Embed Size (px)
Citation preview
LABORATOIRE DE BIOLOGIE COMPUTATIONELLE ET QUANTITATIVE (LBCQ)
UMR 7238 CNRS - UNIVERSITE PIERRE ET MARIE CURIE
RAPPORT DU PROJET : A DATA BASE INTEGRATING
EXPERIMENTAL AND COMPUTATIONAL DATA OF
CORYNEBACTERIUM PSEUDOTUBERCULOSIS
Encadré par: Juliana BERNARDES
21 MAI 2017
Présenté par :
Sana HADDAD
Soukaina BENKACEM
1
REMERCIMENT :
Nous tenons à remercier toutes les personnes qui ont contribué à
la réalisation de ce stage. Tout d’abord nos remerciements à Mme
BERNARDES Juliana pour avoir accepté de nous encadrer pour ce
sujet qui nous intéressait tant. Nous la remercions de nous avoir
encadrés, orientés, aidés et conseillés. Nous remercions également Mr
VICEDOMINI Riccardo et Mme LORONADO Monica.
Nous n’oublions pas de remercier nos responsables de formation
Mme CARBONE Alessandra et Mr WEIGT Martin. Ainsi que toutes
les personnes qui par leurs paroles, leurs écrits, leurs conseils et leurs
critiques nous ont guidés dans les moments les plus délicats.
2
Table des matières
1 Introduction : ................................................................................................................................... 4
2 Matériels et méthodes : .................................................................................................................. 5
2.1 Conception de la base de données ........................................................................................... 5
2.1.1 Présentation et schéma .................................................................................................... 5
2.1.2 Les tables ......................................................................................................................... 6
2.1.3 Le Core-genome, Pan-genome et singletons des souches de C. Pseudotuberculosis. ..... 9
3 Résultats : ........................................................................................................................................ 9
3.1 Informations générales : .......................................................................................................... 9
3.2 Les analyses du Pan-genome, Core-genome et des Singletons. ............................................ 11
3.2.1 Pan-genome. .................................................................................................................. 11
3.2.2 Core-genome. ................................................................................................................ 12
3.2.3 Les Singletons. .............................................................................................................. 13
3.3 Le Core-genome classifié par les catégories fonctionnelles des COG : ................................ 14
3.4 Analyse des domaines ........................................................................................................... 15
3.4.1 Domaines les plus fréquents .......................................................................................... 15
3.4.2 Les domaines différents de chaque biovar .................................................................... 16
4 Conclusions et perspectives : ......................................................................................................... 17
5 Références : ................................................................................................................................... 18
6 Annexes : ....................................................................................................................................... 19
3
Table des figures
Figure 1: Modèle conceptuel de données ................................................................................................ 6
Figure 2: : Venn diagramme représentant les Core-genomes des 55 souches de C. Pseudotuberculosis
............................................................................................................................................................... 12
Figure 3 : Venn diagramme représentant les Core-genomes des 15 souches de C. Pseudotuberculosis
............................................................................................................................................................... 13
Figure 4 : Nombre des singletons dans toutes les souches .................................................................... 13
Figure 5 : Nombre de singletons des biovars ovis ................................................................................. 14
Figure 6 : Nombre des singletons des biovars equi ............................................................................... 14
Figure 7 : Les Core-genomes de 15 souches de C. Pseudotuberculosis classé par les catégories
fonctionnelles des COG ......................................................................................................................... 15
Figure 8 : Core-genome de 55 souches de C. Pseudotuberculosis classé par les catégories
fonctionnelles des COG ......................................................................................................................... 15
Figure 9 : Les premiers domaines en communs entre les biovars ovis et les biovars equi.................... 16
Figure 10 : Les domaines qui différencient les biovars equi des biovar ovis ........................................ 16
Figure 11 : Les domaines qui différencient les biovars ovis des biovar equi ....................................... 17
4
1 Introduction :
La Corynebacterium pseudotuberculosis est une bactérie pathogène qui cause plusieurs
maladies chroniques infectieuses et contagieuses. Ce pathogène infecte principalement les deux types
de biovar qui se classifient en fonction de leur capacité à réduire les nitrates. Les bactéries capables
d'effectuer la réduction des nitrates sont classées en biovar equi (réduction de nitrate positive,
principalement isolée de chevaux et bovins) alors que les bactéries qui ne peuvent pas effectuer la
réduction de nitrate appartiennent à biovar ovis (réduction de nitrate négative, fréquemment isolée de
moutons et chèvres) [1][2].
Les infections produites par les C. Pseudotuberculosis peuvent causer la mort des animaux et
la réduction de la production de laine pour les ovins et les caprins, elle peut toucher aussi la production
du lait et de la viande pour les équidés et les bovins ce qui provoque des pertes économiques très
importantes pour l’industrie agricole.
Récemment, une comparaison génomique, de 15 souches de C. Pseudotuberculosis, a été
réalisée [3]. Cependant, les données expérimentales et computationnelles de cette étude n’ont pas été
rassemblés et aucune base de donnée n’a été créée. La création d’une base de données qui permet de
rassembler toutes les informations nécessaires nous parait essentiel pour retrouver des données
centralisées (pour limiter les redondances), structurées et cohérentes qui peuvent être facilement
manipulées selon les besoins en quelques lignes de requêtes. Pour cela, nous proposons dans ce travail
d’élargir l’analyse réalisée dans [3] pour considérer les génomes de 55 souches disponibles au NCBI
[4], et construire une base de données qui permet de rassembler toutes les informations expérimentales
et computationnelles de C. Pseudotuberculosis qui va nous permettre par la suite de les interpréter et
les analyser afin de :
• Comprendre les différences entre les bactéries qui provoquent des maladies chez
les différents biovars : Ovis et Equi,
• Identifier des gènes orthologues et spécifique de chaque souche,
• Possiblement retrouver les gènes présents dans des voies métaboliques associées à
la maladie.
Nous avons conçu une base de données de C. Pseudotuberculosis, sur laquelle nous avons basé les
analyses du Pan-genome (le nombre total des groupes des genes orthologues), du Core-genome
qui regroupe les gènes qui se trouvent dans toutes les souches, et des singletons qui représentent les
gènes qui se trouvent uniquement dans une souche spécifique. Ensuite, nous avons effectué une
classification des Core-genomes selon les catégories fonctionnelles des COGs [5]. Enfin, nous avons
effectué une analyse des domaines pour mettre en évidence les domaines communs entre toutes les
souches ainsi que les domaines spécifiques des biovars equi et ovis.
