序列(一)一一序列比對(duì)

序列分析（一）

一一序列比對(duì)生物信息學(xué)研究的三個(gè)層面初級(jí)層面：

基于現(xiàn)有的生物信息數(shù)據(jù)庫(kù)和資源，利用成熟的生物信息學(xué)工具（專(zhuān)業(yè)網(wǎng)站、軟件）解決生物信息學(xué)問(wèn)題——生物信息數(shù)據(jù)庫(kù)（NCBI、EBI、DDBJ、UniProt等）——基因組序列分析、序列比對(duì)軟件（BLAST、CLUSTAL等）——系統(tǒng)發(fā)育樹(shù)構(gòu)建軟件的簡(jiǎn)單使用（PHYLIP、PALM等）——搜集、整理有特色的生物信息學(xué)數(shù)據(jù)庫(kù)中級(jí)層面：

利用數(shù)理統(tǒng)計(jì)方法和相關(guān)的工具，研究生物信息學(xué)問(wèn)題——概率、數(shù)理統(tǒng)計(jì)基礎(chǔ)——現(xiàn)有的數(shù)理統(tǒng)計(jì)和科學(xué)計(jì)算工具（EXCEL、SPSS等）高級(jí)層面：提出有重要意義的生物信息學(xué)問(wèn)題；自主創(chuàng)新，發(fā)展新方法，開(kāi)發(fā)新工具，引領(lǐng)生物信息學(xué)領(lǐng)域研究方向?！嫦蛏飳W(xué)領(lǐng)域，解決重要生物學(xué)問(wèn)題——利用數(shù)學(xué)、物理、化學(xué)、計(jì)算科學(xué)等思想和方法——建立模型，發(fā)展算法——自行編程，開(kāi)發(fā)軟件序列分析內(nèi)容與DNA和protein序列相關(guān)的研究都可稱為序列分析。主要包括：

1.序列比對(duì)2.基因組序列分析3.蛋白質(zhì)序列分析4.綜合序列分析為什么要進(jìn)行序列比對(duì)？？？序列拼接數(shù)據(jù)庫(kù)搜索方面進(jìn)化方面功能方面與進(jìn)化相關(guān)的幾個(gè)概念同源性與相似性：極易被混淆的兩個(gè)概念?。?！同源性(homology)：是指序列們是由共同祖先進(jìn)化而來(lái)，講兩條序列的同源關(guān)系，只有兩種情況：同源、不同源。相似性：指序列間的差別，是一個(gè)度量。同源與相似的關(guān)系：一般認(rèn)為序列相似性達(dá)到一定程度，即可認(rèn)為是同源，但不絕對(duì)。Ortholog(直系同源)：

兩個(gè)基因通過(guò)物種形成

的事件而產(chǎn)生，或源于不同物種的具有共同祖先的兩個(gè)基因，或者兩個(gè)物種中的同一基因，一般具有相同的功能。Paralog(旁系同源)：

指相同的基因組內(nèi)因基因復(fù)制

形成的多個(gè)具有不同功能的基因。Xenolog(異同源)：

由某一個(gè)水平基因轉(zhuǎn)移

事件而得到的同源序列。Convergence(趨同)：

序列的相似性是由隨機(jī)因素

產(chǎn)生。第一節(jié)、雙序列比對(duì)點(diǎn)陣分析動(dòng)態(tài)規(guī)劃1.點(diǎn)陣分析用途：1.尋找兩條序列間所有可能的比對(duì)；2.尋找蛋白質(zhì)、DNA序列上正向或反向的重復(fù)序列；3.發(fā)現(xiàn)RNA上可能存在的互補(bǔ)區(qū)域。優(yōu)點(diǎn)：1.可以找到兩個(gè)序列間所有可能的殘基匹配；2.簡(jiǎn)單、易懂3.直觀、整體性強(qiáng)工具：http://www.ebi.ac.uk/Tools/emboss/index.html例1：自身的比對(duì)AKGFKCADEA100000100K10010000G1000000F100000K10000C1000A100D10E1例2：重復(fù)序列AKGFDKGFEA100000000K10001000G1000100F100010D10000K11000G1100F110E1例3：反向重復(fù)/回文AUGCACGUCA100010000U10000010G1000100C101000A10000C11001G1100U110C1例4：RNAstem/loopAUGUAGCAUA100010010U10100001G1001000C000001U00001A0010C100A10U1例5：不同序列的比對(duì)PKDFCKALVP100000000K10001000F0100000T00000K11000A100I00V1PKDFCKALVPK-FTKAIV字符的關(guān)系：匹配刪除或插入替換點(diǎn)陣法的序列比對(duì)Sequence1#1nSequence2#1m“-”Insertion“-”Insertion尋找兩條序列的最佳比對(duì)，實(shí)際上就是尋找在矩陣標(biāo)記圖中找非重疊平行斜線最長(zhǎng)的組合。→序列1→→序列2→實(shí)例對(duì)于較長(zhǎng)的序列，有很多匹配的字符，點(diǎn)陣圖變得非常復(fù)雜和模糊。點(diǎn)陣法的滑動(dòng)窗口技術(shù)：

