【生物信息學(xué)第二版】序列比對

生物信息學(xué)第二章

序列比對南方醫(yī)科大學(xué)朱浩吉林大學(xué)李瑛生物信息學(xué)第一節(jié)引言

Section1Introduction2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》3（一）同源兩個序列享有一個共同的進化上的祖先，則這兩個序列是同源的。對于兩個序列，他們或者同源或者不同源，不能說他們70%或80%同源。、同源、相似與距離2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》4同源可分為垂直同源（ortholog）和水平同源（paralog）垂直同源與水平同源2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》5（二）相似性與距離相似性、距離：是兩個定量描述多個序列相似度的度量。相似性：被比對序列之間的相似程度。距離：被比對序列間的差異程度。相似性既可用于全局比對也可用于局部比對，而距離一般僅用于全局比對，因為它反映了把一個序列轉(zhuǎn)換成另一個序列所需字符替換的耗費。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》6二、相似與距離的定量描述相似性可定量地定義為兩個序列的函數(shù)，即它可有多個值，值的大小取決于兩個序列對應(yīng)位置上相同字符的個數(shù)，值越大則表示兩個序列越相似。編輯距離（editdistance）也可定量地定義為兩個序列的函數(shù)，其值取決于兩個序列對應(yīng)位置上差異字符的個數(shù)，值越小則表示兩個序列越相似。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》7對于一個比對，不論使用什么計分函數(shù)進行計分，相似性被定義為總等值于最大的計分：對于k個序列，如果用一個函數(shù)cost（）對每一列的所有替換操作進行計分，則多個序列之間的距離等值于最小的計分：2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8對相似性的計分2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》9編輯距離（editdistance）：一般用海明距離表示。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》10三、算法實現(xiàn)的比對用計算機科學(xué)的術(shù)語來說，比對兩個序列就是找出兩個序列的最長公共子序列（longestcommonsubsequence，LCS），它反映了兩個序列的最高相似度。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》11動態(tài)規(guī)劃法示意（A）使用動態(tài)規(guī)劃法尋找兩個序列的最長公共部分；（B）動態(tài)規(guī)劃表的填寫。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》12四、序列比對的作用獲得共性序列序列測序突變分析種系分析保守區(qū)段分析基因和蛋白質(zhì)功能分析2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》13第二節(jié)

比對算法概要Section2AlignmentAlgorithms2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》14（一）通過點矩陣對序列比較進行計分A.兩條序列完全相同一、替換計分矩陣2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》15B.兩條序列有一個共同的子序列2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》16C.兩條序列反向匹配2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》17D.兩條序列存在不連續(xù)的兩條子序列2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》18（二）DNA序列比對的替換計分矩陣等價矩陣（unitarymatrix）轉(zhuǎn)換-顛換矩陣（transition-transversionmatrix）BLAST矩陣2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》19核苷酸轉(zhuǎn)換矩陣2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》20（三）蛋白質(zhì)序列比對的替換計分矩陣等價矩陣遺傳密碼矩陣（GCM）疏水性矩陣（hydrophobicmatrix）PAM矩陣BLOSUM矩陣2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》21PAM矩陣是從蛋白質(zhì)序列的全局比對結(jié)果推導(dǎo)出來的，而BLOSUM矩陣則是從蛋白質(zhì)序列塊（短序列）比對推導(dǎo)出來的。PAM/BLOSUM矩陣編號與序列親緣關(guān)系的比較2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》22二、雙序列全局比對動態(tài)規(guī)劃算法的思想⑴

a,b是使用某一字符集∑的序列（DNA或蛋白質(zhì)序列）；⑵

m=a的長度；⑶

n=b的長度；⑷

S（i,j）是按照某替換計分矩陣得到的前綴a[1...i]與b[1...j]最大相似性得分；2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》23⑸

