中國科技大學(xué)課件系列：《生物信息學(xué)》04講課講稿

1、中國科技大學(xué)課件系列：生物信息學(xué)04r第一節(jié)：數(shù)學(xué)基礎(chǔ)：概率及概率模型第一節(jié)：數(shù)學(xué)基礎(chǔ)：概率及概率模型r第二節(jié)：雙序列比對算法的介紹第二節(jié)：雙序列比對算法的介紹Dot matrix動態(tài)規(guī)劃算法動態(tài)規(guī)劃算法w(Needleman-Wunsch, Smith-Waterman算法算法) FASTA和和BLAST算法算法r第三節(jié)：打分矩陣及其含義第三節(jié)：打分矩陣及其含義r第四節(jié)：多序列比對第四節(jié)：多序列比對r71個蛋白質(zhì)家族的個蛋白質(zhì)家族的1572種變化；種變化；r序列相似性序列相似性 85%；r 功能同源的蛋白質(zhì)功能同源的蛋白質(zhì) 通過中性進化，引入通過中性進化，引入可接受的點突變；可接受的點突變；

2、r 進化模型：進化模型：A. 基本假設(shè)：中性進化，基本假設(shè)：中性進化，Kimura,1968;B. 進化的對稱性進化的對稱性: A-B = B-A;C. 擴展性：通過對較短時間內(nèi)氨基酸替代關(guān)系擴展性：通過對較短時間內(nèi)氨基酸替代關(guān)系的計算來計算較長時間的氨基酸替代關(guān)系；的計算來計算較長時間的氨基酸替代關(guān)系；r 兩個蛋白質(zhì)序列的兩個蛋白質(zhì)序列的1%氨基酸發(fā)生變化；氨基酸發(fā)生變化；r 定義進化時間以氨基酸的變異比例為準，定義進化時間以氨基酸的變異比例為準，而不是時間；因為各個蛋白質(zhì)家族進化的速而不是時間；因為各個蛋白質(zhì)家族進化的速度并不相等；度并不相等；r PAM2 = PAM1*PAM1 PAM3

3、 = (PAM1)3 PAM250= (PAM1)250r選取多個家族的相似性選取多個家族的相似性85%的保守序列；的保守序列；r根據(jù)匹配計分進行多重比對根據(jù)匹配計分進行多重比對(不含空位不含空位)；r以比對結(jié)果構(gòu)建進化樹，反映氨基酸替換關(guān)以比對結(jié)果構(gòu)建進化樹，反映氨基酸替換關(guān)系；系；r計算每種氨基酸轉(zhuǎn)換成其它氨基酸的次數(shù)；計算每種氨基酸轉(zhuǎn)換成其它氨基酸的次數(shù)；r計算每種氨基酸突變率；計算每種氨基酸突變率；r計算每對氨基酸突變率，得到突變概率矩陣計算每對氨基酸突變率，得到突變概率矩陣，將此矩陣自乘，將此矩陣自乘n次；次；r將突變概率矩陣轉(zhuǎn)化為將突變概率矩陣轉(zhuǎn)化為PAMn矩陣。矩陣。r 已知已知

4、3個蛋白質(zhì)家族若干保守序列片段：個蛋白質(zhì)家族若干保守序列片段：家族一：家族一：FKILK，F(xiàn)KIKK，F(xiàn)FILL，F(xiàn)FIKL家族二：家族二：IIFFF， IIFIF ， IKFFL ， IKFIL家族三：家族三： KIFKK，KIFLK，KLFKL，KLFLL按按Doyhoff方法構(gòu)建方法構(gòu)建PAM1與與PAM2矩陣矩陣r位置對齊，多重比對（不考慮空位）：位置對齊，多重比對（不考慮空位）：r統(tǒng)計每種氨基酸出現(xiàn)的頻率；統(tǒng)計每種氨基酸出現(xiàn)的頻率；fi = 氨基酸氨基酸i的數(shù)目的數(shù)目/總氨基酸數(shù)目總氨基酸數(shù)目fL = 12/60 = 0.2.家族一家族一家族二家族二家族三家族三F K I L KI