5
2 Matériels et méthodes : 2.1 Conception de la base de données
2.1.1 Présentation et schéma
Une base de données relationnelle consiste à stocker toutes les informations dans des tables
structurées, avec des relations qui lient les tables entre elles. Le but de l'ensemble étant d'éviter de
dupliquer des données (chaque information n'est stockée qu'à un seul endroit, il n'y a pas de
redondance), et d'optimiser au maximum les performances pour pouvoir accéder aux données et les
présenter sous une forme qui nous intéresse. Au cours de ce travail nous avons choisi de travailler avec
MySQL [6], un système de gestion de Base de Données relationnel qui permet de créer, utiliser et
maintenir des bases de données relationnelles d’une façon simple et efficace.
La conception de la base de données a été faite par PowerDesigner [7] (autrement appelé
PowerAMC), qui est un logiciel de conception permettant de modéliser les bases de données associées
de manière graphique. Sur la figure 1, nous avons représenté le Modèle entité association de la base de
données. Chaque table est caractérisée par un nom, des attributs et leur type avec les contraintes
d’intégrités s’elles existent (<pi> pour primary key, <O> pour Obligatoire, <fk> pour foreign key).
Les associations qui lient les tables permettent à l’aide des cardinalités de comprendre les
règles de gestion :
• Un gène est présent dans une et une seule souche, une souche peut avoir plusieurs
gènes.
• Un gène correspond à une seule séquence, une séquence peut être liée à plusieurs
gènes.
• Un gène appartient à un ou plusieurs groupes orthologues, un groupe orthologue peut
avoir plusieurs gènes.
• Une séquence est liée à un ou plusieurs Coghits, un Coghits correspond à une seule
séquence.
• Une séquence est liée à un ou plusieurs CladeHits, un CladeHits correspond à une et
une seule séquence, où CladeHits sont les domaines hits associés à chaque séquence et
trouvés par CLADE (voir section 21.7 pour plus de détails)
6
Modèle conceptuel de données :
Figure 1: Modèle conceptuel de données
2.1.2 Les tables
2.1.2.1 La table Strains.
La table Strains contient les informations sur les 55 souches de C.pseudotuberculosis etudiées dans ce
travail, Cette table a comme attributs :
• strainID : l’identifiant de la souche (clé primaire)
• Biovar : le biovar de la souche (Ovis ou Equi)
• Size : la taille de génome
• GC% : pourcentage de GC
• Genes : le nombre de gènes
• Proteins : le nombre de Proteins
• Clinical Description : La description
• Country of isolation : les pays d’isolation
• Host :
Le box 1 de l’annexe montre la requête SQL utilisée pour charger la table à partir du fichier
StrainInfo.xlsx extrait du site de NCBI, qui contient les informations générales des souches du C.
Pseudotuberculosis.
7
2.1.2.2 La table gènes
La table gènes regroupe toutes les informations sur tous les gènes de 55 souches, elle a comme
attributs :
• geneID : l’identifiant de la séquence protéique (clé primaire).
• taxon : L’identifiant du taxon de C. Pseudotuberculosis
• sequenceID : l’identifiant de la séquence protéique dans la table séquence, c’est une clé
étrangère issue de l’association (un à plusieurs) avec la table Sequence.
• strainID : L’identifiant de la souche à laquelle la séquence protéique appartient, c’est une clé
étrangère issue de l’association (un à plusieurs) avec la table Strains.
Voir le Box 2 et 3 de l’annexe pour voir comment cette table a été remplie à partir de la table Genes
2.1.2.3 La table Gène-groupe
Cette table issue de l’association plusieurs-plusieurs entre la table « genes » et la table « Groupe-
ortologue », elle permet de trouver pour chaque gène le(s) groupe(s) orthologue(s) au(x)quel(s) il
appartient. Elle contient comme attributs :
• GroupeID : le groupe orthologue auquel appartient la séquence protéique.
• geneID : l’identifiant de la séquence protéique.
Le couple composé des deux attributs (GroupeID, geneID) représente la clé primaire de cette table.
Voir code 1 de l’annexe et les Box 8 pour voir comment cette table a été remplie.
2.1.2.4 La table Sequence :
Les séquences non redondantes de la table gènes ont était insérées dans une table à part appelée
séquence. Cette table contient deux colonnes :
• SequenceID : contient un identifiant de la séquence (clé primaire de la table )
• Sequence : la sequence proteique
Voir le Box 4 de l’annexe pour voir comment cette table a été remplie à partir de la table Sequence.
2.1.2.5 La table CladeHits:
Les protéines sont généralement constituées d'une ou plusieurs régions fonctionnelles,
généralement appelées domaines. La présence de différents domaines dans différentes combinaisons
dans différentes protéines donne naissance au répertoire varié des protéines trouvées dans la
nature. L'identification des domaines présents dans une protéine peut donner une idée de la fonction de
cette protéine. Dans ce travail, nous proposons de faire une analyse de ces domaines. Pour cela on a
utilisé CLADE [8] et PFAM [9].
La base de données PFAM est une grande collection de familles de domaines
proteiques. Chaque famille est représentée par des alignements de séquences multiples et un modèle
Markov caché (HMM [10]). Chaque famille Pfam consiste à aligner une partie de la sequence
contenant un petit ensemble de membres représentatifs de la famille, des modèles Markov cachés
profil (profil HMM) construits à partir cet alignement et un alignement complet généré
automatiquement, qui contient toutes les séquences de protéines détectables appartenant à la famille,
telles que définies par les recherches des bases de données de séquences primaires par HMM de profil.
CLADE prend comme entrée un fichier de séquence protéique. Comme nous avons beaucoup
de répétitions au niveau des séquences, nous avons d’abord interrogé la base de données pour obtenir
l’ensemble de séquences uniques (voir Box 4), puis CLADE a été exécuté sur cet ensemble. Il en
8
résulte un fichier contenant les domaines hits associé à chaque séquence qui a été ensuite chargé dans
la table CladeHits (voir Box 5 de l’annexe).
La table CladeHits contient les domaines et la séquence auquel ils appartiennent. Elle a comme
attributs :
• CladeHitID : l’Identifiant du domaine hit trouvé. C’est la clé primaire de la table.
• Id-sequence : l’identifiant de la séquence auquel appartient le domaine, c’est une clé
étrangère issue de l’association un à plusieurs avec la table « séquence ».
• Start_hit : la position du début du domaine dans la séquence.
