生物序列的相似性搜索ppt課件

1、生物序列的相似性搜索 blast簡介及其應(yīng)用,中山大學(xué)生科院 2004年3月,2,內(nèi)容提要,1.基本概念 相似性，同源性 2.Blast介紹 Blast資源和相關(guān)問題 3.Blast的應(yīng)用 網(wǎng)絡(luò)版 單機版 4.深入了解Blast(改進(jìn)程序，算法基礎(chǔ)) 5.其他的序列相似性搜索工具（fasta,3,生物序列的相似性,相似性： 是指一種很直接的數(shù)量關(guān)系，比如部分相同或相似的百分比或其它一些合適的度量。比如說，A序列和B序列的相似性是80，或者4/5。這是個量化的關(guān)系。當(dāng)然可進(jìn)行自身局部比較,4,同源性： 指從一些數(shù)據(jù)中推斷出的兩個基因或蛋白質(zhì)序列具而共同祖先的結(jié)論，屬于質(zhì)的判斷。就是說A和B的關(guān)系

2、上，只有是同源序列，或者非同源序列兩種關(guān)系。而說A和B的同源性為80都是不科學(xué)的,生物序列的同源性,5,相似性和同源性關(guān)系,序列的相似性和序列的同源性有一定的關(guān)系，一般來說序列間的相似性越高的話，它們是同源序列的可能性就更高，所以經(jīng)?？梢酝ㄟ^序列的相似性來推測序列是否同源。 正因為存在這樣的關(guān)系，很多時候?qū)π蛄械南嗨菩院屯葱跃蜎]有做很明顯的區(qū)分，造成經(jīng)常等價混用兩個名詞。所以有出現(xiàn)A序列和B序列的同源性為80一說,6,序列相似性比較和序列同源性分析,序列相似性比較： 就是將待研究序列與DNA或蛋白質(zhì)序列庫進(jìn)行比較，用于確定該序列的生物屬性，也就是找出與此序列相似的已知序列是什么。完成這一工作

3、只需要使用兩兩序列比較算法。常用的程序包有BLAST、FASTA等； 序列同源性分析： 是將待研究序列加入到一組與之同源，但來自不同物種的序列中進(jìn)行多序列同時比較，以確定該序列與其它序列間的同源性大小。這是理論分析方法中最關(guān)鍵的一步。完成這一工作必須使用多序列比較算法。常用的程序包有CLUSTAL等,7,Blast簡介（一,BLAST 是由美國國立生物技術(shù)信息中心（NCBI） 開發(fā)的一個基于序列相似性的數(shù)據(jù)庫搜索程序。 BLAST是“局部相似性基本查詢工具”(Basic Local Alignment Search Tool)的 縮寫,8,Blast 是一個序列相似性搜索的程序包，其中包含了很

4、多個獨立的程序，這些程序是根據(jù)查詢的對象和數(shù)據(jù)庫的不同來定義的。比如說查詢的序列為核酸，查詢數(shù)據(jù)庫亦為核酸序列數(shù)據(jù)庫，那么就應(yīng)該選擇blastn程序。 下表列出了主要的blast程序,Blast簡介（二,9,主要的blast程序,10,Blast相關(guān)的問題,怎么獲得blast服務(wù),怎么使用的問題？ 為什么使用blast，可以獲得什么樣的信息？ 其他問題：實際使用時選擇哪種方式（網(wǎng)絡(luò)，本地化），參數(shù)的選擇，結(jié)果的解釋,11,Blast資源,1.NCBI主站點： /BLAST/(網(wǎng)絡(luò)版) /bla

5、st/ (單機版) 2.其他站點： http:/ http:/nema.cap.ed.ac.uk/ncbi_blast.html /blast/（果蠅）,12,Blast結(jié)果給出的信息,Blast結(jié)果會列出跟查詢序列相似性比較高，符合限定要求的序列結(jié)果，根據(jù)這些結(jié)果可以獲取以下一些信息。 1.查詢序列可能具有某種功能 2.查詢序列可能是來源于某個物種 3.查詢序列可能是某種功能基因的同源基因 這些信息都可以應(yīng)用到后續(xù)分析中,13,兩種版本的Blast比較（一,網(wǎng)絡(luò)版本 包括NCBI在內(nèi)的很多網(wǎng)站都提供了在線的blast服務(wù)，這也是我們最經(jīng)常用到的bl

