生物序列相同性搜索

－blast介紹及其應(yīng)用6月科教信息科1/731序列數(shù)據(jù)保留格式與相關(guān)數(shù)據(jù)庫(kù)資源在數(shù)據(jù)庫(kù)中進(jìn)行序列相同性搜索多序列比對(duì)進(jìn)化樹(shù)構(gòu)建與分子進(jìn)化分析Motif尋找與序列模式識(shí)別RNA二級(jí)結(jié)構(gòu)，蛋白質(zhì)二、三級(jí)結(jié)構(gòu)預(yù)測(cè)基因芯片數(shù)據(jù)分析生物信息學(xué)常見(jiàn)應(yīng)用與軟件2/732內(nèi)容提要1.基本概念相同性，同源性2.Blast介紹Blast資源和相關(guān)問(wèn)題3.Blast應(yīng)用網(wǎng)絡(luò)版，單機(jī)版4.深入了解Blast(改進(jìn)程序，算法基礎(chǔ))5.其它序列相同性搜索工具（fasta）3/733生物序列相同性相同性(similarity)：

是指一個(gè)很直接數(shù)量關(guān)系，比如部分相同或相同百分比或其它一些適當(dāng)度量。比如說(shuō)，A序列和B序列相同性是80％，或者4/5。這是個(gè)量化關(guān)系。當(dāng)然可進(jìn)行本身局部比較。4/734同源性(homology)：指從一些數(shù)據(jù)中推斷出兩個(gè)基因或蛋白質(zhì)序列具而共同祖先結(jié)論，屬于質(zhì)判斷。就是說(shuō)A和B關(guān)系上，只有是同源序列，或者非同源序列兩種關(guān)系。而說(shuō)A和B同源性為80％都是不科學(xué)。生物序列同源性5/735相同性和同源性關(guān)系序列相同性和序列同源性有一定關(guān)系，普通來(lái)說(shuō)序列間相同性越高話，它們是同源序列可能性就更高，所以經(jīng)常能夠經(jīng)過(guò)序列相同性來(lái)推測(cè)序列是否同源。正因?yàn)榇嬖谶@么關(guān)系，很多時(shí)候?qū)π蛄邢嗤院屯葱跃蜎](méi)有做很顯著區(qū)分，造成經(jīng)常等價(jià)混用兩個(gè)名詞。所以有出現(xiàn)A序列和B序列同源性為80％一說(shuō)。6/736序列相同性比較和序列同源性分析序列相同性比較：就是將待研究序列與DNA或蛋白質(zhì)序列庫(kù)進(jìn)行比較，用于確定該序列生物屬性，也就是找出與此序列相同已知序列是什么。完成這一工作只需要使用兩兩序列比較算法。慣用程序包有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(lái)自不一樣物種序列中進(jìn)行多序列同時(shí)比較，以確定該序列與其它序列間同源性大小。這是理論分析方法中最關(guān)鍵一步。完成這一工作必須使用多序列比較算法。慣用程序包有CLUSTAL等；7/737Blast介紹（一）

