerdings darauf hinzuweisen, daß das dargestellte Ergebnis kein Realerzeugnis, sondern lediglich ein hypothetisches, künstlich synthetisiertes Ergebnis ist, an welchem jedoch prinzipiell alle wesentlichen Schritte und Ergebnisse eines typischen Ausführungsbeispiels abgelesen werden können.

Der Bildschirm zeigt am linken Rand eine Reihe von Befehls- und Parameterfeldern, die der Benutzer bedienen kann. Beispielsweise wählt er in dem Feld 1.2 einen Grenzwertparame­ ter aus, der die minimale Länge der Homologie zwischen Artsequenz und Biosequenz an­ gibt, die gemäß Homologietest und bestmöglicher Anpassung mit den Nukleinsäuren der homologen Sequenz übereinstimmen. In Feld 1.3 wird der Grenzwert einer prozentualen Übereinstimmung wiedergegeben. In Feld 1.4 kann z. B. ein Stichwort eingegeben werden, welches in Verbindung mit den entsprechenden homologen Sequenzen gesucht werden soll.

Die übrigen Bedienfelder sind selbsterklärend.

Nachdem der/die Benutzer/in entsprechende Parameter ausgewählt hat und das zugrunde liegende Programm startet, erhält er/sie nach kurzer Zeit eine Liste von Artsequenzen, die eine oder mehrere Biosequenzen Homologe haben, welche den Kriterien der Benutzerein­ gabe entsprechen. Zum Beispiel zeigt Abb. 3, daß 124 Artsequenzen eine oder mehrere Biosequenzen haben, welche homolog mit einer prozentualen Identität größer als 95% sind und über eine Homologielänge größer als 500 Basenpaaren verfügen. Darüber hinaus ha­ ben die Einträge MeSH Begriffe, die hauptsächlich mit CNS (Zentrales Nerven System) as­ soziiert sind. Von den 124 Einträgen zeigt Abb. 3 die fünfte Artsequenz, welche mit der Zif­ fernfolge 44567 bezeichnet ist. Die Biosequenzen, die homolog sind mit der Artsequenz, sind in der rechten Bildhälfte unter "seeds" angegeben. Dabei sind, um diese Zuordnung einzelner Daten aus umfangreichen Dateien zu einer bestimmten vorgegebenen Artsequenz einschließlich der vielen Zusatzinformationen erzeugen zu können, mehrere Schritte not­ wendig, die allerdings in einem entsprechenden Programm automatisch ablaufen, wobei die Abläufe schematisch an Fig. 2 erläutert werden sollen. Aus dem Homologietest, der in Fig. 1 mit "blast proprietary genes" bezeichnet ist und aus den sich daraus ergebenden Homolo­ gen in der zweiten Datenbank, lassen sich aus der zweiten Datenbank sogenannte Genbank Identifier (Genbank ID) ermitteln, die wiederum auch in anderen Datenbanken abgelegt sind, und so eine Relation zwischen verschiedenen Nuklein- und/oder Aminosäuresequenzen und anderen, in den Datenbanken gespeicherten Informationen herstellen.

Eine Schlüsselfunktion kommt dabei der Medline-Datenbank und dem darin festgelegten MEDLINE-Identifier (Block "Medline ID") zu, der in vielen anderen Datenbanken registriert ist. Die unter "seeds" angegebenen Sequenzen sind durch einen Genbank Identifier cha­ rakterisiert. Diese durch den Genbank Identifier bezeichneten Einträge können unter ande­ rem auch Medline Identifier enthalten. Aus der MEDLINE Datenbank lassen sich die Titel der entsprechenden Einträge mit Hilfe dieser Medline identifier ermitteln. Außerdem sind in dieser Datenbank oft auch Hinweise auf bestimmte Enzyme abgelegt, die mit dem betref­ fenden Genabschnitt in Verbindung gebracht werden und hieraus ergeben sich wiederum die biochemischen Reaktionspfade, die von diesen Enzymen beeinflußt werden. Über den MEDLINE-Identifier lassen sich außerdem weitere Informationen aus anderen Datenbanken gewinnen, z. B. über pathologische Informationen, die Lokalisierung von Genen auf be­ stimmten Chromosomenabschnitten etc.