• End_hit : la position de fin du domaine dans la séquence.
• Pfam_domain_name : le nom du domaine.
• Pfam_acc_number : le numéro du domaine (identifiant de PFAM).
• Evalue : le E-value du domaine hit trouvé.
• CLADE_Model : le modèle CLADE.
• START_Domain : La position du début dans le domaine.
• END_Domain : La position de fin dans le domaine.
2.1.2.6 La table cogs :
L’identification des gènes orthologues permet de faire une analyse des voies métaboliques. La
classification automatique utilisée pour construire les Clusters de Groupes d'Orthologues
(COGs)[5][11] est la principale procédure d'identification des orthologues chez les organismes
procaryotes entièrement séquencés (Tatusov et al. 2000, 2001). La base de données COGs [5] a été
conçue comme une tentative pour classer les protéines dans certaines catégories fonctionnelles à partir
de génomes complètement séquencés sur la base du concept d'orthologie. La classification est faite par
comparaison des protéomes de tous les génomes entre eux avec BLAST. On est allé sur le site de
RPS-BLAST [12], qui est un algorithme qui permet la comparaison d'une séquencé query contre une
base de données de PSSM (position-specific scoring matrices), et qui facilite la classification et
l'annotation fonctionnelle d'une séquence. Pour importer le fichier qui contient les séquences
proteiques non répétées, il nous a fallu le partager entre 5 sous fichiers : le nombre maximale de
« sequence query » étant de 4000.A partir de ces analyses, Il en résulte 5 fichier hitdata.txt, qu’on a
regroupés dans un seul fichier, à partir duquel le fichier cogs.txt a été parsé et inséré dans la table
cogs.(Voir Box 6 et 7 de l’annexe).
Cette table contient deux colonnes :
• cogID : l’identifiant du COG (cluster of orthologous groups)
• catégorie : la catégorie fonctionnelle à laquelle appartient chaque COG.
2.1.2.7 la table coghit
Cette table permet de trouver pour chaque séquence les catégories fonctionnelles auxquelles
elle appartient. Elle a comme attributs :
• CoghitID : l’identifiant du COG hit, c’est la clé primaire de cette table.
• sequenceID : l’identifiant de la séquence. C’est une clé étrangère issue de la relation un
àplusieurs avec la table « Cogs »
• startPosition : la position début du COG dans la séquence.
• endPosition : la position de la fin du COG dans la séquence.
• Evalue : E-value du COG hit.
9
• Bitscore : bit score du COG hit.
• CogID : l’identifiant du COG. C’est une clé étrangère issue de la relation un à plusieurs avec
la table « Cogs »
• Voir Box 9 de l’annexe pour savoir comment on a rempli la table coghit à partir du fichier
hitdata parsé parse.txt
2.1.3 Le Core-genome, Pan-genome et singletons des souches de C. Pseudotuberculosis.
Le Pangenome est défini comme le nombre total des groupes des genes orthologues. Le Core-
genome est défini comme l’ensemble des gènes orthologues qui sont partagés entre toutes les souches.
Les singletons sont les genes spécifiques de chaque espéce (un singleton n’est présent que dans une
seule espéce ). Pour pouvoir faire des analyses sur les sequences proteiques des différentes souches du
C. Pseudotuberculosis, on doit connaitre les genes orthologues. Le logiciel EDGAR (Efficient
Database framework for comparative Genome Analyses using BLAST score Ratios) [13] permet
d'effectuer une tâche essentielle dans la génomique comparative, qui est l'identification des gènes
orthologues dans différents génomes et la classification des gènes comme Core-genome ou singletons.
EDGAR est conçu pour effectuer automatiquement des comparaisons génomiques dans une
approche à haut débit. Il fournit de nouvelles fonctionnalités d'analyse et simplifie considérablement
l'analyse comparative des génomes en offrant plusieurs fonctionnalités via une interface utilisateur
basée sur le web et indépendante de la plate-forme
Par manque d’information et d’outils, on a contacté l’equipe de EDGAR, pour mettre à jour
leur base de données de Corynebacterium qui ne contenait que les 15 souches de C.pseutuberculosis
sur lesquels ils ont travaillé. Ainsi on a pu faire les analyses et calculer le Pan-genome, Core-genome
et les singletons. En effet, le Core-génome a été calculé comme étant le sous ensemble de genes qui
présentent des groupes orthologues dans toutes les souches de C. Peudotuberculosis. Les gènes d’une
souche A ont été comparées aux gènes d’une souche B, et seules les gènes qui ont des orthologues
dans les deux souches ont été retenues. On refait la comparaison entre le Core-genome AB et le
génome de l’souche C, et ainsi de suite (voir les Box 10, 11, 12,13 et 14 de l’annexe pour voir
comment extraire cette information de la base de données ). Le Pan-génome a été calculé comme
suit : le Pan-genome initial contient des gènes d’une souche A, des gènes non orthologues de l’souche
B. le résultat à été comparé avec les gènes de l’souche C, et la comparaison continue ainsi avec tous
les génomes des souches restantes. Les singletons sont les gènes qui n’ont pas d’orthologues dans les
génomes de toutes les souches. (voir les Box 15, 16 et 17 de l’annexe)
Le résultat donné par EDGAR est donné sous forme d’un fichier (pangenome.csv). Les
données sont organisées dans ce fichier d’une manière que les gènes orthologues sont regroupées
ensemble.
3 Résultats :
3.1 Informations générales :
Les séquences génomiques des 55 souches ont étaient extraites de la base de données du NCBI,
avec le nombre de proteines et de genes par genome. On a extrait 27 biovars equi (chevaux, vaches,
etc) et 28 biovars ovis (moutons, chévres, etc). Dans le tableau 1 on présente les informations
générales de ces souches, à savoir leurs pays d’isolation, les descriptions cliniques, etc. Les souches
ont étaient isolées de différents pays, à savoir l’Australie, l’Amérique du sud, le Brésil, l’Argentine..
Ces animaux manifestent des symptomes cliniquesc : des infections incluent les abscess, mammary
tissue.. Les lignes en gris correspondent aux 15 C. Pseudotuberculosis sur lesquels les analyses ont
10
déjà était faites [3]. Dans ce travail nous avons refait ces analyses en rajoutant 40 autres souches de C.
Pseudotuberculosis.