w（c,d）是字符c和d按照替換計分矩陣計算的得分?？砂凑找?guī)則建立得分矩陣：S（i,0）=0,0≤i≤mS（0,j）=0,0≤j≤n

S（i-1,j-1）+w（ai,bj）

匹配或錯配S（i,j）=maxS（i-1,j）+w（ai,-）

插入S（i,j-1）

缺失不罰分2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》24例如，對于序列a=ACACACTA，序列b=AGCACACA，計分規(guī)則w（匹配）=+2；w（a,-）=w（-,b）=w（失配）=-12021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》25得分矩陣2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》26三、雙序列局部比對處理子序列與完整序列（或短序列與長序列）比對的一般過程是：設(shè)短序列a和長序列b，它們的長度分別為La和Lb，比對是在b序列中尋找La長度的a序列的過程。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》27四、多序列全局比對多序列比對主要涉及四個要素：①選擇一組能進行比對的序列（要求是同源序列）；②選擇一個實現(xiàn)比對與計分的算法與軟件；③確定軟件的參數(shù)；④合理地解釋比對的結(jié)果；與雙序列比對一樣，多序列比對也有全局比對和局部比對。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》28（一）動態(tài)規(guī)劃法進行多序列比對（A）計算三個序列間的一個比對單元（i,j,k）依賴于其7個前導(dǎo)項；（B）計算u=ATGTTAT，v=ATCGTAC，w=ATGC三序列比對的三維得分矩陣δ。計算三序列比對2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》29（二）漸進多序列比對三個序列的配對比對未必能組合成一個多序列比對2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》30對于接近或超過100個序列的多序列比對，漸進多序列比對具有較高效率。最流行的漸進多序列比對軟件是Clustal家族。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》31ClustalW有以下特點：首先，在比對中對每個序列賦予一個特殊的權(quán)值以降低高度近似序列的影響和提高相距遙遠的序列的影響（如下圖）。ClustalW中對序列賦權(quán)的方法2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》32其次，根據(jù)序列間進化距離的離異度（divergence）在比對的不同階段使用不同的氨基酸替換矩陣；第三，采用了與特定氨基酸相關(guān)的空缺（gap）罰分函數(shù)，對親水性氨基酸區(qū)域中的空缺予以較低的罰分；第四，對在早期配對比對中產(chǎn)生空缺的位置進行較少的罰分，對引入空缺和擴展空缺進行不同的罰分。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》33迭代法基于一致性的方法遺傳算法其他多序列全局比對方法2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》34五、多序列局部比對全局比對，其共同特征是序列中所有對應(yīng)字符均假定可以匹配，所有字符具有同等的重要性，空格的插入是為了使整個序列得到比對，包括使兩端對齊。局部比對不假定整個序列可以匹配，重在考慮序列中能夠高度匹配的一個區(qū)段，可賦予該區(qū)段更大的計分權(quán)值，空格的插入是為了使高度匹配的區(qū)段得到更好的比對。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》35對2個序列進行全局和局部比對可得到完全不同的結(jié)果2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》36

基于隱馬爾可夫模型的多序列比對方法隱馬爾可夫模型和3個蛋白質(zhì)序列PHSFTYVMT、PGSFTYW、RFTGFW的最小公共超圖2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》37六、比對的統(tǒng)計顯著性確定比對得分score是否偶然：1.將β球蛋白或肌球蛋白與大量非同源的蛋白質(zhì)做比對，然后將score與這些比對的得分進行比較。2.把一個序列與一組隨機產(chǎn)生的序列進行比對，然后同樣將score與這些比對的得分進行比較。3.隨機將兩個序列中的一個打亂重組，比如說重組100次，并與另一個序列比對，同樣得到一組比對的得分。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》38第三節(jié)