5、I F F FK I F K KF K I K KI I F I FK I F L KF F I L LI K F F LK L F K LF F I K LI K F I LK L F L Lr最大簡約法最大簡約法家族一家族一:wL和和K間相互轉(zhuǎn)換次數(shù)：間相互轉(zhuǎn)換次數(shù)：N(LK) = 3家族二，家族三家族二，家族三 FKILKFKIKKFKIKKFFIKLFFILLFFIKL(LK)(KF)(LK)(LK)r計算每種氨基酸轉(zhuǎn)換成其它氨基酸的次數(shù)。計算每種氨基酸轉(zhuǎn)換成其它氨基酸的次數(shù)。r假設(shè)兩種氨基酸間相互轉(zhuǎn)換一樣。假設(shè)兩種氨基酸間相互轉(zhuǎn)換一樣。e.g. N(LK)= 3 + 0 + 3 =

6、6KFILK116F121I121L611r每種氨基酸相對突變率每種氨基酸相對突變率miri：第：第i種氨基酸；種氨基酸；rfi ：每種氨基酸出現(xiàn)的頻率；：每種氨基酸出現(xiàn)的頻率；mK = 8/(122 fK 100) = 0.01251002iifim總替換數(shù)總共發(fā)生替換數(shù)氨基酸r氨基酸氨基酸i替換為替換為j的突變率的突變率mije.g.mKK = 1- mK = 0.9875mKF = mF 1/4 = 0.001389iiiiijmmjijjimmji1時，總共發(fā)生替換數(shù)氨基酸相互替換的次數(shù)與氨基酸時，r氨基酸突變概率氨基酸突變概率一步轉(zhuǎn)移概率矩陣一步轉(zhuǎn)移概率矩陣M1ij原氨基酸原氨基酸K

7、FIL替換氨替換氨基酸基酸K0.98750.0015630.0015630.009375F0.0013890.9944440.0027780.001389I0.0017860.0035710.9928570.001786L0.01250.0020830.0020830.983333r由突變率由突變率mij計算計分矩陣中的分值計算計分矩陣中的分值rij：r將將rij = rji取平均值，再取整數(shù)；取平均值，再取整數(shù)；（按先前假設(shè)，（按先前假設(shè)， rij = rji） rKK = 10lg(mkk/ fk) = 5.6857 6 (rKF + rFK )/2 = -22.833 -23 )/lg(

8、10iijijfmr r三個家族序列片段得到的三個家族序列片段得到的PAM1計分矩陣：計分矩陣：KFILK6F-235I-22-196L-13-22-207r將氨基酸突變概率矩陣自乘一次，得到兩將氨基酸突變概率矩陣自乘一次，得到兩步轉(zhuǎn)移概率矩陣步轉(zhuǎn)移概率矩陣M2ij M2ij = M1ij M1ijr三個家族序列片段得到的三個家族序列片段得到的PAM2計分矩陣：計分矩陣：KFILK6F-205I-19-166L-10-19-187r PAM250: 250%期望的突變；期望的突變；r 蛋白質(zhì)序列仍然有蛋白質(zhì)序列仍然有15-30%左右的相似性；左右的相似性；rPAM250: 15-30%的序列相

9、似性的序列相似性；rPAM120: 40%的序列相似性；的序列相似性；rPAM80: 50%rPAM60: 60%r如何選擇最合適的矩陣？如何選擇最合適的矩陣？r 多種嘗試多種嘗試r1. PAM系列矩陣存在的問題：系列矩陣存在的問題：A. 氨基酸的打分矩陣，不關(guān)心核酸；氨基酸的打分矩陣，不關(guān)心核酸；B. 進化模型的構(gòu)建需要系統(tǒng)發(fā)育樹的分析，因進化模型的構(gòu)建需要系統(tǒng)發(fā)育樹的分析，因此，成為一個循環(huán)論證的問題：序列比對此，成為一個循環(huán)論證的問題：序列比對矩矩陣構(gòu)建陣構(gòu)建打分打分進行新的序列比對；進行新的序列比對；C. 數(shù)據(jù)集很小；數(shù)據(jù)集很小；r2. 打分矩陣的改進打分矩陣的改進A. 選用大量的序列