BLAST是由美國(guó)國(guó)立生物技術(shù)信息中心（NCBI）開(kāi)發(fā)一個(gè)基于序列相同性數(shù)據(jù)庫(kù)搜索程序。BLAST是“局部相同性基本查詢(xún)工具”(BasicLocalAlignmentSearchTool)縮寫(xiě)。8/738Blast是一個(gè)序列相同性搜索程序包，其中包含了很多個(gè)獨(dú)立程序，這些程序是依據(jù)查詢(xún)對(duì)象和數(shù)據(jù)庫(kù)不一樣來(lái)定義。比如說(shuō)查詢(xún)序列為核酸，查詢(xún)數(shù)據(jù)庫(kù)亦為核酸序列數(shù)據(jù)庫(kù)，那么就應(yīng)該選擇blastn程序。下表列出了主要blast程序。Blast介紹（二）9/739主要blast程序程序名查詢(xún)序列數(shù)據(jù)庫(kù)搜索方法Blastn核酸核酸核酸序列搜索逐一核酸數(shù)據(jù)庫(kù)中序列Blastp蛋白質(zhì)蛋白質(zhì)蛋白質(zhì)序列搜索逐一蛋白質(zhì)數(shù)據(jù)庫(kù)中序列Blastx核酸蛋白質(zhì)核酸序列6框翻譯成蛋白質(zhì)序列后和蛋白質(zhì)數(shù)據(jù)庫(kù)中序列逐一搜索。Tblastn蛋白質(zhì)核酸蛋白質(zhì)序列和核酸數(shù)據(jù)庫(kù)中核酸序列6框翻譯后蛋白質(zhì)序列逐一比對(duì)。TBlastx核酸核酸核酸序列6框翻譯成蛋白質(zhì)序列，再和核酸數(shù)據(jù)庫(kù)中核酸序列6框翻譯成蛋白質(zhì)序列逐一進(jìn)行比對(duì)。10/7310Blast相關(guān)問(wèn)題怎么取得blast服務(wù),怎么使用問(wèn)題？為何使用blast，能夠取得什么樣信息？其它問(wèn)題：實(shí)際使用時(shí)選擇哪種方式（網(wǎng)絡(luò)，當(dāng)?shù)鼗瑓?shù)選擇，結(jié)果解釋…11/7311Blast資源1.NCBI主站點(diǎn)：

/BLAST/(網(wǎng)絡(luò)版)

/blast/(單機(jī)版)2.其它站點(diǎn)：

/blast/

http://nema.cap.ed.ac.uk/ncbi_blast.html

/blast/（果蠅）…12/7312Blast結(jié)果給出信息Blast結(jié)果會(huì)列出跟查詢(xún)序列相同性比較高，符合限定要求序列結(jié)果，依據(jù)這些結(jié)果能夠獲取以下一些信息。1.查詢(xún)序列可能含有某種功效2.查詢(xún)序列可能是起源于某個(gè)物種3.查詢(xún)序列可能是某種功效基因同源基因…這些信息都能夠應(yīng)用到后續(xù)分析中。13/7313兩種版本Blast比較（一）網(wǎng)絡(luò)版本包含NCBI在內(nèi)很多網(wǎng)站都提供了在線blast服務(wù)，這也是我們最經(jīng)慣用到blast服務(wù)。網(wǎng)絡(luò)版本blast服務(wù)就有方便，輕易操作，數(shù)據(jù)庫(kù)同時(shí)更新等優(yōu)點(diǎn)。不過(guò)缺點(diǎn)是不利于操作大批量數(shù)據(jù)，同時(shí)也不能自己定義搜索數(shù)據(jù)庫(kù)。14/7314單機(jī)版單機(jī)版blast能夠經(jīng)過(guò)NCBIftp站點(diǎn)取得，有適合不一樣平臺(tái)版本（包含linux，dos等）。取得程序同時(shí)必須獲取對(duì)應(yīng)數(shù)據(jù)庫(kù)才能在當(dāng)?shù)剡M(jìn)行blast分析。單機(jī)版優(yōu)點(diǎn)是能夠處理大批數(shù)據(jù)，能夠自己定義數(shù)據(jù)庫(kù)，不過(guò)需要花費(fèi)當(dāng)?shù)貦C(jī)大量資源，另外操作也沒(méi)有網(wǎng)絡(luò)版直觀、方便，需要一定計(jì)算機(jī)操作水平。兩種版本Blast比較（二）15/7315當(dāng)?shù)豔EB版Blast

