第三章:雙序列比對(duì)第一節(jié)雙序列比對(duì)第二節(jié)序列相似性搜索雙序列比對(duì)

雙序列比對(duì)(pairwisealignement)是指通過(guò)一定的算法對(duì)兩個(gè)DNA或蛋白質(zhì)序列進(jìn)行比對(duì)分析，從而找出兩者之間最大相似性匹配。

概念

比對(duì)類(lèi)型全局相似性比對(duì)適用于整體水平上相似性程度較高的兩個(gè)序列局部相似性比對(duì)適用于親緣關(guān)系較遠(yuǎn)，整體上不具相似性，但一些小的區(qū)域具有相似性的序列分析一些特殊位點(diǎn)如酶切位點(diǎn)序列比對(duì)的目的：推導(dǎo)蛋白質(zhì)二級(jí)結(jié)構(gòu)的基礎(chǔ)初步蛋白質(zhì)功能推斷的基礎(chǔ)用于蛋白質(zhì)三級(jí)結(jié)構(gòu)的推導(dǎo)用于推導(dǎo)進(jìn)化樹(shù)和解釋種間親緣關(guān)系用于分析分子水平的選擇壓力(selectivepressure)探測(cè)序列之間的相互作用探測(cè)啟動(dòng)子單元同一性（identity)兩個(gè)序列之間完全相同的匹配殘基數(shù)目相似性（similarity)基于遠(yuǎn)距離進(jìn)化過(guò)程中觀察到殘基的替換率，并用不同的分?jǐn)?shù)值表征不同殘基之間相似性程度同源性(homology)：只有當(dāng)兩個(gè)蛋白質(zhì)在進(jìn)化關(guān)系上具有共同的祖先時(shí)，才可稱(chēng)它們?yōu)橥吹摹?/p>

序列比對(duì)是如何進(jìn)行的要對(duì)兩個(gè)序列進(jìn)行排比，必須首先打出其相似性的定量分值,于是需要一個(gè)打分矩陣。打分矩陣(ScoringMatrices):給不同的氨基酸配對(duì)定義的一系列相似性分值。而一個(gè)突變打分矩陣(mutationdatamatrix)則是根據(jù)排比時(shí)序列中點(diǎn)突變的情況設(shè)計(jì)出的打分矩陣。

Dayhoff打分矩陣Dayhoff及其同事在70年代初期通過(guò)用一些哺乳動(dòng)物蛋白質(zhì)序列的排比發(fā)展出的一個(gè)精確的突變數(shù)據(jù)打分矩陣(mutationdatamatrix)。這個(gè)矩陣建立在進(jìn)化的可接受點(diǎn)突變模型(PAM),假設(shè)一旦確定了兩個(gè)序列的進(jìn)化關(guān)系，氨基酸從A到B與從B到A突變可能性相同。分值計(jì)算:通過(guò)氨基酸A突變?yōu)锽的概率除以A、B在蛋白質(zhì)中出現(xiàn)的頻率之積,得到相對(duì)替換頻率,再以10為底取對(duì)數(shù),得到兩個(gè)氨基酸相似性分值。

ABCDEFGHIKLMNPQRSTVWYZ0.40.0-0.40.00.0-0.80.2-0.2-0.2-0.2-0.4-0.20.00.20.0-0.0-1.2-0.60.0A0.5--1.00.10.3-0.40.1-0.7-0.50.4-0.20.3--0.4-1.1-0.60.4B2.4-1.0-1.0-0.8-0.6-0.6-0.4-1.0-1.2-1.0-0.8-0.6-1.0-0.80.0-0.4-0.4-1.60.0-1.0C0.80.6--0.40.0-0.8-0.60.4-0.20.4-0.20.00.0-0.4-1.4-0.80.5D0.8-1.00.00.2-0.40.0-0.6-0.40.2-0.20.4-0.20.00.0-0.4-1.4-0.80.6E1.8-1.0-0.40.2-1.00.40.0-0.8-1.0-1.0-0.8-0.6-0.6-0.20.01.4-1.0F1.0-0.4-0.6-0.4-0.8-0.60.0-0.2-0.2--0.2-1.4-1.0-0.1G1.2-0.40.0-0.4-0.60.4-0.2-0.2-0.4-0.60.0-0.4H1.0--0.4-0.4-0.4-0.4-0.20.00.8-1.0-0.2-0.4I1.0-0.60.00.2-0.00.0-0.4-0.6-0.80.1K1.20.8-0.6-0.6-0.4-0.6-0.6-0.40.4-0.4-0.2-0.5L1.2-0.4-0.4-0.20.0-0.4-0.20.4-0.8-0.4-0.3M0.4-0.20.0-0.4-0.8-0.40.2N1.20.00.00.20.0-0.2-1.2-1.0-0.1P0.80.2-0.2-0.2-0.4-1.0-0.80.6Q1.20.0-0.2-0.40.4-0.80.6R0.40.2-0.2-0.4-0.6-0.1S0.60.0-1.0-0.6-0.1T0.8-1.2-0.4-0.4V3.40.0-1.2W2.0-0.8Y0.6Z

