G. Paolella Napoli, 21/2/ Progetto S.Co.P.E. – WP4 Bioinformatica nel progetto SCOPE G. Paolella, M. Petrillo, L.Cozzuto, A. Boccia, C. Cantarella, L.Sepe

G. Paolella Napoli, 21/2/ Our role within SCOPE Nodes NsNodes GRID software High level middleware SCOPE web site Astronomy Chemistry PhysicsBioinformatics Hardware Middleware Application

G. Paolella Napoli, 21/2/ Tasks Provide a large number of users with general purpose bioinformatic service, which take advantage of high performance hardware, allowing: –Web access for quick operations, performed by the vast majority of users –Unix level access in the form of an integrated problem solving environment Set up an automatic annotation system to be used in specific computational or experimental projects, based on the available services two specific applications: –CST analysis by comparative genomics –Mining for regulatory RNA within completely sequenced genomes

G. Paolella Napoli, 21/2/ Bioinfo portal

G. Paolella Napoli, 21/2/ Available services

G. Paolella Napoli, 21/2/ Programs

G. Paolella Napoli, 21/2/ Graphic interface to programs

G. Paolella Napoli, 21/2/ Various operations in a row: Complement ->Translation -> Isoelectric point of the resulting protein. DNA Complement Translation Isoelectric point CAPRI workflow

G. Paolella Napoli, 21/2/ SRS: the database tool

G. Paolella Napoli, 21/2/ SRS

G. Paolella Napoli, 21/2/ WEB SERVER CAPRI SRS PISE Other Emboss Fasta Blast User Data DB Primary remote databases ENSEMBL Services organization

G. Paolella Napoli, 21/2/ Sito periferico medicina HD attached to the system: 112 processor cluster Two 8-processor servers, several 2-processor servers Storage center (SCOPE) Campus GRID and beyond (SCOPE)

G. Paolella Napoli, 21/2/ Broker virtual node virtual node DB Grid node Low latency scheduler High level scheduler 500 tasks/sec ms delay

G. Paolella Napoli, 21/2/ Joining the GRID HD attached to the system: 1 Cluster Element (CE) 5 Worker nodes (WN) biproc (expandable up to 40) 1 Storage Element (SE) with 50 Gb 1 User Interface (UI)

G. Paolella Napoli, 21/2/ Available at: lfn:/grid/scope/bioinfo/ programs/(executables) dbs/(datasets) Currently installed tools Blast Randfold Infernal package Support databases RFAM Blast (human, rat, dog, chicken and macaca genomes) GRID bioinformatic tools

G. Paolella Napoli, 21/2/ Blastz Clustalw Dialignt Emboss package FASTA package Genscan Hmmer package MCL package Pcma Primer3 RNAz Vienna package Multiz-tba Ready to be installed tools

G. Paolella Napoli, 21/2/ Tasks Provide a large number of users with general purpose bioinformatic service, which take advantage of high performance hardware, allowing: –Web access for quick operations, performed by the vast majority of users –Unix level access in the form of an integrated problem solving environment Set up an automatic annotation system to be used in specific computational or experimental projects, based on the available services two specific applications: –CST analysis by comparative genomics –Mining for regulatory RNA within completely sequenced genomes

G. Paolella Napoli, 21/2/ Due esempi Due esempi di sistemi di annotazione automatica, utilizzati per la identificazione e caratterizzazione di sequenze di DNA con possibile ruolo funzionale: – sequenze di piccole dimensioni, conservate tra uomo ed altre specie CST; – sequenze in grado di codificare per RNA strutturati.

G. Paolella Napoli, 21/2/ Obiettivo: Sistema di annotazione automatica di sequenze Motivazioni: Analisi computazionale di sequenze non codificanti permette lidentificazione di nuovi elementi funzionali Descrizione del problema e sua risoluzione. Diversi tipi di test predittivi applicati su larga scala ad un gran numero di dati sperimentali, estratti da banche dati pubblicamente disponibili o provenienti da dati sperimentali. Esigenza per luso dellHPC: dato lelevato numero di test, in genere si utilizzano cluster multiprocessore. Luso di GRID permette di estendere lanalisi a set di dati di dimensioni ancora maggiori. Descrizione della soluzione del problema nellambiente HPC Obiettivi e modalita

G. Paolella Napoli, 21/2/ Identificazione e caratterizzazione di sequenze nucleotidiche conservate tra uomo e topo (CSTs) in altre specie. H. Sapiens M. Musculus CSTs CST identificate in geni associati a malattie: Analisi da effettuare mediante BLAST contro altri genomi (ratto, cane, scimmia, pollo, etc). Identificazione di CST