在NCBIFTP上，在blast程序目錄下，還提供了一個(gè)供用戶在自己服務(wù)器上建立Blast網(wǎng)頁(yè)服務(wù)軟件包(wwwblast)。使用該軟件包，用戶能夠建立一個(gè)簡(jiǎn)易進(jìn)行Blast運(yùn)算網(wǎng)站供試驗(yàn)室人員使用。用于搜索數(shù)據(jù)庫(kù)一樣能夠靈活定義。16/7316Blast程序評(píng)價(jià)序列相同性?xún)蓚€(gè)數(shù)據(jù)Score：使用打分矩陣對(duì)匹配片段進(jìn)行打分，這是對(duì)各對(duì)氨基酸殘基（或堿基）打分求和結(jié)果，普通來(lái)說(shuō)，匹配片段越長(zhǎng)、相同性越高則Score值越大。Evalue:在相同長(zhǎng)度情況下，兩個(gè)氨基酸殘基（或堿基）隨機(jī)排列序列進(jìn)行打分，得到上述Score值概率大小。E值越小表示隨機(jī)情況下得到該Score值可能性越低。17/7317NCBI提供Blast服務(wù)登陸ncbiblast主頁(yè)核酸序列蛋白序列翻譯序列底下有其它一些針對(duì)特殊數(shù)據(jù)庫(kù)和查看以往比對(duì)結(jié)果等18/7318Blast任務(wù)提交表單（一）1.序列信息部分填入查詢(xún)（query）序列序列范圍（默認(rèn)全部）選擇搜索數(shù)據(jù)庫(kù)假如接收其它參數(shù)默認(rèn)設(shè)置，點(diǎn)擊開(kāi)始搜索19/7319Blast任務(wù)提交表單（二）設(shè)置搜索范圍，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(guò)濾選項(xiàng)，包含簡(jiǎn)單重復(fù)序列，人類(lèi)基因組中重復(fù)序列等E值上限窗口大小假如你對(duì)blast命令行選項(xiàng)熟悉話，能夠在這里加入更多參數(shù)20/7320Blast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選項(xiàng)以及顯示文件格式顯示數(shù)目Alignment顯示方式篩選結(jié)果E值范圍其它一些顯示格式參數(shù)點(diǎn)擊開(kāi)始搜索21/7321提交任務(wù)返回查詢(xún)號(hào)（requestid）能夠修改顯示結(jié)果格式修改完顯示格式后點(diǎn)擊進(jìn)入結(jié)果界面22/7322結(jié)果頁(yè)面（一）圖形示意結(jié)果23/7323結(jié)果頁(yè)面（二）目標(biāo)序列描述部分帶有g(shù)enbank鏈接，點(diǎn)擊能夠進(jìn)入對(duì)應(yīng)genbank序列匹配情況，分值，e值24/7324結(jié)果頁(yè)面（三）詳細(xì)比對(duì)上序列排列情況25/7325一個(gè)詳細(xì)例子（blastp）假設(shè)以下為一未知蛋白序列>query_seqMSDNGPQSNQRSAPRITFGGPTDSTDNNQNGGRNGARPKQRRPQGLPNNTASWFTALTQHGKEELRFPRGQGVPINTNSGPDDQIGYYRRATRRVRGGDGKMKELSPRWYFYYLGTGPEASLPYGANKEGIVWVATEGALNTPKDHIGTRNPNNNAATVLQLPQGTTLPKGFYAEGSRGGSQASSRSSSRSRGNSRNSTPGSSRGNSPARMASGGGETALALLLLDRLNQLESKVSGKGQQQQGQTVTKKSAAEASKKPRQKRTATKQYNVTQAFGRRGPEQTQGNFGDQDLIRQGTDYKHWPQIAQFAPSASAFFGMSRIGMEVTPSGTWLTYHGAIKLDDKDPQFKDNVILLNKHIDAYKTFPPTEPKKDKKKKTDEAQPLPQRQKKQPTVTLLPAADMDDFSRQLQNSMSGASADSTQA我們經(jīng)過(guò)blast搜索來(lái)獲取一些這個(gè)序列信息。26/7326詳細(xì)步驟1.登陸blast主頁(yè)