10、數(shù)據(jù)，構(gòu)建選用大量的序列數(shù)據(jù)，構(gòu)建PAM矩陣；矩陣；B. BLOSUM系列矩陣系列矩陣;C. 核酸的打分矩陣核酸的打分矩陣;r最被廣泛使用的氨基酸打分矩陣最被廣泛使用的氨基酸打分矩陣;r根據(jù)蛋白質(zhì)模塊數(shù)據(jù)庫根據(jù)蛋白質(zhì)模塊數(shù)據(jù)庫BLOCKS中蛋白質(zhì)中蛋白質(zhì)序列的高度保守部分的比對而得到的，最常序列的高度保守部分的比對而得到的，最常用的是用的是BLOSUM62;rBLOCK: 蛋白質(zhì)家族保守的一段氨基酸，無蛋白質(zhì)家族保守的一段氨基酸，無gap，一般幾個至上百個氨基酸；，一般幾個至上百個氨基酸；rProsite家族：至少有一個家族：至少有一個BLOCK存在于該存在于該家族的所有蛋白質(zhì)序列中；家族的所

11、有蛋白質(zhì)序列中；rBLOSUM62: 序列的平均相似性為序列的平均相似性為62%的的BLOCK構(gòu)建的打分矩陣；構(gòu)建的打分矩陣；r提取提取Prosite數(shù)據(jù)庫中數(shù)據(jù)庫中504個家族的個家族的2萬多蛋萬多蛋白質(zhì)序列，合并其中相似性白質(zhì)序列，合并其中相似性62%的序列；的序列；r統(tǒng)計各統(tǒng)計各BLOCK的氨基酸對數(shù)量的氨基酸對數(shù)量f；r計算氨基酸對的出現(xiàn)頻率計算氨基酸對的出現(xiàn)頻率q；r計算每種氨基酸的期望頻率計算每種氨基酸的期望頻率p；r計算氨基酸對出現(xiàn)的期望頻率計算氨基酸對出現(xiàn)的期望頻率e；r計算計算BLOSUM62矩陣分量矩陣分量rij)/(lg22eqrijr序列相似性與序列相似性與PAM及及B

12、LOSUM矩陣的大致矩陣的大致對應(yīng)關(guān)系：對應(yīng)關(guān)系：序列相似性序列相似性 %999080706050403020PAM數(shù)值數(shù)值11123385680112159 246BLOSUM數(shù)值數(shù)值908062-45r 不同物種中，許多基因的功能保守，序列相不同物種中，許多基因的功能保守，序列相似性較高，通過多條序列的比較，發(fā)現(xiàn)保守似性較高，通過多條序列的比較，發(fā)現(xiàn)保守與變異的部分；與變異的部分；r 可構(gòu)建可構(gòu)建HMM模型，搜索更多的同源序列；模型，搜索更多的同源序列；r 構(gòu)建進化的樹的必須步驟；構(gòu)建進化的樹的必須步驟；r 比較基因組學(xué)研究；比較基因組學(xué)研究；r 兩類：全局或局部的多序列比對；兩類：全局或

13、局部的多序列比對；Made by GENEDOCGapVDSCYGap0-11-22-33-44-55V-114-7-18-29-40E-22-76-5-16-27S-33-18-510-1-12L-44-29-16-19-3C-55-40-27-1287Y-66-51-38-23-31542時間復(fù)雜度：時間復(fù)雜度：O(n2)三條序列：時間復(fù)雜度：三條序列：時間復(fù)雜度：O(lmn) = O(n3)四條序列：時間復(fù)雜度：四條序列：時間復(fù)雜度：O(n4)，非多項式時間！，非多項式時間！多項式時間復(fù)雜度要求：O(n3)m條序列：時間復(fù)雜度：條序列：時間復(fù)雜度：O(nm)，NPC問題問題！Sequen