使用滑動(dòng)窗口代替一次一個(gè)位點(diǎn)的比較,是解決這個(gè)問(wèn)題的有效方法。

假設(shè)窗口大小為10，相似度閾值為8，則每次比較取10個(gè)連續(xù)的字符，如相同的字符超過(guò)8個(gè)，則標(biāo)記，

基于滑動(dòng)窗口的點(diǎn)矩陣方法可以明顯地降低點(diǎn)陣圖的噪聲，并且明確無(wú)誤的指示出了兩條序列間具有顯著相似性的區(qū)域。

（a）對(duì)人類(lèi)（Homosapiens）與黑猩猩（Pongopygmaeus）的β球蛋白基因序列進(jìn)行比較的完整點(diǎn)陣圖。（b）利用滑動(dòng)窗口對(duì)以上的兩種球蛋白基因序列進(jìn)行比較的點(diǎn)陣圖，其中窗口大小為10個(gè)核苷酸，相似度閾值為8。(a)(b)滑動(dòng)窗口和閾值的選擇過(guò)于經(jīng)驗(yàn)化,信噪比較低,不適合進(jìn)行高通量的數(shù)據(jù)分析,對(duì)長(zhǎng)序列，計(jì)算時(shí)間長(zhǎng)。點(diǎn)陣序列比對(duì)的缺點(diǎn)作為雙序列比對(duì)的第一步，點(diǎn)陣圖提供了一個(gè)大尺度的輪廓信息http://www.ebi.ac.uk/Tools/emboss/align/序列相似性打分矩陣簡(jiǎn)單的得分函數(shù)：p(a,a)=1p(a,b)=0p(a,-)=p(-,b)=-1例5：不同序列的比對(duì)PKDFCKALVP100000000K10001000F0100000T00000K11000A100I00V1PKDFCKALVPK-FTKAIV字符的關(guān)系：匹配刪除或插入替換PKDFCKALVPK–

FTKA

I

V對(duì)于例五中的情況：11-1101101Score=1+1+(-1)+1+0+1+1+0+1=5由于序列長(zhǎng)度不同，因此相對(duì)長(zhǎng)度的得分更有意義：

Sim(s,t)=2×Score/(m+n)=2×5/(9+8)=0.588注意：不同類(lèi)型的字符替換，其代價(jià)是不同的。ATCGA5-4-4-4T-45-4-4C-4-45-4G-4-4-45BLAST矩陣目前最流行的序列比較程序BLAST使用的矩陣核酸矩陣一ATCGA1-5-5-1T-51-1-5C-5-11-5G-1-5-51轉(zhuǎn)移矩陣基于顛換、轉(zhuǎn)換原理。核酸矩陣二遺傳密碼矩陣：通過(guò)計(jì)算一個(gè)氨基酸變化為另一個(gè)氨基酸，所需密碼子中堿基的變換數(shù)目而得到。例如：苯丙氨酸M=>色氨酸W（ATG）（TGG）替換值為：2蛋白質(zhì)矩陣二疏水矩陣：利用氨基酸的疏水性蛋白質(zhì)矩陣一PAM矩陣：通過(guò)統(tǒng)計(jì)氨基酸的相互替換率得到的矩陣，最早是由Dayhoff等研究了71個(gè)相關(guān)蛋白家族的1572個(gè)突變。BLOSUM矩陣：也是通過(guò)統(tǒng)計(jì)氨基酸的相互替換率。蛋白質(zhì)矩陣三二者區(qū)別：前者Dayhoff模型，假設(shè)蛋白質(zhì)序列各部位進(jìn)化的速率是均等的。但事實(shí)上并非如此，因?yàn)楸Ｊ貐^(qū)的進(jìn)化速率顯然低于非保守區(qū)。后者由Henikoff算法得到，對(duì)不同家族蛋白質(zhì)序列片段進(jìn)行比對(duì)，不加入gaps，這些序列區(qū)間對(duì)應(yīng)于高度保守的區(qū)域。氨基酸匹配率可通過(guò)各區(qū)間可能的匹配率得到。再將這些匹配率計(jì)入匹配率表。PAM矩陣（PointAcceptedMutation）序列相似度=14%-27%40%50%