6、ast服務(wù)。網(wǎng)絡(luò)版本的blast服務(wù)就有方便，容易操作，數(shù)據(jù)庫同步更新等優(yōu)點。但是缺點是不利于操作大批量的數(shù)據(jù)，同時也不能自己定義搜索的數(shù)據(jù)庫,14,單機版 單機版的blast可以通過NCBI的ftp站點獲得，有適合不同平臺的版本（包括linux，dos等）。獲得程序的同時必須獲取相應(yīng)的數(shù)據(jù)庫才能在本地進(jìn)行blast分析。單機版的優(yōu)點是可以處理大批的數(shù)據(jù)，可以自己定義數(shù)據(jù)庫，但是需要耗費本地機的大量資源，此外操作也沒有網(wǎng)絡(luò)版直觀、方便，需要一定的計算機操作水平,兩種版本的Blast比較（二,15,NCBI提供的Blast服務(wù),登陸ncbi的blast主頁,核酸序列,蛋白序列,翻譯序列,底下有其

7、他一些針對特殊數(shù)據(jù)庫的和查看以往的比對結(jié)果等,16,Blast任務(wù)提交表單（一,1.序列信息部分,填入查詢（query）的序列,序列范圍 （默認(rèn)全部,選擇搜索數(shù)據(jù)庫,如果接受其他參數(shù)默認(rèn)設(shè)置，點擊開始搜索,17,Blast任務(wù)提交表單（二,設(shè)置搜索的范圍，entrez關(guān)鍵詞，或者選擇特定物種,2.設(shè)置各種參數(shù)部分,一些過濾選項，包括簡單重復(fù)序列，人類基因組中的重復(fù)序列等,E值上限,窗口大小,如果你對blast的命令行選項熟悉的話，可以在這里加入更多的參數(shù),18,Blast任務(wù)提交表單（三,3.設(shè)置結(jié)果輸出顯示格式,選擇需要顯示的選項以及顯示的文件格式,顯示數(shù)目,Alignment的顯示方式,篩

8、選結(jié)果,E值范圍,其他一些顯示格式參數(shù),點擊開始搜索,19,提交任務(wù),返回查詢號（request id,可以修改顯示結(jié)果格式,修改完顯示格式后點擊進(jìn)入結(jié)果界面,20,結(jié)果頁面（一,圖形示意結(jié)果,21,結(jié)果頁面（二,目標(biāo)序列描述部分,帶有g(shù)enbank的鏈接，點擊可以進(jìn)入相應(yīng)的genbank序列,匹配情況，分值，e值,22,結(jié)果頁面（三,詳細(xì)的比對上的序列的排列情況,23,一個具體的例子（blastp,假設(shè)以下為一未知蛋白序列 query_seq MSDNGPQSNQRSAPRITFGGPTDSTDNNQNGGRNGARPKQRRPQGLPNNTASWFTALTQHGKEELRFPRGQGVPI

9、NTNSGPDDQIGYYRRATRRVRGGDGKMKELSPRWYFYYLGTGPEASLPYGANKEGIVWVATEGALNTPKDHIGTRNPNNNAATVLQLPQGTTLPKGFYAEGSRGGSQASSRSSSRSRGNSRNSTPGSSRGNSPARMASGGGETALALLLLDRLNQLESKVSGKGQQQQGQTVTKKSAAEASKKPRQKRTATKQYNVTQAFGRRGPEQTQGNFGDQDLIRQGTDYKHWPQIAQFAPSASAFFGMSRIGMEVTPSGTWLTYHGAIKLDDKDPQFKDNVILLNKHIDAYKTFPPTEPKKDKKK

10、KTDEAQPLPQRQKKQPTVTLLPAADMDDFSRQLQNSMSGASADST QA 我們通過blast搜索來獲取一些這個序列的信息,24,具體步驟,1.登陸blast主頁 /BLAST/ 2.根據(jù)數(shù)據(jù)類型，選擇合適的程序 3.填寫表單信息 4.提交任務(wù) 5.查看和分析結(jié)果,25,分析過程（一,1.登陸ncbi的blast主頁,2.選擇程序，因為查詢序列是蛋白序列可以選擇blastp，點擊進(jìn)入,也可以選擇tblastn,作為演示， 我們這里選blastp,26,分析過程（二,3.填入序列（copypaste） Fasta格式，或者