14、ce ASequence BSequence C 搜索有限空間，類似于搜索有限空間，類似于BLAST算法算法r 最優(yōu)的多序列比對，其兩兩序列之間的比對最優(yōu)的多序列比對，其兩兩序列之間的比對不一定最優(yōu)。不一定最優(yōu)。 最優(yōu)的多序列比對最優(yōu)的多序列比對非最優(yōu)的雙序列比對非最優(yōu)的雙序列比對rMSA - Multiple Sequence AlignmentrDavid Lipman等，等，1989年初始開發(fā)；年初始開發(fā)；r應(yīng)用多維動態(tài)規(guī)劃算法，得到最優(yōu)的全局應(yīng)用多維動態(tài)規(guī)劃算法，得到最優(yōu)的全局比對。比對。r工具資源：工具資源：/CBBresearch

15、/Schaffer/msa.html/general/software/packages/msa/manual/manual.phpr1. 漸進方法：漸進方法：progressive methods代表：代表：ClustalW/X, T-Coffeer2. 迭代方法：迭代方法：iterative methods 代表代表: PRRP, DIALIGNr3. 部分有向圖算法：部分有向圖算法：Partial Order Algorithm (POA)r4. 全局多序列比對的隱馬爾科夫模型全局多序列比對的隱馬爾科夫模型profile HMMr5. 整合算法：整合算法

16、： MUSCLEr(1) ClustalW/Xr(2) T-Coffeer1. Clustal: 1988年開發(fā)；年開發(fā)；r2. ClustalW: 1994年，年，Julie D. Thompson等人改進、發(fā)展；等人改進、發(fā)展；r3. ClustalX: 1997年，圖形化軟件；年，圖形化軟件；r1. 將所有序列兩兩比對，計算距離矩陣；將所有序列兩兩比對，計算距離矩陣；r2. 構(gòu)建鄰接進化樹構(gòu)建鄰接進化樹(neighbor-joining tree)/指導(dǎo)樹指導(dǎo)樹(guide tree)；r3. 將距離將距離最近最近的兩條序列用動態(tài)規(guī)劃的算法的兩條序列用動態(tài)規(guī)劃的算法進行比對；進行比對；r

17、4. “漸進漸進”的加上其他的序列。的加上其他的序列。兩兩比對，構(gòu)建距離矩陣指導(dǎo)樹的構(gòu)建指導(dǎo)樹的構(gòu)建漸進比對漸進比對每條序列的權(quán)值每條序列的權(quán)值Score:BLOSUM62的分數(shù)的分數(shù)r1. FASTA序列格式，多序列：序列格式，多序列：r BioEdit, GeneDoc等軟件等軟件GeneDocGeneDoc軟件，導(dǎo)入軟件，導(dǎo)入.aln.aln文件文件r1. 采用采用Clustal程序計算兩兩序列之間的全程序計算兩兩序列之間的全局最優(yōu)比對結(jié)果；局最優(yōu)比對結(jié)果；r2. 采用采用LALIGN程序計算兩兩序列之間的局程序計算兩兩序列之間的局部最優(yōu)比對的結(jié)果；部最優(yōu)比對的結(jié)果；r3. 設(shè)計加權(quán)系統(tǒng)

18、，綜合考慮以上兩類結(jié)果的設(shè)計加權(quán)系統(tǒng)，綜合考慮以上兩類結(jié)果的因素，構(gòu)建指導(dǎo)庫；因素，構(gòu)建指導(dǎo)庫；r4. 最后，采用漸進式比對算法，得到最終的最后，采用漸進式比對算法，得到最終的結(jié)果。結(jié)果。同時進行全局和局部的同時進行全局和局部的雙序列比對雙序列比對對以上打分的結(jié)果設(shè)計對以上打分的結(jié)果設(shè)計權(quán)重系統(tǒng)，找到序列中權(quán)重系統(tǒng)，找到序列中最保守的部分最保守的部分漸進方法的比對，基于上述漸進方法的比對，基于上述計算的計算的primary libraryr1. 距離最近的，有兩組序列距離最近的，有兩組序列AB和和CD，哪組，哪組最先比對？兩種方案：最先比對？兩種方案：A. 分別、同時比對。但是，是以分別、同時