Strain Biovar Size (Mb) GC% Genes Proteins Clinical description Country of isolation host
C231 Ovis 2,32821 52,2 2086 1973 caseous lymphadenitis abscess Brazil sheep
FRC41 Ovis 2,33791 52,2 2102 2000
1002 Ovis 2,33511 52,2 2095 1987 caseous lymphedenitis abscess Brazil goat
I19 Equi 2,33773 52,2 2098 1980 mastitis abscess
bovine
PAT10 Ovis 2,33532 52,2 2097 1967 lung abscess Argentina sheep
42/02-A Ovis 2,33761 52,2 2101 1996 ovine abscess Australia
CIP 52.97 Equi 2,32059 52,1 2088 1920 lymphangitis Kenya horse
1/06-A Equi 2,27912 52,2 2053 1850 equine field isolate California
3/99-5 Ovis 2,33794 52,2 2102 1997
naturally-occurring caseous
lymphadenitis Scotland sheep
316 Equi 2,31041 52,1 2070 1911 abscess California horse
P54B96 Ovis 2,33766 52,2 2097 1938 caseous lymphadenitis abscess South Africa
wildebee
st
267 Ovis 2,33763 52,2 2096 2006
abscess from caseous
lymphadenitis USA llama
31 Equi 2,40296 52,1 2174 2077 oedematous skin disease Egypt buffalo
258 Equi 2,36982 52,1 2133 2011 ulcerative lymphangitis Belgium horse
Cp162 Equi 2,29346 52,2 2051 1881
caseous lymphadenitis neck
abscess United Kingdom camel
48252 Ovis 2,33814 52,2 2096 1977 Hospital Oslo
Homo
sapiens
CS_10 Ovis 2,33814 52,2 2101 1982
Laboratory strain, originating
from goat Oslo
Ft_2193/67 Ovis 2,3383 52,2 2101 1990 pus Oslo goat
VD57 Ovis 2,33718 52,2 2097 1986
granulomatous lesion of goat
with cadeous lymphadenitis Brazil Goat
226 Ovis 2,33782 52,2 2095 1936 Abscess USA: CA goat
12C Ovis 2,33745 52,2 2098 1982 abscess of sheep with CLA Brazil: Petrolina,PE sheep
29156 Equi 2,33865 52,2 2100 1993
Cutaneous lesion from bovine
infected
bovine
262 Equi 2,32575 52,2 2067 1926 milk Belgium
Bos
taurus
E19 Ovis 2,36796 52,1 2134 2020 not informed
Equus
caballus
PO269-5 Ovis 2,33712 52,2 2096 2007 pus Portugal goat
1002B Ovis 2,33511 52,2 2096 1992
Biological sample: caseous
abscess Brazil:Bahia goat
N1 Ovis 2,33785 52,2 2098 1989
Sample was collected from
caseous material in the lung of a
native sheep
Equatorial Guinea:
Mongomo sheep
PA01 Ovis 2,33792 52,2 2097 2006 lymph node Brazil: Para sheep
MEX25 Ovis 2,33753 52,2 2099 1991
Mexico: Guanajuato
Ovis
aries
PO222/4-1 Ovis 2,33751 52,2 2100 1996 pus Portugal goat
E56 Ovis 2,33577 52,2 2097 1967
Egypt
Ovis
aries
MB11 Equi 2,36342 52,1 2133 1902
USA: California Equus
11
ferus
caballus
MB14 Equi 2,37076 52,1 2139 1938
USA: California
Equus
ferus
caballus
MB30 Equi 2,36438 52,1 2136 1966
USA: California
Equus
ferus
caballus
MB66 Equi 2,3722 52,1 2141 1937
USA: California
Equus
ferus
caballus
E55 Ovis 2,33538 52,2 2095 1963 biological sample of sheep Egypt:Cairo sheep
MEX9 Ovis 2,33758 52,2 2104 1996 Prescapular of a female goat Mexico Goat
PA02 Ovis 2,32843 52,2 2091 2001 Abscess Brazil goat
T1 Ovis 2,3372 52,2 2101 1993 granulomatous lesion Brazil goat
Cp13 Ovis 2,34224 52,2 2104 1992 Caseous lymphadenitis of goats Brazil goat
MEX29 Ovis 2,33787 52,2 2100 2002
biological sample of female
sheep Mexico
Ovis
aries
34 Equi 2,40345 52,1 2174 2054
Egypt
Bubalus
bubalis
32 Equi 2,40353 52,1 2176 2049
Egypt
Bubalus
bubalis
33 Equi 2,40355 52,1 2178 2047
Egypt
Bubalus
bubalis
35 Equi 2,4035 52,1 2179 2050
Egypt
Bubalus
bubalis
36 Equi 2,40341 52,1 2172 2046
Egypt
Bubalus
bubalis
38 Equi 2,40352 52,1 2174 2043
Egypt
Bubalus
bubalis
39 Equi 2,40358 52,1 2172 2046
Egypt
Bubalus
bubalis
43 Equi 2,36508 52,1 2133 2011
Egypt
Bubalus
bubalis
46 Equi 2,36657 52,1 2128 2008
Egypt
Bubalus
bubalis
48 Equi 2,4033 52,1 2176 2052
Egypt
Bubalus
bubalis
I37 Equi 2,37028 52,1 2169 2023 mammary tissue
Bos
taurus
MEX30 Equi 2,36814 52,1 2191 2009 male horse Mexico
Equus
caballus
MEX31 Equi 2,36788 52,1 2182 2056 male horse Mexico
Equus
caballus
MB20 Equi 2,3709 52,1 2141 1880 pectoral abscess USA
Equus
caballus
Tableau 1 : Les informations générales des 55 souches de C. Pseudotuberculosis utilisées dans ce travail
3.2 Les analyses du Pan-genome, Core-genome et des Singletons.
3.2.1 Pan-genome.
Pour avoir une meilleure vue sur les 55 génomes du C. Pseudotuberculosis, le Pan-genome a
été généré par le logiciel EDGAR, (voir section 2.3). Le nombre du Pan-genome est de 2831 gènes,
soit 1.3 fois le nombre moyen des gènes de toutes les souches. Le nombre du Pan-genome des gènes
du biovar ovis est de 2618, soit 1.24 fois le nombre moyen des gènes des souches du biovar ovis qui
est de 2099 gènes ; et le nombre du Pan-genome des gènes du biovar equi est de 2644, soit 1.23 fois le
12
nombre moyen des gènes des souches du biovar equi qui est de 2138 gènes. En comparant ces
résultats aux résultats obtenus à partir des 15 C. Pseudotuberculosis, on trouve que le rapport : nombre
du Pan-genome / nombre moyen des gènes (2782 / 2078) est égal à celui qu’on a trouvé pour les 55
souches (1.33), le rapport fait sur le Pan-genome des souches des biovars ovis (2403/2098) est
légèrement inférieur à notre résultat (1.14 < 1.24) et le rapport fait sur le Pan-genome des souches des
biovars equi (2521/2047) est égal à notre résultat ( 1.23).