11、純序列,4.選擇搜索區(qū)域，這里我們要搜索整個序列，不填,5.選擇搜索數(shù)據(jù)庫，這里我們選nr(非冗余的蛋白序列庫,是否搜索保守區(qū)域數(shù)據(jù)庫（cdd），蛋白序列搜索才有。 我們選上,27,分析過程（三,6.限制條件，我們限制在病毒里面找,7.其他選項保持默認(rèn)值,打分矩陣,28,分析過程（四,8.輸出格式選項保持默認(rèn)值,9.點擊開始搜索,29,分析過程（五,10.查詢序列的一些相關(guān)信息,在cdd庫里面找到兩個保守區(qū)域，點擊可以進(jìn)入,30,分析過程（六,圖形結(jié)果,31,分析過程（七,匹配序列列表,32,分析過程（八,具體匹配情況,33,為什么使用單機版的Blast？ 1.特殊的數(shù)據(jù)庫要求。 2.涉及序列

12、的隱私與價值。 3.批量處理 4.其他原因,單機版的Blast使用（一,34,單機版Blast的基本操作過程 1.下載單機版的Blast程序 /blast/executables/ 目錄下，下載對應(yīng)的操作系統(tǒng)版本。 2.解壓程序包(blast.tar.gz) 命令是: $ tar zxvf blast.tar.gz,單機版的Blast使用（二,35,3.獲取Blast數(shù)據(jù)庫 a.直接從ncbi下載 /blast/db/ b.用Blast程序包提供的formatdb工具自己格式化序列數(shù)據(jù)成數(shù)據(jù)庫。

13、 假設(shè)有一序列數(shù)據(jù)（sequence.fa，多序列，fasta格式），欲自己做成Blast數(shù)據(jù)庫，典型的命令如下,單機版的Blast使用（三,36,核酸序列： $ ./formatdb i sequence.fa p F o T/F n db_name 蛋白序列： $ ./formatdb i sequence.fa p T o T/F n db_name,單機版的Blast使用（四,37,4.執(zhí)行Blast比對 獲得了單機版的Blast程序，解壓開以后，如果有了相應(yīng)的數(shù)據(jù)庫（db），那么就可以開始執(zhí)行Blast分析了。 單機版的Blast程序包，把基本的blast分析，包括blastn，bl

14、astp，blastx等都整合到了blastall一個程序里面,單機版的Blast使用（五,38,以下是一個典型的blastn分析命令： (待分析序列seq.fa，數(shù)據(jù)庫nt_db) $./blastall p blastn i seq.fa -d nt_db w 7 e 10 o 程序名 輸入 數(shù)據(jù)庫 窗口 e值 輸出 seq.blastn.out 該命令的意思是，對seq.fa文件中的核酸序列對nt_db數(shù)據(jù)庫執(zhí)行blastn搜索，窗口大小是7，e值限制是10，輸出的結(jié)果保存到文件seq.blastn.out 中,單機版的Blast使用（六,39,5.Blastall的常用參數(shù) -p 程序

15、名應(yīng)該是blastn，blastp，blastx，tblastn，tblastx中的一個 -d 數(shù)據(jù)庫名稱，默認(rèn)nr -i 查詢序列文件，默認(rèn)stdin -e E值限制，默認(rèn)10 -o 結(jié)果輸出文件，默認(rèn)stdout -F 過濾選項，默認(rèn)T,單機版的Blast使用（七,40,進(jìn)一步深入Blast,1.blast2 2.Megablast 3.Psi-blast 4.其他(rpsblast,blastclust等,41,Blast2,兩個序列的blast比對，給定兩個序列，相互進(jìn)行blast比對。能快速檢查兩個序列是否存在相似性片斷或者是否一致。這比起全序列比對要快很多,42,Megablast

16、,megablast采用了貪婪算法(greedy algorithm),它連接了多個查詢序列進(jìn)行一次搜索比對，這樣節(jié)省了很多搜索數(shù)據(jù)庫的時間。主要針對核酸序列。是blast經(jīng)過優(yōu)化后，適用于由于測序或者其他原因形成的輕微的差別的序列之間的比較，比一般的相似性搜索程序要快10倍，可以很快的完成兩組大數(shù)據(jù)的比對,43,PSI-blast,Position specific iterative BLAST (PSI-BLAST) 位點特異的迭代blast搜索，主要針對蛋白序列。第一次blast搜索后，結(jié)果中最相似的序列重新構(gòu)建PSSM (位點特異性打分矩陣)，然后再使用該矩陣進(jìn)行第二輪blast搜索