19、比對。但是，是以AB為準，加入為準，加入CD，然后再加上其他序列，還是，然后再加上其他序列，還是CD為準？結(jié)為準？結(jié)果可能出入很大果可能出入很大B. 隨機挑選一組作為基準隨機挑選一組作為基準r2. 當序列差異較大時，上述問題更加明顯。當序列差異較大時，上述問題更加明顯。r1. 三條序列：三條序列：r2.若若Seq1,2先比對先比對，再加入，再加入Seq3：r3. Seq1,3先比對，先比對，再加入再加入Seq2:r4. Seq2,3先比對，先比對，再加入再加入Seq1:Seq1: ARKCVSeq2: ARCVSeq3: AKCVARKCVAR-CVA-KCVARKCVA-RCVA-KCVAR

20、KCVAR-CVAK-CVr1. 部分解決漸進算法存在的問題部分解決漸進算法存在的問題,主要是主要是ClustalW/X存在的問題；存在的問題；r2. PRRPr3. DIALIGN1. 1. 先用先用“漸進漸進”算法進行算法進行多序列比對多序列比對; ;2. 2. 基于多序列比對的結(jié)果基于多序列比對的結(jié)果構(gòu)建進化樹；構(gòu)建進化樹；3. 3. 重新計算序列之間的距重新計算序列之間的距離，再用離，再用“漸進漸進”算法進行算法進行多序列比對；多序列比對；4. 4. 重復(fù)上述步驟，直到結(jié)重復(fù)上述步驟，直到結(jié)果不再發(fā)生改變?yōu)橹?。果不再發(fā)生改變?yōu)橹?。r1. 對所有序列進行兩兩之間的局部最優(yōu)化的對所有序列進

21、行兩兩之間的局部最優(yōu)化的比對；比對；r2. 找到所有能夠匹配的部分找到所有能夠匹配的部分M1；將重疊的；將重疊的、前后連續(xù)、前后連續(xù)(consistency)的匹配部分連接的匹配部分連接起來起來(diagonals)，為，為M2；r3. 將剩下的未比對的序列重新比對，再發(fā)現(xiàn)將剩下的未比對的序列重新比對，再發(fā)現(xiàn)能夠匹配的部分，構(gòu)成新能夠匹配的部分，構(gòu)成新M1，將，將consistency部分構(gòu)成部分構(gòu)成M2；r4. 重復(fù)上述步驟，直到結(jié)果收斂。重復(fù)上述步驟，直到結(jié)果收斂。r主要改進：主要改進：1. 所有序列的兩兩比對，通過所有序列的兩兩比對，通過profile HMM的的方法進行雙序列比對；方法進行雙序列比對；2. 將漸進算法與迭代算法整合；將漸進算法與迭代算法整合；3. 目前，性能最優(yōu)。目前，性能最優(yōu)。r算法分為三個部分，每個部分相對獨立；算法分為三個部分，每個部分相對獨立；r1. Draft progressive: (1) 對兩條序列，計算距離采用對兩條序列，計算距離采用k-mer的思想；的思想；(2) 用用UPGMA算法構(gòu)建引導(dǎo)樹；算法構(gòu)建引導(dǎo)樹；(3) 使用漸進算法進行多序列比對；使用漸進算法進行多序列比對；r優(yōu)點：兩條序列之間的距離不采用動態(tài)規(guī)劃優(yōu)點：兩條序列之間的距離不采用動態(tài)規(guī)劃算法進行比對，節(jié)省