PAM250矩陣矩陣中數(shù)值所揭示的意義：

矩陣中大于0的單元所對(duì)應(yīng)的兩個(gè)殘基發(fā)生突變的概率大，可以認(rèn)為進(jìn)化上保守替代；小于0的單元對(duì)應(yīng)的兩個(gè)殘基發(fā)生突變的概率小，可以認(rèn)為是隨機(jī)產(chǎn)生的變異.Blosum矩陣(TheBlosummatrices)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,統(tǒng)計(jì)了序列所有氨基酸位點(diǎn),實(shí)際上保守區(qū)的進(jìn)化速率顯然低于非保守區(qū)。Henikoff&Henikoff采用蛋白質(zhì)家族中保守序列研究氨基酸間突變頻率,不考慮進(jìn)化關(guān)系,因此更適合尋找保守結(jié)構(gòu)域,而PAM矩陣更適合揭示進(jìn)化軌跡。這個(gè)矩陣稱(chēng)為Blosum矩陣。Blosum62最接近于PAM250。例：雙序列比對(duì)序列1：VDS–CY序列2：VESLCY替代矩陣中的分?jǐn)?shù)：424-1197兩序列比對(duì)的總分：Score=Σ(AApairscores)–gappenalty=15BLOSUM62替代矩陣Blosum矩陣(TheBlosummatrices)的特點(diǎn)Blosum矩陣用于在數(shù)據(jù)庫(kù)中查找同源性序列時(shí)，效果比PAM矩陣好。矩陣從1到250PAM兩極距離太遠(yuǎn)，可能引起不準(zhǔn)確；而B(niǎo)losum直接從最同源的序列的區(qū)間排比獲取匹配率，不考慮進(jìn)化距離。Blosum矩陣的突變數(shù)據(jù)來(lái)源于未加gaps的序列區(qū)間排比，相當(dāng)于蛋白序列的保守區(qū)。雙序列比對(duì)方法之一：點(diǎn)陣圖點(diǎn)陣圖（dotplot)是用圖示方法進(jìn)行雙序列比對(duì)的最基本方法點(diǎn)陣圖最基本特點(diǎn)是有一些由噪音組成的隨機(jī)點(diǎn)和具有信號(hào)特征的主對(duì)角線。其中主對(duì)角線由連續(xù)的點(diǎn)組成，代表兩條序列有相似性區(qū)域點(diǎn)陣圖中兩條完全相同的序列被表示成一條連續(xù)的對(duì)角線，不完全相同卻有一定相似性的序列表現(xiàn)為間斷的對(duì)角線一定長(zhǎng)度的相似序列片段則在點(diǎn)陣圖上以成組的、較短的對(duì)角線出現(xiàn)，它們平行于主對(duì)角線點(diǎn)陣圖常用來(lái)解釋特定的序列比對(duì)結(jié)果雙序列比對(duì)方法之二：全局比對(duì)算法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,以及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；時(shí)間復(fù)雜度O(n2)；Sij=maxofSi-1,j-1+σ(xi,yj)

Si-1,j-d(從上到下)Si,j-1-d(從左到右)全局比對(duì)(4)ijGapVDSCYGap0-11-22-33-44-55V-11SijE-22S-33L-44C-55Y-664-11-11Needleman-Wunsch算法；時(shí)間復(fù)雜度O(n2)；Sij=maxofSi-1,j-1+σ(xi,yj)

Si-1,j-d(從上到下)Si,j-1-d(從左到右)全局比對(duì)(5)GapVDSCYGap0-11-22-33-44-55V-114E-22S-33L-44C-55Y-664-11-11全局比對(duì)(6)GapVDSCYGap0-11-22-33-44-55V-114SijE-22S-33L-44C-55Y-66-3-11-11Needleman-Wunsch算法；時(shí)間復(fù)雜度O(n2)；Sij=maxofSi-1,j-1+σ(xi,yj)