3.2.2 Core-genome.
Le Core-genome des souches est défini comme l’ensemble des gènes orthologues qui sont
partagés entre toutes les souches. Le Core-genome du C. Pseudotuberculosis contient 1139 gènes, (le
Box 10 contient la requête qui a permis de calculer le nombre de Core-genome) ce qui présente 40.2 %
du Pan-genome de toutes les souches (2831 gènes). La figure 2 montre l’intersection entre le Core-
ovis et le Core-equi
De même, on a calculé le nombre de Core-ovis (nombre de Core-genome des biovars ovis),
qui est de 1598 (Box 13 de l’annexe contient la requête qui a permis d’avoir ce résultat ), dont 458
exclusifs au biovar ovis (partagés entre toutes les souches de ce biovar et absents d’une souche ou plus
du biovar equi) voir le Box 12 de l’annexe pour voir comment on a pu extraire l’information de la base
de données. De plus, on trouve 1267 gènes (voir Box 14 de l’annexe) du Core-genome des biovars
equi, soit 128 gènes orthologues (voir Box 11 de l’annexe) partagés entre toutes les souches de ce
biovar et absents d’une souche ou plus du biovar ovis.
En comparant ces résultats aux résultats des analyses faites uniquement sur les 15 souches de
C. Pseudotuberculosis (figure 3), on trouve que le nombre de Core-genome des 55 souches à diminué
(1504 pour les 15 souche et 1139 pour les 55 souche). On remarque d’après ces résultats que le
nombre de Core-genome tend à diminuer quand le nombre de génomes augmente.
Figure 2: : Venn diagramme représentant les Core-genomes des 55 souches de C. Pseudotuberculosis
13
Figure 3 : Venn diagramme représentant les Core-genomes des 15 souches de C. Pseudotuberculosis
3.2.3 Les Singletons.
Les singletons sont les gènes qui n’ont pas de gènes orthologues dans les génomes de toutes
les souches, unique à la souche. Le résultat du calcul des singletons montre que toutes les souches
n’ont pas des singletons, voir figure 4. On trouve des singletons dans 27 souches (voir Box 15 de
l’annexe qui montre comment on peut savoir le nombre de singletons par souche), partagées entre 16
souches du biovars ovis (voir figure 5 et Box 16 de l’annexe) et 11 du biovars equi (voir figure 6 et
Box 17 de l’annexe).
Mais malgré que le nombre des souches ayant des singletons est plus grand chez les biovars
ovis que chez les biovars equi, le nombre total de gènes singletons des biovars ovis et inférieur au
nombre de gènes singletons trouvés dans les biovars equi (77 et 116 respectivement). Les souches
du biovar equi présentent des niveaux de variabilité plus élevés dans le nombre de singletons, par
rapport aux souches biovar ovis.
Figure 4 : Nombre des singletons dans toutes les souches
0
5
10
15
20
25
12
C
1_0
6-A
22
6
25
8
26
2
26
7
31
31
6
34
3_9
9-5
42
_02
-A
48
25
2
C2
31
CIP
_52
.97
Cp
13
Cp
16
2
CS_
10
E19
E5
6
FRC
41
Ft_
21
93
_67
I37
MB
20
MB
30
MEX
25
PA
02
PO
26
9-5
Number of singletons (all genomes)
Number of singletons (all genomes)
14
Figure 5 : Nombre de singletons des biovars ovis
Figure 6 : Nombre des singletons des biovars equi
3.3 Le Core-genome classifié par les catégories fonctionnelles des COG :
Les analyses qui ont été faites sur le Core-genome des 15 C. Pseudotuberculosis (figure 7) révèlent
que le Core-genome de toutes les souches, celui des biovar ovis et celui des biovars equi, ont été
classifié selon les catégories fonctionnelles. Selon la figure 7, le Core-genome de toutes les souches a
un nombre important de gènes appartenant aux catégories « metabolism » et « Information Storage
and procession ». Par ailleurs, en analysant séparément le Core-genomes des biovars equi (en vert) et
celui des biovars ovis (en rouge), on remarque qu’une partie plus importante des gènes « Poorly
characterized » a été détectée comparant avec le Core-genome de toutes les (en bleue).
D’autre part, les analyses faites sur le Core-genome des 55 souches de C. Pseudotuberculosis
(figure 8) ont montré que le nombre des gènes de la catégorie « Poorly characterized » a
considérablement diminué, pour le Core-genome de toutes les souches, celui des biovars ovis et celui
des biovars equi. La catégorie « metabolism » réserve la partie la plus importante des Core-genomes
de toutes les souches, du biovar ovis et du biovar equi, la catégorie « Information store and
processing » en deuxième position et finalement la catégorie « Cellular process and signaling ». On
peut aussi remarquer que le nombre de Core-all (nombre de Core-genome de toutes les souches ) est
dans tous les cas supérieur au nombre de Core-ovis ( nombre de Core-genome des biovars ovis ) qui
est supérieur au nombre de Core equi ( nombre de Core-genome des biovars equi).
Voir les Box 17 jusqu’au Box 28 pour plus de détails sur comment on a trouvé ces résultats.
0
5
10
15
Number of singletons (Ovis strains)
0
5
10
15
20
25
1_06-A 258 262 31 316 34 CIP_52.97 Cp162 I37 MB20 MB30
Number of singletons (Equi strains)
Number of singletons (Equi strains)
15
Figure 7 : Les Core-genomes de 15 souches de C. Pseudotuberculosis classé par les catégories fonctionnelles des COG
Figure 8 : Core-genome de 55 souches de C. Pseudotuberculosis classé par les catégories fonctionnelles des COG
3.4 Analyse des domaines
3.4.1 Domaines les plus fréquents
Dans cette section, nous avons fait une analyse des domaines (voir section 2.1.2.5) chose qui
n’a pas été faite auparavant. En effet, l’identification des domaines dans le génome peut nous informer
quant fonctions des séquences protéiques. La figure 9 montre les domaines en commun entre les
biovars ovis et les biovars equi (Voir les Box 29 et 30 de l’annexe).
