Secuencia de ácidos nucleicos

Si bien A, T, C y G representan un nucleótido particular en una posición, también hay letras que representan ambigüedad y que se utilizan cuando puede haber más de un tipo de nucleótido en esa posición. Las reglas de la Unión Internacional de Química Pura y Aplicada ( IUPAC ) son las siguientes: ^{[ 1 ]}

Por ejemplo, W significa que en esa posición podría aparecer una adenina o una timina sin que ello afecte a la funcionalidad de la secuencia.

Estos símbolos también son válidos para el ARN, excepto que U (uracilo) reemplaza a T (timina). ^{[ 1 ]}

Además de adenina (A), citosina (C), guanina (G), timina (T) y uracilo (U), el ADN y el ARN también contienen bases que han sido modificadas después de que se ha formado la cadena de ácido nucleico. En el ADN, la base modificada más común es la 5-metilcitidina (m5C). En el ARN, hay muchas bases modificadas, incluyendo pseudouridina (Ψ), dihidrouridina (D), inosina (I), ribotimidina (rT) y 7-metilguanosina (m7G). ^{[ 3 ] [ 4 ]} La hipoxantina y la xantina son dos de las muchas bases creadas por la presencia de mutágenos , ambas por desaminación (reemplazo del grupo amino por un grupo carbonilo). La hipoxantina se produce a partir de la adenina y la xantina a partir de la guanina . ^{[ 5 ]} De manera similar, la desaminación de la citosina da como resultado uracilo .

Ejemplo de comparación y determinación del  porcentaje de diferencia entre dos secuencias de nucleótidos.

• AA T CC GC TAG
• AA A CC CT TAG

Dadas las dos secuencias de 10 nucleótidos, alinéelas y compare las diferencias entre ellas. Calcule el porcentaje de diferencia dividiendo el número de diferencias entre las bases de ADN entre el número total de nucleótidos. En este caso, hay tres diferencias en la secuencia de 10 nucleótidos. Por lo tanto, la diferencia es del 30 %.

Una vez obtenida una secuencia de ácido nucleico de un organismo, se almacena in silico en formato digital. Las secuencias genéticas digitales pueden almacenarse en bases de datos de secuencias , analizarse (véase Análisis de secuencias más adelante), modificarse digitalmente y utilizarse como plantillas para crear nuevo ADN real mediante síntesis genética artificial .

El ADN del genoma de un organismo se puede analizar para diagnosticar vulnerabilidades a enfermedades hereditarias y también para determinar la paternidad (padre genético) o la ascendencia de una persona . Normalmente, cada persona porta dos variantes de cada gen : una heredada de la madre y otra del padre. Se cree que el genoma humano contiene entre 20 000 y 25 000 genes. Además del estudio de los cromosomas a nivel de genes individuales, las pruebas genéticas, en un sentido más amplio, incluyen análisis bioquímicos para detectar la posible presencia de enfermedades genéticas o mutaciones genéticas asociadas a un mayor riesgo de desarrollar trastornos genéticos.

Las pruebas genéticas identifican cambios en los cromosomas, genes o proteínas. ^{[ 6 ]} Generalmente, se utilizan para detectar cambios asociados con trastornos hereditarios. Los resultados de una prueba genética pueden confirmar o descartar una posible afección genética o ayudar a determinar la probabilidad de que una persona desarrolle o transmita un trastorno genético. Actualmente se utilizan varios cientos de pruebas genéticas y se están desarrollando más. ^{[ 7 ] [ 8 ]}

En bioinformática, un alineamiento de secuencias es una forma de organizar las secuencias de ADN , ARN o proteínas para identificar regiones de similitud que pueden deberse a relaciones funcionales, estructurales o evolutivas entre las secuencias. ^{[ 9 ]} Si dos secuencias en un alineamiento comparten un ancestro común, las discrepancias pueden interpretarse como mutaciones puntuales y los huecos como mutaciones de inserción o deleción ( indels ) introducidas en uno o ambos linajes en el tiempo transcurrido desde que divergieron entre sí. En los alineamientos de secuencias de proteínas, el grado de similitud entre los aminoácidos que ocupan una posición particular en la secuencia puede interpretarse como una medida aproximada de cuán conservada está una región o motivo de secuencia particular entre los linajes. La ausencia de sustituciones, o la presencia de solo sustituciones muy conservadoras (es decir, la sustitución de aminoácidos cuyas cadenas laterales tienen propiedades bioquímicas similares) en una región particular de la secuencia, sugiere ^{[ 10 ]} que esta región tiene importancia estructural o funcional. Aunque las bases nucleotídicas del ADN y del ARN son más similares entre sí que los aminoácidos, la conservación de los pares de bases puede indicar una función estructural o funcional similar. ^{[ 11 ]}

La filogenética computacional utiliza ampliamente alineamientos de secuencias en la construcción e interpretación de árboles filogenéticos , que se emplean para clasificar las relaciones evolutivas entre genes homólogos representados en los genomas de especies divergentes. El grado de diferencia entre las secuencias de un conjunto de consulta se relaciona cualitativamente con la distancia evolutiva entre ellas. En términos generales, una alta identidad de secuencia sugiere que las secuencias en cuestión tienen un ancestro común más reciente relativamente joven , mientras que una baja identidad sugiere que la divergencia es más antigua. Esta aproximación, que refleja la hipótesis del " reloj molecular " según la cual una tasa de cambio evolutivo aproximadamente constante puede utilizarse para extrapolar el tiempo transcurrido desde la primera divergencia de dos genes (es decir, el tiempo de coalescencia ), asume que los efectos de la mutación y la selección son constantes en todos los linajes de secuencias. Por lo tanto, no tiene en cuenta las posibles diferencias entre organismos o especies en las tasas de reparación del ADN ni la posible conservación funcional de regiones específicas en una secuencia. (En el caso de las secuencias de nucleótidos, la hipótesis del reloj molecular en su forma más básica también descarta la diferencia en las tasas de aceptación entre las mutaciones silenciosas que no alteran el significado de un codón determinado y otras mutaciones que dan como resultado la incorporación de un aminoácido diferente a la proteína). Los métodos estadísticamente más precisos permiten que la tasa de evolución varíe en cada rama del árbol filogenético, lo que produce mejores estimaciones de los tiempos de coalescencia de los genes.

Con frecuencia, la estructura primaria codifica motivos de importancia funcional. Algunos ejemplos de motivos de secuencia son: las cajas C/D ^{[ 12 ] y H/ACA [ 13 ]} de los snoRNA , el sitio de unión de Sm que se encuentra en los ARN espliceosomales como U1 , U2 , U4 , U5 , U6 , U12 y U3 , la secuencia de Shine-Dalgarno ^{[ 14 ]} , la secuencia consenso de Kozak ^{[ 15 ]} y el terminador de la ARN polimerasa III ^{[ 16 ]} .

En bioinformática , la entropía de secuencia, también conocida como complejidad de secuencia o perfil de información, ^{[ 17 ]} es una secuencia numérica que proporciona una medida cuantitativa de la complejidad local de una secuencia de ADN, independientemente de la dirección del procesamiento. La manipulación de los perfiles de información permite el análisis de las secuencias mediante técnicas sin alineación, como por ejemplo en la detección de motivos y reordenamientos. ^{[ 17 ] [ 18 ] [ 19 ]}