60%

|

|

|

|打分矩陣=PAM250PAM120PAM80PAM60BLOSUM：BLOSUM60：序列相似度為

60％左右的序列使用；BLOSUM80：序列相似度為

80％左右的序列使用。PAM1矩陣，除以10000ARA98672R19913ReplacementaminoacidOriginalaminoacid2.動(dòng)態(tài)規(guī)劃算法動(dòng)態(tài)規(guī)劃往往被用于一個(gè)復(fù)雜的空間中尋找一條最優(yōu)路徑。全局優(yōu)化比對(duì)：Needleman-Wunsch局部?jī)?yōu)化比對(duì)：Smith-Waterman為什么要設(shè)計(jì)動(dòng)態(tài)規(guī)劃算法?直接的序列比對(duì)，要分別計(jì)算所有比對(duì)情況的分值，以求得最大分值（或最小分值）。但兩序列比對(duì)數(shù)是序列長(zhǎng)度的指數(shù)函數(shù)，計(jì)算量很大，因此必須設(shè)計(jì)高效的算法。BLOSUM62替代矩陣以兩序列VDSCY和VESLCY為例空位罰分d=-11動(dòng)態(tài)規(guī)劃算法：全局比對(duì)(1)GapVDSCYGap01gap2gap…V1gapE2gapS…LCY本例：線性罰分全局比對(duì)(2)GapVDSCYGap0-11-22-33-44-55V-11SijE-22S-33L-44C-55Y-66要求解Sij的分?jǐn)?shù)，我們必須先知道Si-1,j-1,Si-1,j,Si,j-1的分?jǐn)?shù)，這種方法叫做遞歸算法；采用這種方法，可以把大的問(wèn)題分割成小的問(wèn)題逐一解決，即動(dòng)態(tài)規(guī)劃算法；需要存儲(chǔ)如何得到Sij分?jǐn)?shù)的過(guò)程。全局比對(duì)(3)ijGapVDSCYGap0-11-22-33-44-55V-11SijE-22S-33L-44C-55Y-66Needleman-Wunsch算法；

Si-1,j-1+σ(xi,yj)Sij=maxofSi-1,j+d(從上到下)

Si,j-1+d(從左到右)BLOSUM62替代矩陣全局比對(duì)(4)GapVDSCYGap0-11-22-33-44-55V-114E-22S-33L-44C-55Y-664-11-11Needleman-Wunsch算法；

Si-1,j-1+σ(xi,yj)Sij=maxofSi-1,j+d(從上到下)