Auf dem Bildschirm wird dann nach dem Durchlauf eines entsprechenden Programms eine ganze Reihe von Informationen wiedergegeben, die neben der wahrscheinlichen Lokalisie­ rung der neu ermittelten Artsequenz eine ganze Reihe von Hinweisen auf dessen Funktion, Organverteilung und Krankheitsrelevanz gibt. Im vorliegenden Fall, der, wie bereits erwähnt, nur hypothetische Informationen zu einer Artsequenz wiedergibt, erkennt man beispielswei­ se neben der Sequenz 44567 die biochemische Bezeichnung, das Erstellungsdatum der Information, bei 17q23 die Position des Genabschnittes auf einem Chromosom. Darunter sind Gene angegeben, die auf demselben Chromosomenarm lokalisiert sind. Aus der UNIGENE-Datenbank stammen Informationen über Cluster aus Genbruchstücken (EST- Cluster), die über eine bestimmte Nummer (Hs.198237) identifiziert werden. Die Anzahl der ESTs in diesem Cluster im Verhältnis zur Gesamtzahl der Komponenten der vorliegenden Sequenz ist mit 54/82 angegeben. Proangiotensin-Angiotensin gibt die wahrscheinlichsten Stoffwechselpfade oder chemischen Reaktionen an, zu welchen die bekannten Biosequen­ zen gehören. Weiterhin ist mit BRAIN dasjenige Organ angegeben, in welchem die betref­ fenden Sequenzen am häufigsten gefunden werden. Die Organverteilung der EST- Komponenten wird durch unterschiedliche Balkenlängen veranschaulicht. Der wahrschein­ lichste Bereich einer Krankheitsindikation, die in Verbindung mit dem Datenabgleich ermittelt wurde, ist mit CNS angegeben. In der linken Hälfte erkennt man noch eine horizontale Bal­ kenreihe, wobei die Länge dieser Balken jeweils Übereinstimmungen zwischen der Artse­ quenz und den in der entsprechenden Zeile angegebenen zugehörigen Biosequenzen oder Sequenzabschnitten angegeben wird. Daneben sind die Biosequenzen unter "seeds" im einzelnen aufgelistet, einschließlich ihrer prozentualen Übereinstimmung und der Länge der übereinstimmenden Sequenzabschnitte. Weiterhin sind angegeben die Titel entsprechender Zeitschriften, die Enzyme, und verschiedene Stichworte.

In dem vorliegenden Beispiel wurden durch die erfindungsgemäße Verknüpfung über ver­ schiedene Identifier, Stichwortsuche und taxonomische Auswertung von Datenbanken ge­ wonnene Information aus den meisten der in Fig. 3 angegebenen Datenbanken ermittelt, mit Ausnahme der mit UMLS, SNOMED und ICD9-CM bezeichneten Blöcke. Zur Speicherung der aus dem Verfahren gewonnenen Informationen wird das Knowledge Interchange Format (KIF) verwendet. Dieses Format kann von verschiedenen Knowledge Engineering Werkzeu­ gen wie z. B. Ontolingua verwendet werden, um unter anderem HTML oder XML Dateien zu generieren und weiterführende Methoden der künstlichen Intelligenz (KI) anzuwenden.

Claims (15)

1. Verfahren zum Ermitteln potentiell bedeutsamer DNA- und/oder Nukleinsäurese­ quenzen einer interessierenden Spezies (Artsequenzen) mit den folgenden Schritten:

• a) Ermitteln beliebiger Artsequenzen der interessierenden Spezies mit biologischen bzw. gentechnischen Methoden und Speichern der Artsequenzen in einer ersten Datenbank,
• b) Erfassen bekannter DNA-/Nukleinsäuresequenzen einer vorgegebenen Gruppe an­ derer Arten (Biosequenzen) einschließlich der funktionalen Bedeutung dieser Se­ quenzen, in einer zweiten Datenbank, in welcher die Biosequenzen und Zusatzinfor­ mationen einschließlich der funktionalen Bedeutung einzelner Biosequenzen gespei­ chert sind,
• c) Vergleichen der bereits bekannten Artsequenzen der interessierenden Spezies mit den Biosequenzen der in der zweiten Datenbank gespeicherten, vorgegebenen Gruppe von Biosequenzen in einem Homologietest,
• d) Aussondern derjenigen Biosequenzen der vorgegebenen Gruppe, die zu den be­ kannten Artsequenzen über einem vorgegebenen Schwellenwert homolog sind,
• e) Vergleichen der aus der zweiten Datenbank verbleibenden, nicht ausgesonderten Biosequenzen aus der erwähnten Gruppe mit den nach Schritt a ermittelten Artse­ quenzen in einem zweiten Homologietest,
• f) Speichern und/oder Ausgeben derjenigen Artsequenzen als Artsequenzen potentiell erhöhter Bedeutung, deren Homologie mit Biosequenzen aus den aus der erwähnten Gruppe verbliebenen Biosequenzen einen vorgegebenen zweiten Schwellenwert überschreitet, zusammen mit Informationen über die hierzu jeweils homologen Bio­ sequenzen.
• g) Wobei Schritt e) wahlweise auch vor Schritt c) und ohne vorheriges Aussondern ge­ mäß Schritt d) durchführbar ist.

