序列分析(一)一一序列比对

蛋白质矩阵三
PAM矩阵：通过统计氨基酸的相互替换
率得到的矩阵，最早是由Dayhoff等研究了 71个相关蛋白家族的1572个突变。
BLOSUM矩阵：也是通过统计氨基酸
的相互替换率。
二者区别：
前者Dayhoff模型，假设蛋白质序列各部位进化的 速率是均等的。
但事实上并非如此，因为保守区的进化速率 显然 低于非保守区。
后者由Henikoff算法得到，对不同家族蛋白质序 列片段进行比对，不加入gaps，这些序列区间对 应于高度保守的区域。 氨基酸匹配率可通过各区 间可能的匹配率得到。再将这 些匹配率计入匹配 率表。
PAM矩阵（Point Accepted Mutation）
序列相似度 = 14% - 27% 40% 50% 60%
=5 由于序列长度不同，因此相对长度的得分更有意义：
Sim(s,t)=2×Score/(m+n)=2×5/(9+8)=0.588
注意：
不同类型的字符替换，其 代价是不同的。
核酸矩阵一
BLAST矩阵
A
T
C
G
A
5
-4
-4
-4
T
-4
5
-4
-4
C
-4 -4
5
-4
G
-4 -4
-4
5
目前最流行的序列比较程序BLAST使用的矩阵
Paralog (旁系同源)：
指相同的基因组内因 基因复制 形成的多个具有不同功 能的基因。
Xenolog (异同源)：
由某一个 水平基因转移 事件而得到的同源序列。
Convergence(趋同)：
序列的相似性是由 随机因素 产生。
第一节、双序列比对
点阵分析 动态规划
1. 点阵分析
用途：
1. 寻找两条序列间所有可能的比对； 2. 寻找蛋白质、DNA序列上正向或反向的重复序列； 3. 发现RNA上可能存在的互补区域。
核酸矩阵二
转移矩阵
A
T
C
G
A
1
-5
-5
-1
T
-5
1
-1
-5
C
-5 -1
1
-5
G
-1 -5
-5
1
基于颠换、转换原理。
蛋白质矩阵一
遗传密码矩阵：通过计算一个氨基酸变
化为另一个氨基酸，所需密码子中碱基的变 换数目而得到。 例如：苯丙氨酸M=>色氨酸W
（ATG） （TGG） 替换值为：2
蛋白质矩阵二
疏水矩阵：利用氨基酸的疏水性
Gap V D S C Y
Gap 0 4 -11 -22 -33 -44 -55
V -11 4 2 -7 -18 -29 -40
E -22 -7
6 4 -5 -16 -27
S -33 -18 -5 10 -1 -1 -12
L -44 -29 -16 -1 9 -2 -2
C -55 -40 -27 -12 9 8
PAM1矩பைடு நூலகம்，除以10000
2. 动态规划算法
动态规划往往被用于一个复杂的空间中寻找 一条最优路径。
全局优化比对：Needleman-Wunsch 局部优化比对：Smith-Waterman
为什么要设计动态规划算法?
直接的序列比对，要分别计算所有 比对情况的分值，以求得最大分值（或 最小分值）。但两序列比对数是序列长 度的指数函数，计算量很大，因此必须 设计高效的算法。
对全局比对策略稍作修改可得到局部最 优比对算法。
比对的路径不需要到达搜索图的尽头 ,如 果某种比对的分值不会因为增加比对的 数量而增加时，这种比对就是最佳的。
依赖于记分系统的性质：因为某种路径 的记分会在不匹配的序列段减少 ,当分值 降为零时，路径的延展将会终止，一个 新的路径就会产生。
局部优化比对 (1)
BLOSUM62替代矩阵
以两序列VDSCY和VESLCY为例 空位罚分d=-11
全局比对 (5)
Gap V D S C Y
Gap 0 -11 -3 -22 -33 -44 -55 -11
V -11 4 -11 -7
E -22
S -33
L -44 C -55
VD: -3
Y -66
全局比对 (6)
|
|
|
|
打分矩阵 = PAM250 PAM120 PAM80 PAM60
BLOSUM： BLOSUM60：序列相似度为 60％左右的序列使用； BLOSUM80：序列相似度为 80％左右的序列使用。
Replacement amino acid
Original amino acid
AR A 9867 2 R 1 9913
Sequence 2#
m
寻找两条序列的最佳比对，实际 上就是寻找在矩阵标记图中找非 重叠平行斜线最长的组合。
实例
序 列 对于较长的 序列，有很 多匹配的字 符，点阵图 变得非常复 杂和模糊。
→ 2→
→ 序列1 →
