1 Genomica Funcional y Bioinformática -Metabolómica en Plantas Genomica Funcional y Bioinformática -

2 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

3 Resistencia a Sequía Tesis de María Eugenia García Fierro

4 Resistencia a Sequía Arabidopsis thalianaTesis de María Eugenia García Fierro

5 Metodología Tesis de María Eugenia García Fierro

6 Cromatografía

7 Detección de Picos

8 Picos Detectados

9 Lista de Picos

10 Picos

11 Parámetros

12 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)

13 Procesamiento de datos de Metabolómica Usando MeVÁbra el archivo “metabolómica.txt” en MeV (use el tipo separado por tabuladores) Inactive “Load Annotations”

14 Revise los Datos Ajuste los niveles de colores (DisplaySet Color Scale Limits) Ajuste el tamaño de la celda (DisplaySet Element Size)

15 Transformación Es necesaria la transformación logarítmica?En caso de ser necesario, haga la transformación Reajuste los límites de visualización Revise los datos visualmente

16 Normalización Es necesario la normalización ?En caso de ser necesaria la normalización, efectúela Reajuste los niveles de colores Revise los datos

17 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

18 Hierarchical ClusteringHaga 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

19 HieraRchical Clustering (Incluyendo Picos)Podemos ver picos que estan presentes en una cepa con respecto de otra o WT

20 PCA – Principal Component AnalysisEfectue 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

21 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%

22 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

23 PCA – Selección de VARIABLESPesos Positivos relacionados a AVP1 y AVP2 Una vez que ubicamos la PC que deseamos usar…. Usamos sus valores de pesos para seleccionar las mejores variables Pesos Negativos relacionados a avpH

24 PCA – SELECCIÓN DE VARIABLESLos 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