0
2
4
6
8
10
12
1.Information Store andProcessing
2.Cellular Process andSignaling
3.Metabolism 4.Poorly Charactirized
core all (1139 genes)
core ovis (458 genes )
core equi (128 genes)
16
Figure 9 : Les premiers domaines en communs entre les biovars ovis et les biovars equi
3.4.2 Les domaines différents de chaque biovar
Les biovars equi des C. Pseudotuberculosis réservent 38 domaines différents qui ne se
trouvent que chez les souches des biovars equi (figure 9, Box 36 de l’annexe).
Figure 10 : Les domaines qui différencient les biovars equi des biovar ovis
Les biovars ovis des C. Pseudotuberculosis réservent 13 domaines différents qui ne se
trouvent que chez les souches des biovars ovis (figure 10, Box 37 de l’annexe).
020406080
100120140160
AB
C_
ATP
ase
BP
D_t
ran
sp_
1
AB
C_
tran
CB
S
PA
STA
Znu
A
FctA
FecC
D
HA
TPas
e_c
AA
A_
21
DEA
D
AM
P-b
ind
ing
AB
C_
me
mb
ran
e
SBP
_bac
_5
NU
DIX
DU
F20
29
Am
ino
tran
_1_
2
LGFP
Per
ipla
_BP
_2
Hta
A
olig
o_H
PY
Hex
apep
Rad
ical
_SA
M
Top
rim
_C_r
pt
TetR
_N
PP
-bin
din
g
TP_
met
hyl
ase
Res
po
nse
_re
g
Bio
tin
_lip
oyl
Ald
edh
AM
P-b
ind
ing_
C
FtsX
Pri
bo
sylt
ran
Domaines communs entre les biovars ovis et les biovars equi
ovis equi
0
0,5
1
1,5
2
2,5
3
3,5
Domaines uniques des Equi
17
Figure 11 : Les domaines qui différencient les biovars ovis des biovar equi
4 Conclusions et perspectives : La création d’une base de données permet de rassembler les données expérimentales et
computationnelles et facilite l’accès à l’information : Il suffit d’une requête pour obtenir le résultat
souhaité. Elle aide ainsi à résoudre des problèmes, à répondre à des questions et à prendre des
décisions. Durant ce travail, nous avons fait des analyses des génomes, des Pan-genomes et des Core-
genomes. Nous avons aussi commencé de faire des analyses des domaines. Nous prévoyons par la
suite de finir ces analyses et de développer un site web qui permettra de rendre accessibles les
informations expérimentales et computationnelles de C. Pseudotuberculosis.
0
0,5
1
1,5
2
2,5
Domaines uniques des Ovis
18
5 Références :
[1] Dorella FA, Pacheco LG, Oliveira SC, Miyoshi A, Azevedo V. Corynebacterium
pseudotuberculosis:microbiology, biochemical properties, pathogenesis and molecular studies
of virulence. Vet Res 2006;37:201-218 10.1051/vetres:2005056 [PubMed] [Cross Ref]
[2] Biberstein EL, Knight HD, Jang S. Two biotypes of Corynebacterium pseudotuberculosis.
Vet Rec1971; 89:691-692 10.1136/vr.89.26.691 [PubMed] [Cross Ref]
[3] Soares, S. C., Silva, A., Trost, E., Blom, J., Ramos, R., Carneiro, A.,... & Barbosa, E. G.
(2013). The Pan-genome of the animal pathogen C. Pseudotuberculosis reveals
differences in genome plasticity between the biovar ovis and equi strains. PLoS One, 8(1),
e53818.
[4] The National Center for Biotechnology Information : https://www.ncbi.nlm.nih.gov/
[5] http://www.ncbi.nlm.nih.gov/COG/
[6] https://www.mysql.com/fr/
[7] http://powerdesigner.de/en/overview/
[8] BERNARDES, J. S.; VIEIRA, F. R. J; ZAVERUCHA, G.; CARBONE, A.; A multi-
objective optimisation approach accurately resolves pro tein domain architectures.
Bioinformatics. 2016 32(3):345–353
[9] http://pfam.xfam.org/help
[10] http://www.nature.com/nbt/journal/v22/n10/full/nbt1004-1315.html
[11] thése : Contribution à la prédiction de la fonction des gènes par l’analyse de leur contexte
génomique et de leur co-évolution
[12] http://www.ncbi.nlm.nih.gov/Structure/bwrpsb/bwrpsb.cgi
[13]https://edgar.computational.bio.uni-giessen.de/cgi-
bin/edgar_login.cgi?cookie_test=1&open=1
19
6 Annexes : Box 1 : Requête pour remplir la table Strains
LOAD DATA LOCAL INFILE ‘strains.xlsx’ into table strains FIELDS TERMINATED BY '\t'
LINES TERMINATED BY '\n';
Cette requête remplit la table strains à partir d’un fichier strains.xlsx
généré par NCBI qui contient les informations générales des souches
Box 2 : Requête qui permet de remplir les colonnes geneID , taxon ,
sequence de la table genes (exemple pour la souche '1_06-A'
LOAD DATA LOCAL INFILE '1_06-A.faa.ftt' INTO TABLE genes FIELDS TERMINATED BY '\t'
ESCAPED BY '>' LINES TERMINATED BY '\n';
Cette requête et celle du box 3ont été refaites 55 fois (pour les 55
souches) en utilisant à chaque fois les fichiers téléchargés à partir du
site du NCBI.
Box 3 : Requête qui permet de remplir la colonne strainID de la table
genes
UPDATE genes SET strainID ='1_06-A' WHERE strainID IS NULL;
Box 4 : Requête qui permet de remplir la table sequence
INSERT INTO sequence (sequence) SELECT DISTINCT sequence FROM genes ;
Box 5 : Requête qui a permis de charger le fichier archs.xlsx dans la table
CladeHits
LOAD DATA LOCAL INFILE ‘archs.xlsx’ into table pfam FIELDS TERMINATED BY '\t' LINES
TERMINATED BY '\n';
Box 6 : commande utilisée pour parser le fichier hitdata.txt
touch parse.txt
sed '/^#.*/d' hitdata*.txt | cut -d$ '\t' -f2,f3,f5,f6,f7 >> parse.txt
Box 7 : Requête qui permet de remplir la table cogs
LOAD DATA LOCAL INFILE ‘cogs.txt' INTO TABLE cogs FIELDS TERMINATED BY '\t'
LINES TERMINATED BY '\n' ;
Box 8 :
Les deux fichiers ont été importés dans la base de données : chaque fichier a été
mis dans une table différente par la requete :
LOAD DATA LOCAL INFILE ‘C:/Users/houss/Desktop/liste_genes.csv’ into table
genes_groupes_ortholoques FIELDS TERMINATED BY '\t' LINES TERMINATED BY
20
'\n';
Chaque table contient une colonne pour le contenu du fichier et une autre colonne ID
auto-increment.Ainsi on obtient deux tables : table genes : avec les colonnes genes
et ID (auto incrément) et la table groupes avec colonnes groupe et ID.On créé une
colonne dans la table genes avec la requete suivante :
insert into genes_groupes_ortholoques select g from groupes_orth where
genes.ID = groupes.ID
La nouvelle table s’appelle désormais groupes_orth avec les colonnes
gene pour les ID des genes et g pour le groupe orthologue auquel il
appartient.