/BLAST/2.依據(jù)數(shù)據(jù)類(lèi)型，選擇適當(dāng)程序3.填寫(xiě)表單信息4.提交任務(wù)5.查看和分析結(jié)果27/7327分析過(guò)程（一）1.登陸ncbiblast主頁(yè)2.選擇程序，因?yàn)椴樵?xún)序列是蛋白序列能夠選擇blastp，點(diǎn)擊進(jìn)入也能夠選擇tblastn作為演示，我們這里選blastp28/7328分析過(guò)程（二）3.填入序列（copy＋paste）Fasta格式，或者純序列4.選擇搜索區(qū)域，這里我們要搜索整個(gè)序列，不填5.選擇搜索數(shù)據(jù)庫(kù)，這里我們選nr(非冗余蛋白序列庫(kù))。是否搜索保守區(qū)域數(shù)據(jù)庫(kù)（cdd），蛋白序列搜索才有。我們選上29/7329分析過(guò)程（三）6.限制條件，我們限制在病毒里面找。7.其它選項(xiàng)保持默認(rèn)值打分矩陣30/7330分析過(guò)程（四）8.輸出格式選項(xiàng)保持默認(rèn)值9.點(diǎn)擊開(kāi)始搜索31/7331分析過(guò)程（五）10.查詢(xún)序列一些相關(guān)信息在cdd庫(kù)里面找到兩個(gè)保守區(qū)域，點(diǎn)擊能夠進(jìn)入32/7332分析過(guò)程（六）圖形結(jié)果33/7333分析過(guò)程（七）匹配序列列表34/7334分析過(guò)程（八）詳細(xì)匹配情況35/7335為何使用單機(jī)版Blast？ 1.特殊數(shù)據(jù)庫(kù)要求。 2.包括序列隱私與價(jià)值。 3.批量處理 4.其它原因？？單機(jī)版Blast使用（一）36/7336單機(jī)版Blast基本操作過(guò)程 1.下載單機(jī)版Blast程序/blast/executables/目錄下，下載對(duì)應(yīng)操作系統(tǒng)版本。 2.解壓程序包(blast-2.28-ia32-linux.tar.gz)命令是:$tarzxvfblast-2.28-ia32-linux.tar.gz 單機(jī)版Blast使用（二）37/7337下載正確Blast程序包blast:在當(dāng)?shù)剡\(yùn)行blast程序包wwwblast:在當(dāng)?shù)胤?wù)器建立blast服務(wù)網(wǎng)站netblast:blast客戶端程序，直接鏈接至NCBIBLAST服務(wù)器，使用BLAST服務(wù)，不需瀏覽器。38/7338下載正確Blast程序包Blast程序包名字上還包含了該程序包運(yùn)行硬件和操作系統(tǒng)環(huán)境：硬件環(huán)境（CPU）操作系統(tǒng)sparcpowerPCia32ia64amd64mipsalphalinuxmacoxsolarisirixaixfreebsdwin32hpux39/7339 3.獲取Blast數(shù)據(jù)庫(kù) a.直接從ncbi下載

/blast/db/ b.用Blast程序包提供formatdb工具自己格 式化序列數(shù)據(jù)成數(shù)據(jù)庫(kù)。 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(kù)，經(jīng)典命令以下：?jiǎn)螜C(jī)版Blast使用（三）40/7340核酸序列：$./formatdb–isequence.fa–pF–oT/F–ndb_name蛋白序列：$./formatdb–isequence.fa–pT–oT/F–ndb_name單機(jī)版Blast使用（四）41/73414.執(zhí)行Blast比對(duì) 取得了單機(jī)版Blast程序，解壓開(kāi)以后，假如有了對(duì)應(yīng)數(shù)據(jù)庫(kù)（db），那么就能夠開(kāi)始執(zhí)行Blast分析了。 單機(jī)版Blast程序包，把基本blast分析，包含blastn，blastp，blastx等都整合到了blastall一個(gè)程序里面。單機(jī)版Blast使用（五）42/7342以下是一個(gè)經(jīng)典blastn分析命令：(待分析序列seq.fa，數(shù)據(jù)庫(kù)nt_db)$./blastall–pblastn–iseq.fa-dnt_db–w7–e10–o