G. Paolella Napoli, 21/2/ CST annotation

G. Paolella Napoli, 21/2/ DG-CST 1022 genes related to genetically transmitted disease

G. Paolella Napoli, 21/2/ KinWeb 500 genes coding for human protein kinases

G. Paolella Napoli, 21/2/ (a) (b) (c) (d) (e) KinWeb DB

G. Paolella Napoli, 21/2/ BLAST Eseguibile submitted da un repository locale di programmi Librerie di dati genomici conservate su SE locale e registrate sull'SE centrale scopelfc01.dsf.unina.it:/grid/scope/bioinfo Esempio Blast delle CST contro genomi di cane, gallo, scimmia e ratto. Numero jobs sottomessi 67 Gruppo di sequenze di input: 1000 sequenze Tempo totale di esecuzione dei 67 jobs: 4 ore Tempo medio per job: 18 minuti (2 spesi per scaricare il dataset). Tempo CPU Ricerca di 1 sequenza nel genoma di topo => 5 sec sequenze => 3,75 giorni 10 genomi => 37,5 giorni MPIBLAST (soltanto installato)

G. Paolella Napoli, 21/2/ Bacterial SLSs Pae-1 (Pseudomonas aeuruginosa)Eric (Escherichia coli)

G. Paolella Napoli, 21/2/ Identificazione e caratterizzazione in genomi batterici di famiglie di sequenze ripetute che condividono una struttura secondaria conservata. Analisi da effettuare mediante INFERNAL su oltre 300 genomi batterici Esempio Ricerca di una famiglia in un genoma =====> 6 ore. Ricerca di 50 famiglie in un genoma =====> 12,5 giorni Ricerca di 50 famiglie in 300 genomi =====> 10 anni Ricerca Strutture secondarie

G. Paolella Napoli, 21/2/ DNA Aim: find potential regulatory sequences acting as structured RNAs. Pilot project: Analyses carried on chromosome 21. Protein Structured RNA mRNA Folding of the human genome

G. Paolella Napoli, 21/2/ Chromosome length46,944,323 bp Transcriptome length14,609,025 bp Sequences potentially transcribed has been split in overlapping fragments of 150 bp length. Fragments290,904 sequences Total length43,726,912 bp Genome plan

G. Paolella Napoli, 21/2/ Length46,944,323 bps Total genes392 > miRNA Genes10 > rRNA Genes3 > snRNA Genes7 > snoRNA Genes8 > miscRNA8 Found known RNAs9 Transcriptome length14,609,025 Sequences potentially transcribed has been split in overlapping fragments of 150 bp length. 290,904 sequences Results

G. Paolella Napoli, 21/2/ Valutazione dei risultati ottenuti RANDFOLD Programma randfold Eseguibile submitted da un repository locale di programmi di bioinformatica Gruppo di sequenze di input: 2500 sequenze di regioni trascritte del chr 21 Numero jobs sottomessi 117 Tempo CPU richiesto Sequenze derivate dai geni del cromosoma 21: Predizione su 1 sequenza => 45 sec sequenze => 152 giorni.

G. Paolella Napoli, 21/2/ Node number n_sequencesseconds Day(s) ,58913,121, ,500112,5001,3 About 3 days How long ?

G. Paolella Napoli, 21/2/ Performance

G. Paolella Napoli, 21/2/ Some extra applications

G. Paolella Napoli, 21/2/ Assemble … Contigs Scaffolds … geneA tRNA promoprAoprB geneCluster A Annotation High throughput sequencing

G. Paolella Napoli, 21/2/ Identification of genes and other genetic elements. Protein functional annotation. Cellular process annotation. Identification of ORFs, tRNAs, rRNAs Scanning for signals, such as promoters and microRNAs Identification of operons and gene clusters Comparison with known genomes/proteins Identification of orthologs and paralogs Characterization of protein domains Reconstruction of complete metabolic pathways … Annotation Steps

G. Paolella Napoli, 21/2/ Annotation

G. Paolella Napoli, 21/2/ IPROC The image processing system: IPROC

G. Paolella Napoli, 21/2/ image in iProcStep ImageMagick iProcStep PHP iProcStep Perl commandLine program Image Magick Package PHP Package PERL Package Command Line Packages adapter image out adapter Image processing modules

G. Paolella Napoli, 21/2/ HPC on Cluster nodes GatewayGateway iPage image area data + images page iPane proc- steps IPROC architecture

G. Paolella Napoli, 21/2/ Cluster Nodes Access Server Access Server Access Server CLUSTER IPROC Parallel processing

G. Paolella Napoli, 21/2/ The group Angelo Boccia Gianluca Busiello Mauro Petrillo Concita Cantarella* Luca Cozzuto Leandra Sepe* Vittorio Lucignano Marisa Passaro

G. Paolella Napoli, 21/2/

G. Paolella Napoli, 21/2/ middle front far NIHRas, NIH3T3, NIHSrc wound healing Three cell subpopulations: front, middle, and far from the wound

G. Paolella Napoli, 21/2/ Version number 1 features tab-delimited Name filename Depth size 16bit wdim size 4 where files cdim size 3 where files pdim size n where files tdim size n unit min scale 10 where files ldim size n unit µm scale 0.4 where layers Time 1Time 2Time n well1well2 well3 well4 Channel1 Channel 2 Channel 3 Position 1 Position n l1 ln File format Data input: text description

G. Paolella Napoli, 21/2/ Acquisition parameters Buttons to slide the acquisition Image processing menus Info panel for each frame hide/show control command IPROC Image processing

G. Paolella Napoli, 21/2/ Broker virtual node virtual node DB Grid node Hierarchical node organization