Box 9 : Requête qui permet de charger le fichier parse.txt dans la table
coghit
LOAD DATA LOCAL INFILE ‘parse.txt’ into table coghit FIELDS TERMINATED BY '\t' LINES
TERMINATED BY '\n';
Box 10 : Requête qui permet d’avoir le nombre exact de coregenome dans
toutes les souches
select count(gene),g from genes_orth group by g having count(gene)=55 ;
Nous avons utilisé cette requête pour calculer le nombre de coreall (les
genes orthologues qui se trouvent dans toutes les souches) qui a renoyé
comme resultat 1139 genes.
Box 11 : Requête qui permet d’avoir le nombre de coregenome specifique des
biovars equi
select count(DISTINCT genes_edgar), groupe_orthologue
from genes,strains ;
where genes.strainID=strains.strainID AND strains.biovar="Equi" AND
groupe_orthologue NOT IN (SELECT g from genes_orth group by g HAVING COUNT(gene) =
55)
group by groupe_orthologue
having COUNT(DISTINCT genes.strainID)= (SELECT COUNT(strainID) FROM strains WHERE
biovar="Equi") ;
21
Box 12 : Requête qui permet d’avoir le nombre de coregenome specifique des
biovars ovis
select count(DISTINCT genes_edgar), groupe_orthologue
from genes,strains
where genes.strainID=strains.strainID AND strains.biovar="ovis" AND
groupe_orthologue NOT IN (SELECT g from genes_orth group by g HAVING
COUNT(gene) = 55)
group by groupe_orthologue
having COUNT(DISTINCT genes.strainID)= (SELECT COUNT(strainID) FROM
strains WHERE biovar="ovis") ;
Box 13: Requête qui retourne le nombre de core génome des biovars ovis
SELECT COUNT(genes_edgar), groupe_orthologue FROM genes, strains WHERE
genes.strainID=strains.strainID AND strains.biovar= "Ovis" GROUP BY
groupe_orthologue HAVING COUNT(genes_edgar)=28 ;
Box 14: Requête qui retourne le nombre de core génome des biovars equi
SELECT COUNT(genes_edgar), groupe_orthologue FROM genes, strains WHERE
genes.strainID=strains.strainID AND strains.biovar= "equi" GROUP BY
groupe_orthologue HAVING COUNT(genes_edgar)=27 ;
Box 15 : Requête qui permet de savoir le nombre de singletons par souche
select count(genes_orth.g),pangenome.strainID from genes_orth,pangenome
WHERE genes_orth.gene=pangenome.GeneID AND genes_orth.g IN (select g from
genes_orth group by g having COUNT(gene)=1 )group by pangenome.strainID ;
Box 16 : Requête qui permet de savoir le nombre de singletons par souches
des biovars ovis
select count(genes_orth.g),pangenome.strainID from genes_orth,pangenome,strains
WHERE genes_orth.gene=pangenome.GeneID AND genes_orth.g IN ( select g from
genes_orth group by g having COUNT(gene)=1 ) AND
pangenome.strainID=strains.strainID AND strains.biovar="ovis" group by
pangenome.strainID ;
Box 17 : Requête qui permet de savoir le nombre de singletons par souches
des biovars equi
select count(genes_orth.g),pangenome.strainID from genes_orth,pangenome,strains
WHERE genes_orth.gene=pangenome.GeneID AND genes_orth.g IN ( select g from
genes_orth group by g having COUNT(gene)=1 ) AND pangenome.strainID=strains.strainID
AND strains.biovar="equi" group by pangenome.strainID ;
22
Box 17 : La Requête suivante retourne le nombre du core genome du biovar
ovis impliqué dans la catégorie fonctionnelle « Poorly characterized »
select count(distinct g.groupe_orth) from groupe_cog_ovis g, cogs c where
g.cogID=c.CogId and c.categorie IN ('General function prediction only','Function
unknown') ;
Box 18 : Requête qui retourne le nombre du core genome du biovar ovis
impliqué dans la catégorie fonctionnelle « INFORMATION STORAGE AND
PROCESSING »
select count(distinct g.groupe_orth) from groupe_cog_ovis g, cogs c where
g.cogID=c.CogId and c.categorie IN ('RNA processing and modification','Chromatin
structure and dynamics','Translation, ribosomal structure and
biogenesis','Transcription','Replication, recombination and repair') ;
Box 19 : Requête qui retourne le nombre du core génome du biovar ovis
impliqué dans la catégorie fonctionnelle « METABOLISM »
select count(distinct g.groupe_orth) from groupe_cog_ovis g, cogs c where
g.cogID=c.CogId and c.categorie IN ('Energy production and conversion','Amino acid
transport and metabolism','Nucleotide transport and metabolism','Carbohydrate
transport and metabolism','Coenzyme transport and metabolism','Lipid transport and
metabolism','Inorganic ion transport and metabolism','Secondary metabolites
biosynthesis, transport and catabolism') ;
Box 20 : requête qui retourne le nombre du core genome du biovar ovis
impliqué dans la catégorie fonctionnelle « CELLULAR PROCESSES AND SIGNALING »
select count(distinct g.groupe_orth) from groupe_cog_ovis g, cogs c where
g.cogID=c.CogId and c.categorie IN ('Cell cycle control, cell division, chromosome
partitioning','Cell wall/membrane/envelope biogenesis','Cell
motility','Posttranslational modification, protein turnover, chaperones','Signal
transduction mechanisms','Intracellular trafficking, secretion, and vesicular
transport','Defense mechanisms','Extracellular structures','Nuclear
structure','Cytoskeleton') ;
Box 21 : Requête qui retourne le nombre du core genome de toutes les souches
impliqué dans la catégorie fonctionnelle « CELLULAR PROCESSES AND SIGNALING»
select count(distinct groupe)
from groupe_cog g, cogs c
where g.cogs=c.CogId and c.categorie IN ('Cell cycle control, cell division,
chromosome partitioning','Cell wall/membrane/envelope biogenesis','Cell
motility','Posttranslational modification, protein turnover, chaperones','Signal
transduction mechanisms','Intracellular trafficking, secretion, and vesicular
transport','Defense mechanisms','Extracellular structures','Nuclear
structure','Cytoskeleton') ;
23
Box 22 : La requête suivante retourne le nombre du core genome impliqué dans
la catégorie fonctionnelle « INFORMATION STORAGE AND PROCESSING »
select count(distinct groupe)
from groupe_cog g, cogs c
where g.cogs=c.CogId and c.categorie IN ('RNA processing and
modification','Chromatin structure and dynamics','Translation, ribosomal
structure and biogenesis','Transcription','Replication, recombination and
repair') ;
Box 23 : requête qui retourne le nombre du core genome impliqué dans la
catégorie fonctionnelle « METABOLISM».