Si-1,j-d(從上到下)Si,j-1-d(從左到右)全局比對(duì)(7)GapVDSCYGap0-11-22-33-44-55V-114-7E-22S-33L-44C-55Y-66-3-11-11全局比對(duì)(8)GapVDSCYGap0-11-22-33-44-55V-114-7-18-29-40E-22-76-5-16-27S-33-18-510-1-12L-44-29-16-19-3C-55-40-27-1287Y-66-51-38-23-31542回溯：比對(duì)結(jié)果GapVDSCYGap0-11-22-33-44-55V-114-7-18-29-40E-22-76-5-16-27S-33-18-510-1-12L-44-29-16-19-3C-55-40-27-1287Y-66-51-38-23-31542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-66-51-38-23-31542雙序列比對(duì)方法之三：局部比對(duì)算法下例：局部?jī)?yōu)化打分兩條序列如下：LDS–CHGESLCK目標(biāo)：使用局部?jī)?yōu)化算法尋找比對(duì)的結(jié)果局部比對(duì)(2)1.Smith-Waterman算法；2.時(shí)間復(fù)雜度O(n2)；3.Sij=maxof0Si-1,j-1+σ(xi,yj)Si-1,j-d(從上到下)Si,j-1-d(從左到右)本例中：gap:12，線性罰分模型。局部比對(duì)(3)GapLDSCHGap000000G0SijE0S0L0C0K0Smith-Waterman算法；Sij=maxofSi-1,j-1+σ(xi,yj)

Si-1,j-d(從上到下)Si,j-1-d(從左到右)0局部比對(duì)(4)GapLDSCHGap000000G0SijE0S0L0C0K0-12-12-3局部比對(duì)(5)GapLDSCHGap000000G000E0S0L0C0K0-12-12-4局部比對(duì)(6)GapLDSCHGap000000G000000E002210S002610L040052C001092K000008-12-12-1-12-2比對(duì)結(jié)果：GapLDSCHGap000000G000000E002210S002610L040052C001092K000008LDS–CHGESLCKK-tup算法原理1.對(duì)于兩條序列A,B，若包含少量gap，則最優(yōu)比對(duì)趨近對(duì)角線。AB序列長(zhǎng)度m序列長(zhǎng)度n時(shí)間復(fù)雜度：O(mn)K-tup算法原理(2)AB序列長(zhǎng)度m序列長(zhǎng)度n時(shí)間復(fù)雜度：O(kn)k令k為一常數(shù)，搜索限定區(qū)域內(nèi)的最優(yōu)比對(duì)K-tup算法原理：缺點(diǎn)AB序列長(zhǎng)度m序列長(zhǎng)度nk僅能搜索到圖示的匹配部分。FASTA和BLAST1.啟發(fā)式算法,heuristicalgorithm;2.不能保證搜索到最優(yōu)的比對(duì)；3.具有很好的靈敏度，并且略為降低特異性；4.大大縮短序列比對(duì)的時(shí)間；5.k-tup算法：字符串匹配。6.應(yīng)用：大的數(shù)據(jù)庫(kù)搜索。7.時(shí)間復(fù)雜度：<O(n2)FASTA1.k-tup:蛋白質(zhì)序列：1~2aa；DNA序列：4~6nt.2.以短序列構(gòu)建索引，采用hash表存儲(chǔ)方式；3.對(duì)于需要比較的兩條序列，在hash表中查找所有完全匹配的片段；FASTA給每一個(gè)匹配給定一個(gè)tup值；4.產(chǎn)生10個(gè)最高分值片段，重新用PAM250打分；5.將同一序列上的高分值區(qū)域連接在一起；6.采用Needleman-wunsch或者Smith-waterman算法對(duì)該高分值區(qū)域重新打分.FASTA:索引表構(gòu)建1.以蛋白質(zhì)序列為例;2.k=1.氨基酸 tup分值A(chǔ)5C5K5N5P5R5S5T5給定兩條蛋白質(zhì)序列：Protein1:NCSPTAProtein2:ACSPRK氨基酸位置1位置2tup分值A(chǔ)615C225K-60N1-0P445R-50S335T5-0給定兩條蛋白質(zhì)序列：Protein1:NCSPTAProtein2:ACSPRK氨基酸位置1位置2tup分值A(chǔ)-10C225K-60N1-0P445R-50S335T5-0兩條序列匹配結(jié)果Protein1:NCSPTAProtein2:ACSPRKFASTA：序列比對(duì)的過(guò)程A.找出完全匹配的區(qū)域B.保留分?jǐn)?shù)最高的10個(gè)匹配C.將較好的匹配連接起來(lái)D.重新用動(dòng)態(tài)規(guī)劃算法計(jì)算最優(yōu)比對(duì)BLAST1.k-tup:DNA,11nt;蛋白質(zhì)，3aa.2.蛋白質(zhì)序列數(shù)據(jù)庫(kù)，構(gòu)建由3aa組成的分值表,采用BLOSUM62矩陣打分；3.待查詢序列，打斷成3aa的片段，在上述數(shù)據(jù)庫(kù)中的分值表中進(jìn)行查詢；4.保留高于域值的結(jié)果，并進(jìn)行兩端的延伸，HSP:high-scoringsegmentpair;5.Nothingcanbeworse:犧牲靈敏度，提高計(jì)算速度。BLAST:索引表構(gòu)建1.formatdb命令，將fasta格式的序列文件轉(zhuǎn)換成blast能夠識(shí)別的文件格式；2.構(gòu)建索引表：PQGPQG7+5+6=18PEG7+2+6=15PWG7-2+6=11SQG-1+5+6=10BLAST:序列匹配兩條蛋白質(zhì)序列Protein1：IVPQGRLProtein2：VAPEGKLProtein1：IVPQGRLProtein2：VAPEGKL<Word>726兩邊延伸3024HSP分值：3+0+15+2+4=24BLAST:統(tǒng)計(jì)檢驗(yàn)概率P表示比對(duì)結(jié)果得到分?jǐn)?shù)值的可信度，越接近0，比對(duì)結(jié)果可信度越大，反之，P值越大，比對(duì)結(jié)果來(lái)自隨機(jī)匹配的可能性越大。期望值E