17、，再調(diào)整矩陣，搜索，如此迭代。 最終高度保守的區(qū)域就會得到比較高的分值，而不保守的區(qū)域則分?jǐn)?shù)降低，趨近0。 這樣可以提高blast搜索的靈敏度,44,Blast的算法基礎(chǔ),基本思想是：通過產(chǎn)生數(shù)量更少的但質(zhì)量更好的增強點來提高速度。 BALST算法是建立在嚴(yán)格的統(tǒng)計學(xué)的基礎(chǔ)之上的。它集中于發(fā)現(xiàn)具有較高的相似性的局部比對，且局部比對中不能含有空位（blast2.0引入了允許插入gap的算法）。 由于局部比對的限制條件，在大多數(shù)情況下比對會被分解為若干個明顯的HSP(High-score Sequence Pairs,45,Blast的算法流程,46,首先確定一個終止值S、步長參數(shù)w和一個閾值t。

18、S值通常是基于統(tǒng)計學(xué)的原理指明一個預(yù)期的終止E值，然后軟件會在考慮搜索背景性質(zhì)的基礎(chǔ)上計算出合適的S值。使要比對的序列中包含一個分值不小于S的HSP,Blast的算法（一,47,Blast的算法（二,2. 引入鄰近字串的思想：不需要字串確切地匹配，當(dāng)有一個字串的分值高于t時，BALST就宣稱找到了一個選中的字串。為了提高速度，允許較長的字串長度W。W值很少變化，這樣，t值就成為權(quán)衡速度和敏感度的參數(shù),48,Blast的算法（三,一個字串選中后，程序會進(jìn)行沒有空位的局部尋優(yōu)，比對的最低分值是S，當(dāng)比對延伸時會遇到一些負(fù)的分值，使得比對的分值下降，當(dāng)下降的分值小于S時，命中的延伸就會終止。這樣系統(tǒng)

19、會減少消耗于毫無指望的選中延伸的時間，使系統(tǒng)的性能得以改進(jìn),49,在1997年提出了對BLAST程序的改進(jìn)算法，提高了搜索速度、敏感度和實用性。 可處理間隔(gap)的gapped BLAST算法 PSI-BLAST算法 對一個選中字串長度標(biāo)準(zhǔn)的延伸 利用profile(表頭文件)的數(shù)據(jù)結(jié)構(gòu)來進(jìn)行搜索,Blast的改進(jìn)（一,50,擴(kuò)大步長，以步長為2w來搜索。 允許位于不同的對角線的兩個片段拼接在一起。位于不同對角線的兩個片段拼接在一起的前提條件是：拼接后片段的分值不小于某一個終止值。 執(zhí)行通常的BLAST算法，使用一種不同的記分方式，根據(jù)高度顯著比對(HSPs)的最高分值建立一個最初的pro

20、file,Blast的改進(jìn)（二,51,根據(jù)該profile反復(fù)利用BLAST算法對數(shù)據(jù)庫進(jìn)行搜索，這一步實際上是根據(jù)表頭文件的統(tǒng)計結(jié)果擴(kuò)展局部比對。這一過程是反復(fù)進(jìn)行的，直到再沒有發(fā)現(xiàn)新的有意義的匹配為止。由于在每一輪都會有新的片段加入，因此在操作過程中profile需要在每一個循環(huán)結(jié)束之后更新,Blast的改進(jìn)（三,52,其他的序列相似性搜索工具 fasta,FastA算法是由Lipman和Pearson于1985年發(fā)表的（Lipman和Pearson，1985）。FastA的基本思路是識別與代查序列相匹配的很短的序列片段，稱為k-tuple。 以下鏈接是EBI提供的fasta服務(wù)。 htt

21、p:/www.ebi.ac.uk/fasta33,53,幫助信息,各個參數(shù)選項,填入搜索序列,54,基本思想是：一個能夠揭示出真實的序列關(guān)系的比對至少包含一個兩個序列都擁有的字(片斷)，把查詢序列中的所用字編成索引，然后在數(shù)據(jù)庫搜索時查詢這些索引，以檢索出可能的匹配，這樣那些命中的字很快被鑒定出來,FASTA算法基礎(chǔ),55,確定參數(shù)ktup，在兩個序列中查找長度為ktup的、相匹配的片段(增強點)。為了提高速度，可以通過查詢表格或hash表來完成，然后在表格中搜索與另一條序列相匹配的、長度為ktup的片段,FASTA算法（一,56,2. 在同一條對角線中臨近的增強點成為一個增強段。每一個增強點都賦予一個正的分值，一個增強段中相鄰的兩個增強點之間的不匹配區(qū)域賦予一定的負(fù)值。一個增強段對應(yīng)于一段相匹配的子序列，分值最高的段被標(biāo)記為ini