select count(distinct groupe) from groupe_cog g, cogs c where g.cogs=c.CogId and
c.categorie IN ('Energy production and conversion','Amino acid transport and
metabolism','Nucleotide transport and metabolism','Carbohydrate transport and
metabolism','Coenzyme transport and metabolism','Lipid transport and
metabolism','Inorganic ion transport and metabolism','Secondary metabolites
biosynthesis, transport and catabolism') ;
Box 24 : La requête suivante retourne le nombre du core genome du biovar ovis
impliqué dans la catégorie fonctionnelle « Poorly characterized ».
select count(distinct groupe)
from groupe_cog g, cogs c
where g.cogs=c.CogId and c.categorie IN ('General function prediction only','Function
unknown') ;
Box 25 : La requête suivante retourne le nombre du core genome du biovar equi
impliqué dans la catégorie fonctionnelle « Poorly characterized »
select count(distinct g.groupe_orth) from groupe_cog_equi g, cogs c where
g.cogID=c.CogId and c.categorie IN ('General function prediction only','Function
unknown') ;
Box 26 : La requête suivante retourne le nombre du core genome du biovar equi
impliqué dans la catégorie fonctionnelle « INFORMATION STORAGE AND
PROCESSING »
select count(distinct g.groupe_orth) from groupe_cog_equi g, cogs c where
g.cogID=c.CogId and c.categorie IN ('RNA processing and modification','Chromatin
structure and dynamics','Translation, ribosomal structure and
biogenesis','Transcription','Replication, recombination and repair') ;
24
Box 27 : La requête suivante retourne le nombre du core genome du biovar equi
impliqué dans la catégorie fonctionnelle « METABOLISM»
select count(distinct g.groupe_orth) from groupe_cog_equi g, cogs c where
g.cogID=c.CogId and c.categorie IN ('Energy production and conversion','Amino acid
transport and metabolism','Nucleotide transport and metabolism','Carbohydrate
transport and metabolism','Coenzyme transport and metabolism','Lipid transport and
metabolism','Inorganic ion transport and metabolism','Secondary metabolites
biosynthesis, transport and catabolism') ;
.
Box 28 : La requête suivante retourne le nombre du core genome du biovar equi
impliqué dans la catégorie fonctionnelle « CELLULAR PROCESSES AND SIGNALING»
select count(distinct g.groupe_orth) from groupe_cog_equi g, cogs c where
g.cogID=c.CogId and c.categorie IN ('Cell cycle control, cell division, chromosome
partitioning','Cell wall/membrane/envelope biogenesis','Cell
motility','Posttranslational modification, protein turnover, chaperones','Signal
transduction mechanisms','Intracellular trafficking, secretion, and vesicular
transport','Defense mechanisms','Extracellular structures','Nuclear
structure','Cytoskeleton') ;
Box 29 : les domaines de CLADE les plus fréquents dans les sequences des
souches du biovar equi
SELECT COUNT(id_sequence),PFAM_DOMAIN_NAME FROM pfam WHERE id_sequence IN (SELECT
sequenceID FROM genes , strains WHERE genes.strainID = strains.strainID and
strains.biovar = "equi") GROUP by PFAM_DOMAIN_NAME ORDER BY COUNT(id_sequence) DESC ;
Box 30 : les domaines de CLADE les plus fréquents dans les sequences des
souches du biovar ovis
SELECT COUNT(id_sequence),PFAM_DOMAIN_NAME FROM pfam WHERE id_sequence IN (SELECT
sequenceID FROM genes , strains WHERE genes.strainID = strains.strainID and
strains.biovar = "ovis") GROUP by PFAM_DOMAIN_NAME ORDER BY COUNT(id_sequence) DESC ;
Box 31 : Domaines uniques des equi
SELECT PFAM_DOMAIN_NAME , COUNT(id_sequence) FROM pfam WHERE id_sequence IN (select
genes.sequenceID from genes , strains WHERE genes.strainID=strains.strainID AND
strains.biovar = "equi" ) AND PFAM_DOMAIN_NAME NOT IN (SELECT PFAM_DOMAIN_NAME FROM
pfam WHERE id_sequence IN (select genes.sequenceID from genes , strains WHERE
genes.strainID=strains.strainID AND strains.biovar = "ovis")) GROUP by
PFAM_DOMAIN_NAME ORDER BY COUNT(id_sequence) DESC ;
25
Box 32 : Domaines uniques des ovis
SELECT PFAM_DOMAIN_NAME , COUNT(id_sequence) FROM pfam WHERE id_sequence IN (select
genes.sequenceID from genes , strains WHERE genes.strainID=strains.strainID AND
strains.biovar = "Ovis" ) AND PFAM_DOMAIN_NAME NOT IN (SELECT PFAM_DOMAIN_NAME FROM
pfam WHERE id_sequence IN (select genes.sequenceID from genes , strains WHERE
genes.strainID=strains.strainID AND strains.biovar = 'equi')) GROUP by
PFAM_DOMAIN_NAME ORDER BY COUNT(id_sequence) DESC ;
Les codes :
Code 1 : Programme en python qui lit le fichier « pangenome2.csv » et retourne deux fichiers
« liste_groupes.csv » et « liste_genes.csv ».
26
Code 2 : Programme en python qui lit le fichier « cog.txt » et retourne le fichier « dico.csv».