搜索某一數(shù)據(jù)庫(kù)時(shí)，隨機(jī)出現(xiàn)的匹配序列數(shù)目，同樣，E值越接近0，則搜索結(jié)果是隨機(jī)產(chǎn)生的概率越低。BLAST應(yīng)用1.在線工具：2.軟件包下載：BLAST:在線工具BLAST:在線工具(2)1.nucleotideblast:使用核酸序列搜索核酸數(shù)據(jù)庫(kù)。算法：blastn,megablast,不連續(xù)的teinblast：使用蛋白質(zhì)序列搜索蛋白質(zhì)數(shù)據(jù)庫(kù)。算法：blastp,psi-blast,phi-blast3.blastxSearch:使用核酸序列并翻譯成蛋白質(zhì)，搜索蛋白質(zhì)數(shù)據(jù)庫(kù)。4.tblastnSearch:使用蛋白質(zhì)序列搜索翻譯后的核酸數(shù)據(jù)庫(kù)5.tblastxSearch:使用翻譯后的核酸序列搜索翻譯后的核酸數(shù)據(jù)庫(kù)。BLAST:在線工具(3)1.Findconserveddomainsinyoursequence(cds)：查找保守的功能結(jié)構(gòu)域2.Findsequenceswithsimilarconserveddomainarchitecture(cdart)：算法同上，圖示結(jié)果3.Searchsequencesthathavegeneexpressionprofiles(GEO)：搜索具有表達(dá)譜的序列4.Searchimmunoglobulins(IgBLAST)：查找免疫球蛋白的序列5.SearchforSNPs(snp)：搜索單核苷酸多態(tài)性序列6.Screensequenceforvectorcontamination(vecscreen)：搜索已知的載體序列7.AligntwosequencesusingBLAST(bl2seq)：雙序列比對(duì)

BLAST操作步驟選擇待查詢序列選擇BLAST程序選擇數(shù)據(jù)庫(kù)設(shè)置合適參數(shù)最后點(diǎn)擊“BLAST”Step1:Chooseyoursequence

SequencecanbeinputinFASTAformatorasaccessionnumberFASTA格式Step2:ChoosetheBLASTprogramProgram