程序名 輸入數(shù)據(jù)庫(kù)窗口e值輸出 seq.blastn.out該命令意思是，對(duì)seq.fa文件中核酸序列對(duì)nt_db數(shù)據(jù)庫(kù)執(zhí)行blastn搜索，窗口大小是7，e值限制是10，輸出結(jié)果保留到文件seq.blastn.out中。單機(jī)版Blast使用（六）43/73435.Blastall慣用參數(shù)-p程序名應(yīng)該是blastn，blastp，blastx，tblastn，tblastx中一個(gè)-d數(shù)據(jù)庫(kù)名稱(chēng)，默認(rèn)nr-i查詢(xún)序列文件，默認(rèn)stdin-eE值限制，默認(rèn)10-o結(jié)果輸出文件，默認(rèn)stdout-F過(guò)濾選項(xiàng)，默認(rèn)T-a選擇進(jìn)行運(yùn)算CPU個(gè)數(shù)單機(jī)版Blast使用（七）44/7344深入深入Blast1.blast22.Megablast3.Psi-blast4.其它(rpsblast,blastclust等)45/7345Blast2兩個(gè)序列blast比對(duì)，給定兩個(gè)序列，相互進(jìn)行blast比對(duì)。能快速檢驗(yàn)兩個(gè)序列是否存在相同性片斷或者是否一致。這比起全序列比對(duì)要快很多。46/7346Megablastmegablast采取了貪婪算法(greedyalgorithm),它連接了多個(gè)查詢(xún)序列進(jìn)行一次搜索比對(duì)，這么節(jié)約了很多搜索數(shù)據(jù)庫(kù)時(shí)間。主要針對(duì)核酸序列。是blast經(jīng)過(guò)優(yōu)化后，適合用于因?yàn)闇y(cè)序或者其它原因形成輕微差異序列之間比較，比普通相同性搜索程序要快10倍，能夠很快完成兩組大數(shù)據(jù)比對(duì)。47/7347PSI-blastPositionspecificiterativeBLAST(PSI-BLAST)位點(diǎn)特異迭代blast搜索，主要針對(duì)蛋白序列。第一次blast搜索后，結(jié)果中最相同序列重新構(gòu)建PSSM(位點(diǎn)特異性打分矩陣)，然后再使用該矩陣進(jìn)行第二輪blast搜索，再調(diào)整矩陣，搜索，如此迭代。最終高度保守區(qū)域就會(huì)得到比較高分值，而不保守區(qū)域則分?jǐn)?shù)降低，趨近0。這么能夠提升blast搜索靈敏度。48/7348Blast算法基礎(chǔ)基本思想是：經(jīng)過(guò)產(chǎn)生數(shù)量更少但質(zhì)量更加好增強(qiáng)點(diǎn)來(lái)提升速度。BALST算法是建立在嚴(yán)格統(tǒng)計(jì)學(xué)基礎(chǔ)之上。它集中于發(fā)覺(jué)含有較高相同性局部比對(duì)，且局部比對(duì)中不能含有空位（blast2.0引入了允許插入gap算法）。因?yàn)榫植勘日_限制條件，在大多數(shù)情況下比對(duì)會(huì)被分解為若干個(gè)顯著HSP(High-scoreSequencePairs)。49/7349Blast算法流程50/7350首先確定一個(gè)終止值S、步長(zhǎng)參數(shù)w和一個(gè)閾值T。然后軟件會(huì)在考慮搜索背景性質(zhì)基礎(chǔ)上計(jì)算出適當(dāng)S值。使要比正確序列中包含一個(gè)分值大于SHSP。Blast算法（一）51/7351Blast算法（二）2.引入鄰近字串思想：不需要字串確切地匹配，當(dāng)有一個(gè)字串分值高于T時(shí)，BALST就宣稱(chēng)找到了一個(gè)選中字串。