2. Verfahren nach Anspruch 1, gekennzeichnet durch die folgenden weiteren Schritte:

• a) Anpassen der in Schritt f) ausgegebenen bzw. gespeicherten Artsequenzen in einer nach vorgebbaren Kriterien optimierten Anpassung an die jeweils homologen Biose­ quenzen und Ausgabe und/oder Speicherung charakteristischer Parameter der opti­ mierten Anpassung, wie zum Beispiel der prozentualen Übereinstimmung, der Länge übereinstimmender Sequenzabschnitte und der optimierten relativen Ausrichtung (Alignment).

3. Verfahren nach Anspruch 1, gekennzeichnet durch die folgenden weiteren Schritte:

• a) Klassifizieren der in Schritt f) ausgegebenen bzw. gespeicherten Artsequenzen, d. h. Einordnen (Sortieren) in bestimmte Klassen von Sequenzen durch linguistische Analyse von Textdefinitionen der zu den homologen Biosequenzen gespeicherten Zusatzinformationen.

4. Verfahren nach einem der Ansprüche 1 bis 3, gekennzeichnet durch den folgenden Schritt:

• a) Ergänzen der den potentiell bedeutsamen Artsequenzen zuzuordnenden Eigen­ schaftsinformationen der jeweils homologen Biosequenzen durch Erfassen von Hin­ weisen (Links) zu den gemäß Schritt f) erfaßten Biosequenzen in der zweiten Daten­ bank auf mindestens eine dritte Datenbank und Erfassen der zu den erwähnten Bio­ sequenzen in der dritten Datenbank gespeicherten Informationen.

5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, daß die dritte Datenbank eine mindestens in Teilbereichen taxonomisch organisierte Klassifikation bereithält.

6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, daß die dritte Datenbank die MEDLINE Datenbank ist.

7. Verfahren nach Anspruch 5, gekennzeichnet durch Vergleichen der nach taxonomi­ schen Kriterien den jeweiligen Biosequenzen zugeordneten Stichworte mit einer vor­ gegebenen Liste bzw. Datei von Stichworten und Ausgabe übereinstimmender Stichworte sowie der betreffenden Biosequenzen und der homologen Artsequenzen bzw. jeweils einer Kennung derselben, für die übereinstimmende Stichworte mit der vorgegebenen Liste von Stichworten gefunden wurden.

8. Verfahren nach Anspruch 2 und einem der auf Anspruch 2 rückbezogenen Ansprü­ che, dadurch gekennzeichnet, daß der Vergleich einer vorgegebenen (klassifizierten) Liste von Stichworten mindestens mit den Medical Subject Headings der Medline- Datenbank erfolgt.

9. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, daß die dritte Datenbank die UNIGENE Datenbank ist.

10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, daß auf der Basis der EST- Clusterpositionen aus UNIGENE Informationen über entsprechende oder benach­ barte Sequenzabschnitte aus GENEMAP und/oder GDB erfaßt werden.

11. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß weitere Datenban­ ken nach Verknüpfungsgliedern zu den in der dritten Datenbank ermittelten Fund­ stellen durchsucht werden und Hinzufügen der entsprechenden weiteren Informatio­ nen bzw. von Hinweisen auf die weiteren Informationen zu den entsprechenden Art­ sequenzen erhöhter Bedeutung.

12. Verfahren nach einem der Ansprüche 1 bis 11, dadurch gekennzeichnet, daß minde­ stens die zweite Datenbank eine öffentlich zugängliche Datenbank ist.

13. Verfahren nach einem der Anspruch 5 bis 12, dadurch gekennzeichnet, daß die weiteren Datenbanken aus der Gruppe ausgewählt werden, die aus den Unigene, genemap und GDB (neu) sowie OMIM-, KEGG- und UMLS-Datenbanken besteht.

14. Verfahren nach einem der Ansprüche 1 bis 13, dadurch gekennzeichnet, daß das Hinzufügen weiterer Informationen zu den gemäß Schritt f ermittelten Artsequenzen in einem Pipelineverfahren erfolgt, wobei die hinzugefügten Informationen in Form von Verknüpfungsgliedern zu den zugeordneten Positionen in weiteren Datenbanken bestehen.

15. Verfahren nach einem der Ansprüche 1 bis 14, dadurch gekennzeichnet, daß die interessierende Spezies die menschliche Spezies ist und daß die zugeordnete Grup­ pe von Biosequenzen die Biosequenzen von wirbellosen Tieren, Säugetieren, Pri­ maten, Nagetieren und Wirbeltieren, sowie die noch nicht klassifizierten Neueinträge der zweiten Datenbank umfaßt.