Input

Database 1blastn

DNA

DNA 1blastp

protein

protein 6blastx

DNA

protein 6tblastn

protein

DNA 36tblastx

DNA

DNA5’CATCAA5’ATCAAC5’TCAACT

5’CATCAACTACAACTCCAAAGACACCCTTACACATCAACAAACCTACCCAC3’3’GTAGTTGATGTTGAGGTTTCTGTGGGAATGTGTAGTTGTTTGGATGGGTG5’5’GTGGGT5’TGGGTA5’GGGTAGDNApotentiallyencodessixproteinsStep3:choosethedatabasenr=non-redundant(mostgeneraldatabase)dbest=databaseofexpressedsequencetagsdbsts=databaseofsequencetagsitesgss=genomicsurveysequenceshtgs=highthroughputgenomicsequenceStep4a:SelectoptionalsearchparametersCDsearchStep4a:SelectoptionalsearchparametersEntrez!FilterScoringmatrixWordsizeExpectorganism過(guò)濾區(qū)域Step4b:optionalformattingparameters

Alignmentview

Descriptions

Alignments輸出格式選項(xiàng)taxonomydatabasequeryprogram

輸出結(jié)果(1)

輸出結(jié)果(2)AlignmentviewDescriptionsAlignmentsNCBI提供的Blast服務(wù)登陸ncbi的blast主頁(yè)核酸序列蛋白序列翻譯序列底下有其他一些針對(duì)特殊數(shù)據(jù)庫(kù)的和查看以往的比對(duì)結(jié)果等Blast任務(wù)提交表單（一）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(kù)如果接受其他參數(shù)默認(rèn)設(shè)置，點(diǎn)擊開(kāi)始搜索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)部分過(guò)濾選項(xiàng)，重復(fù)序列E值上限字串大小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(xiàng)以及顯示的文件格式顯示數(shù)目Alignment的顯示方式E值范圍點(diǎn)擊開(kāi)始搜索提交任務(wù)查詢號(hào)（requestid）可以修改顯示結(jié)果格式修改完顯示格式后點(diǎn)擊進(jìn)入結(jié)果界面結(jié)果頁(yè)面（一）圖形示意結(jié)果結(jié)果頁(yè)面（二）目標(biāo)序列描述帶有g(shù)enbank的鏈接，點(diǎn)擊可以進(jìn)入相應(yīng)的genbank序列匹配分值，e值結(jié)果頁(yè)面（三）序列比對(duì)結(jié)果生物學(xué)軟件應(yīng)用:DNAMANDNAMAN是一種常用的核酸序列分析軟件。由于它功能強(qiáng)大，使用方便，已成為一種普遍使用的DNA序列分析工具。用途序列轉(zhuǎn)換酶切位點(diǎn)分析質(zhì)粒圖譜的繪制開(kāi)放閱讀框?qū)ふ乙镌O(shè)計(jì)序列同源性分析操作方法軟件運(yùn)行實(shí)例第一節(jié)多序列比對(duì)意義第二節(jié)多序列比對(duì)方法第三節(jié)多序列比對(duì)數(shù)據(jù)庫(kù)第四節(jié)ClustalW軟件使用第四章:多序列比對(duì)多序列比對(duì)意義用于描述一組序列之間的相似性關(guān)系，以便了解一個(gè)基因家族的基本特征，尋找motif，保守區(qū)域等。用于描述一個(gè)同源基因之間的親緣關(guān)系的遠(yuǎn)近，應(yīng)用到分子進(jìn)化分析中。其他應(yīng)用，如構(gòu)建profile，打分矩陣等。建立比對(duì)模型的生物學(xué)基礎(chǔ)基于氨基酸殘基的相似性理化特性,氨基酸殘基的突變性基于蛋白質(zhì)分子的高級(jí)結(jié)構(gòu)二級(jí)結(jié)構(gòu)、三級(jí)結(jié)構(gòu)1234567891ⅠYDGGAV-EALⅡYDGG---EALⅢFEGGILVEALⅣFD-GILVQAVⅤYEGGAVVQAL表1多序列比對(duì)的定義表示五個(gè)短序列（I-V）的比對(duì)結(jié)果。通過(guò)插入空位，使5個(gè)序列中大多數(shù)相同或相似殘基放入同一列，并保持每個(gè)序列殘基順序不變多序列比對(duì)定義多序列比對(duì)方法

手工比對(duì)法通過(guò)輔助軟件的不同顏色顯示不同殘基，靠分析者的觀察來(lái)改變比對(duì)的狀態(tài)。輔助編輯軟件如bioedit，seaview，Genedoc等表2氨基酸分組方法和代表性顏色

殘基種類(lèi)殘基特性顏色Asp(D),Glu(E)酸性紅色His(H),Arg(R),Lys(K)堿性蘭色Ser(S),Thr(T),Asn(N),Gln(Q)極性綠色Ala(A),Val(V),Leu(L),Ile(I),Met(M)疏水性，帶支鏈白色Phe(F)