Si,j-1+d(從左到右)BLOSUM62替代矩陣以兩序列VDSCY和VESLCY為例空位罰分d=-11全局比對(duì)(5)GapVDSCYGap0-11-22-33-44-55V-114-7E-22S-33L-44C-55Y-66-3-11-11VD:-3全局比對(duì)(6)GapVDSCYGap0-11-22-33-44-55V-114-7-18-29-40E-22-76-5-16-27S-33-18-510-1-12L-44-29-16-19-2C-55-40-27-1287Y-66-51-38-23-315424-1-297比對(duì)結(jié)果：VDS–CYVESLCYGapVDSCYGap0-11-22-33-44-55V-114-7-18-29-40E-22-76-5-16-27S-33-18-510-1-12L-44-29-16-19-3C-55-40-27-1287Y-66-51-38-23-315基于蛋白質(zhì)疏水矩陣的全局比對(duì)以兩序列VDSCY和VESLCY為例空位線性罰分d=-20課后作業(yè)結(jié)論：比對(duì)結(jié)果與構(gòu)建的打分矩陣和罰分函數(shù)有關(guān)構(gòu)建合理的矩陣和罰分函數(shù)才能進(jìn)行最佳比對(duì)目前較為公認(rèn)的是BLOSUM和PAM矩陣局部?jī)?yōu)化比對(duì)下例：局部?jī)?yōu)化打分兩條序列如下：LDSCHGESLCK目標(biāo)：使用局部?jī)?yōu)化算法尋找最佳比對(duì)的結(jié)果對(duì)全局比對(duì)策略稍作修改可得到局部最優(yōu)比對(duì)算法。比對(duì)的路徑不需要到達(dá)搜索圖的盡頭,如果某種比對(duì)的分值不會(huì)因?yàn)樵黾颖葘?duì)的數(shù)量而增加時(shí)，這種比對(duì)就是最佳的。依賴于記分系統(tǒng)的性質(zhì)：因?yàn)槟撤N路徑的記分會(huì)在不匹配的序列段減少,當(dāng)分值降為零時(shí)，路徑的延展將會(huì)終止，一個(gè)新的路徑就會(huì)產(chǎn)生。局部?jī)?yōu)化比對(duì)(1)GapLDSCHGap000000G0SijE0S0L0C0K0Smith-Waterman算法；

Si-1,j-1+σ(xi,yj)Sij

=maxof

Si-1,j+d(從上到下)

Si,j-1+d(從左到右)0gap:-11，線性罰分模型。BLOSUM62替代矩陣局部?jī)?yōu)化比對(duì)(2)GapLDSCHGap000000G00E0S0L0C0K0-11-11-3局部?jī)?yōu)化比對(duì)(3)GapLDSCHGap000000G000E0S0L0C0K0-11-11-4比對(duì)結(jié)果：GapLDSCHGap000000G000000E002210S002610L040052C001092K000008LDS–CHGESLCK序列比對(duì)的分值1.Smith-waterman算法打分：9分2.直接打分：2+4-11+9=4L

DS–C

HG

ESLC

K比對(duì)的統(tǒng)計(jì)檢驗(yàn)用來(lái)判斷兩條序列的比對(duì)分?jǐn)?shù)是否足夠高，是否有統(tǒng)計(jì)意義；沒(méi)有數(shù)學(xué)理論描述全序列比對(duì)的期望分布；通常做法：兩序列分別打亂進(jìn)行比對(duì)，獲得正態(tài)分布進(jìn)行檢驗(yàn)；Karlin-Altschul公式在眾多序列比對(duì)軟件中，均能計(jì)算顯著性。Karlin-Altschul公式在一定的序列長(zhǎng)度m和n限定下，高比值片段對(duì)的統(tǒng)計(jì)值可由2個(gè)參數(shù)(k和λ)確定。最簡(jiǎn)單的形式，即不小于比較值為S的高比值片段對(duì)個(gè)數(shù)，可由下列公式算得其期望值：參數(shù)K和λ可分別被簡(jiǎn)單地視為搜索步長(zhǎng)和計(jì)分系統(tǒng)的特征數(shù)第二節(jié)、多序列比對(duì)1.不同物種中，許多基因的功能保守，序列相似性較高，通過(guò)多條序列的比較，發(fā)現(xiàn)保守與變異的部分；2.構(gòu)建進(jìn)化的樹(shù)的必須步驟；3.比較基因組學(xué)研究需要。動(dòng)態(tài)規(guī)劃算法：hyperlattice注意最優(yōu)的多序列比對(duì)，其兩兩序列之間的比對(duì)不一定最優(yōu)。

最優(yōu)的多序列比對(duì)非最優(yōu)的雙序列比對(duì)多序列比對(duì)軟件的性能比較1.ProbCons：目前綜合性能最好；2.T-Coffee：序列相似性高時(shí)最準(zhǔn)確；3.DIALIGN:序列相似性低時(shí)最準(zhǔn)確；4.POA：性能接近T-Coffee和DIALIGN，速度最快；5.ClustalW/X:最經(jīng)典、最被廣泛接受的工具；6.MUSCLE:目前最流行的多序列比對(duì)工具。ClustalW/X發(fā)展歷史：1.Clustal:1988年開(kāi)發(fā)；2.ClustalW:1994年，JulieD.