數(shù)據(jù)庫搜索Section3DatabaseSearch2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》39一、經(jīng)典BLAST基本的BLAST算法本身很簡單，它的要點是片段對（segmentpair）的概念，它是指兩個給定序列中的一對子序列，它們的長度相等，且可以形成無空格的完全匹配。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》40程序名查詢序列數(shù)據(jù)庫類型方法blastp蛋白質(zhì)蛋白質(zhì)用蛋白質(zhì)查詢序列搜索蛋白質(zhì)序列數(shù)據(jù)庫blastn核酸核酸用核酸查詢序列搜索核酸序列數(shù)據(jù)庫blastx核酸蛋白質(zhì)將核酸序列按6條鏈翻譯成蛋白質(zhì)序列后搜索蛋白質(zhì)序列數(shù)據(jù)庫tblastn蛋白質(zhì)核酸用蛋白質(zhì)查詢序列搜索核酸序列數(shù)據(jù)庫，核酸序列按6條鏈翻譯成蛋白質(zhì)tblastx核酸核酸將核酸序列按6條鏈翻譯成蛋白質(zhì)序列后搜索由核酸序列數(shù)據(jù)庫按6條鏈翻譯成的蛋白質(zhì)序列的數(shù)據(jù)庫BLAST的查詢序列和數(shù)據(jù)庫的類型2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》41BLAST算法圖示2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》42二、衍生BLAST（一）PSI-BLAST主要用于搜索與感興趣的蛋白質(zhì)關(guān)系較遠的蛋白質(zhì)。（二）PHI-BLAST用來幫助判斷這個蛋白質(zhì)屬于哪個家族。（三）BLASTZBLASTZ是在比對人和鼠的基因組中發(fā)展起來的，它適合于比對非常長的序列。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》43三、BLATBLAT（TheBLAST-LikeAlignmentTool）與BLAST搜索原理相似，但發(fā)展了一些專門針對全基因組分析的技術(shù)。BLAT的優(yōu)點在于速度快，其比對速度要比BLAST快幾百倍，其根本原因在于:BLAST是將查詢序列索引化，而BLAT則是將搜索數(shù)據(jù)庫索引化，BLAT把相關(guān)的呈共線性的比對結(jié)果連接成為更大的比對結(jié)果。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》44四、RNA序列搜索RNA序列比對/搜索算法可大致分成兩類：⑴查詢序列（query）的結(jié)構(gòu)未知，要找到數(shù)據(jù)庫中和其結(jié)構(gòu)相近的同源序列。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》45⑵利用查詢序列的結(jié)構(gòu)信息，在結(jié)構(gòu)信息的使用上又可以細分為：通過構(gòu)建一個描述RNA序列共性結(jié)構(gòu)的概率模型進行數(shù)據(jù)庫檢索；

基于索引（index）或者模體（motif）描述的方法定義rna結(jié)構(gòu)或共性結(jié)構(gòu)，并進行數(shù)據(jù)庫搜索。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》46五、數(shù)據(jù)庫搜索的統(tǒng)計顯著性一個典型的BLAST搜索的輸出包括E值和得分，后者又分原始得分（rawscores）和比特得分（bitscores）。

P=1-e-EP值和E值是反映比對顯著性的兩種不同方式，大部分BLAST在線服務(wù)使用E值而非P值來定義搜索的統(tǒng)計學(xué)顯著性。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》47第四節(jié)

比對軟件、參數(shù)與數(shù)據(jù)資源Section4AlignmentSoftware，ParameterandResource2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》48一、參數(shù)選擇的一般原則空格罰分涉及幾個問題：①空格罰分是否大于失配罰分；②不同大小空缺的罰分；③空格的引入與延伸是否予以不同罰分。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》49如果一次數(shù)據(jù)庫搜索產(chǎn)生了太多的返回結(jié)果，可采取如下措施：⑴使用參考序列（帶“refseq”的）數(shù)據(jù)庫，這樣可減少許多冗余結(jié)果；⑵使查詢序列只包含一個結(jié)構(gòu)域，減少多結(jié)構(gòu)域帶來的多匹配；⑶根據(jù)查詢序列與數(shù)據(jù)庫序列的關(guān)系使用更合適的替換計分矩陣；⑷降低E值。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》50如果一次數(shù)據(jù)庫搜索產(chǎn)生了太少的返回結(jié)果，可采取如下措施：⑴提高E值；⑵使用更大的PAM矩陣或更小的BLOSUM矩陣；⑶減小字長以及減小閾值。2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》51二、主要比對軟件2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》52三、EBI中的序列比對工具雙序列比對多序列比對特性工具工具GlobalalignmentNeedleClustalOmegaGlobalalignmentStretcherClustalW2LocalalignmentWaterDbClustalLocalalignmentLalignKalignLocalalignmentMatcherMAFFTGenomicalignmentPromoterWiseMUSCLEGenomicalignmentGeneWiseMViewGenomicalignmentWise2DBAPRANK2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》53四、UCSC中的BLAT比對工具BLAT在線工具輸入界面2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》54BLAT在線工具輸出結(jié)果2021/5/98年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》8年制及7年制臨床醫(yī)學(xué)等專業(yè)用《生物信息學(xué)》55第