為了提升速度，允許較長(zhǎng)字串長(zhǎng)度W。W值極少改變，這么，T值就成為權(quán)衡速度和敏感度參數(shù)。52/7352Blast算法（三）一個(gè)字串選中后，程序會(huì)進(jìn)行沒(méi)有空位局部尋優(yōu)，比正確最低分值是S，當(dāng)比對(duì)延伸時(shí)會(huì)碰到一些負(fù)分值，使得比正確分值下降，當(dāng)下降分值小于S時(shí)，命中延伸就會(huì)終止。這么系統(tǒng)會(huì)降低消耗于毫無(wú)指望選中延伸時(shí)間，使系統(tǒng)性能得以改進(jìn)。53/7353在1997年提出了對(duì)BLAST程序改進(jìn)算法，提升了搜索速度、敏感度和實(shí)用性?？商幚黹g隔(gap)gappedBLAST算法PSI-BLAST算法對(duì)一個(gè)選中字串長(zhǎng)度標(biāo)準(zhǔn)延伸利用profile(表頭文件)數(shù)據(jù)結(jié)構(gòu)來(lái)進(jìn)行搜索Blast改進(jìn)（一）54/7354以?xún)蓚€(gè)步長(zhǎng)各為w字串開(kāi)始搜索。若兩個(gè)字竄在序列上不重合，而且位于同一對(duì)角線上，而且距離在A之內(nèi)，則將這兩個(gè)字串聯(lián)起來(lái)作為搜索起點(diǎn)。執(zhí)行通常BLAST算法，使用一個(gè)不一樣記分方式，依據(jù)高度顯著比對(duì)(HSPs)最高分值建立一個(gè)最初profile。Blast改進(jìn)（二）55/7355依據(jù)該profile重復(fù)利用BLAST算法對(duì)數(shù)據(jù)庫(kù)進(jìn)行搜索，這一步實(shí)際上是依據(jù)表頭文件統(tǒng)計(jì)結(jié)果擴(kuò)展局部比對(duì)。這一過(guò)程是重復(fù)進(jìn)行，直到再?zèng)]有發(fā)覺(jué)新有意義匹配為止。因?yàn)樵诿恳惠喍紩?huì)有新片段加入，所以在操作過(guò)程中profile需要在每一個(gè)循環(huán)結(jié)束之后更新。Blast改進(jìn)（三）56/735657/7357數(shù)據(jù)庫(kù)搜索工具sensitivity與selectivitySensitivity:盡可能多地搜索到含有一定相同性序列能力。Selectivity:盡可能準(zhǔn)確地搜索到對(duì)研究目標(biāo)有用相同性序列能力。58/7358其它序列相同性搜索工具

－fastaFastA算法是由Lipman和Pearson于1985年發(fā)表（Lipman和Pearson，1985）。FastA基本思緒是識(shí)別與代查序列相匹配很短序列片段，稱(chēng)為k-tuple。以下鏈接是EBI提供fasta服務(wù)。

http://www.ebi.ac.uk/fasta33/

59/7359幫助信息各個(gè)參數(shù)選項(xiàng)填入搜索序列60/7360基本思想是：一個(gè)能夠揭示出真實(shí)序列關(guān)系比對(duì)最少包含一個(gè)兩個(gè)序列都擁有字(片斷)，把查詢(xún)序列中所用字編成索引，然后在數(shù)據(jù)庫(kù)搜索時(shí)查詢(xún)這些索引，以檢索出可能匹配，這么那些命中字很快被判定出來(lái)。FASTA算法基礎(chǔ)61/7361確定參數(shù)ktup，在兩個(gè)序列中查找長(zhǎng)度為ktup、相匹配片段(增強(qiáng)點(diǎn))。為了提升速度，能夠經(jīng)過(guò)查詢(xún)表格或hash表來(lái)完成，然后在表格中搜索與另一條序列相匹配、長(zhǎng)度為ktup片段。FAST