点阵法的滑动窗口技术：
使用滑动窗口代替一次一个位点的比较,是解 决这个问题的有效方法。
例5：不同序列的比对
P KD F CKA LV
P1 0 0 0 0 0 0 0 0
K 10001000
F
0100000
T
00000
K1
1000
A
100
I
00
V
1
PKDFCKALV PK - FTKAIV
字符的关系： 1. 匹配 2. 删除或插入 3. 替换
对于例五中的情况：
PKDFCKALV PK – FTKA I V 1 1 -11 0 1 1 0 1 Score=1+1+(-1)+1+0+1+1+0+1
序列分析（一）
一一序列比对
生物信息学研究的三个层面
初级层面：
基于现有的生物信息数据库和资源，利用成熟的生 物信息学工具（专业网站、软件）解决生物信息学 问题
——生物信息数据库（NCBI、EBI、DDBJ、UniProt等） ——基因组序列分析、序列比对软件（BLAST、CLUSTAL 等） ——系统发育树构建软件的简单使用（PHYLIP、PALM等） ——搜集、整理有特色的生物信息学数据库
Gap Gap 0
G0 E0 S0 L0 C0 K0
LD S CH 00000
Sij
gap: -11，线性罚分模型。
Smith-Waterman算法；
Si-1, j-1 + σ(xi, yj) Sij = max of Si-1, j +d (从上到下)
Si, j-1 +d (从左到右) 0
BLOSUM62替代矩阵
以两序列VDSCY和VESLCY为例 空位罚分d=-11
动态规划算法：全局比对(1)
Gap V D Gap 0 1gap 2gap
V 1gap E 2gap S… L C Y
S CY …
本例：线性罚分
r(g) gd
全局比对 (2)
Gap V D S C Y
Gap 0 -11 -22 -33 -44 -55
假设窗口大小为10，相似度阈值为8，则每 次比较取10个连续的字符，如相同的字符超 过8个，则标记，
基于滑动窗口的点矩阵方法可以明显地降低 点阵图的噪声，并且明确无误的指示出了两 条序列间具有显著相似性的区域。
(a)
(b)
（a）对人类（Homo sapiens）与黑猩猩（Pongo pygmaeus）的β 球蛋白基因序列进行比较的完整点阵图。（b）利用滑动窗口对 以上的两种球蛋白基因序列进行比较的点阵图，其中窗口大小为 10个核苷酸，相似度阈值为8。
优点：
1. 可以找到两个序列间所有可能的残基匹配； 2. 简单、易懂 3. 直观、整体性强
工具：
http://www.ebi.ac.uk/Tools/emboss/index.html
例1：自身的比对
AKG F KC A D E
A1 0 0 0 0 0 1 0 0
K 10010000
G
1000000
7
Y -66 -51 -38 -23 -3 7 15
比对结果：
Gap V Gap 0 -11
V -11 4 E -22 -7 S -33 -18 L -44 -29 C -55 -40 Y -66 -51
VDS–CY VESLCY
D S CY -22 -33 -44 -55 -7 -18 -29 -40 6 -5 -16 -27 -5 10 -1 -12 -16 -1 9 -3 -27 -12 8 7 -38 -23 -3 15
点阵序列比对的缺点
滑动窗口和阈值的选择过于经验化, 信噪比较低 , 不适合进行高通量的数据分析, 对长序列，计算时间长。
作为双序列比对的第一步，点阵图提供了 一个大尺度的轮廓信息
http://www.ebi.ac.uk/Tools/emboss/align/
序列相似性打分矩阵
简单的得分函数： p(a, a)=1 p(a, b)=0 p(a, -)=p(-, b)=-1
V -11 Sij
E -22 要求解Sij的分数，我们必须先知道
S -33
L
-44
Si-1, j-1, Si-1, j, Si, j-1的分数，这种方法叫 做递归算法；
C -55 采用这种方法，可以把大的问题分割 Y -66 成小的问题逐一解决，即动态规划算
法；需要存储如何得到Sij分数的过程。
全局比对 (3)
中级层面：
利用数理统计方法和相关的工具，研究生物信息学 问题
——概率、数理统计基础 ——现有的数理统计和科学计算工具（EXCEL、SPSS等）
高级层面：
提出有重要意义的生物信息学问题；自主创新， 发展新方法，开发新工具，引领生物信息学领域研 究方向。
——面向生物学领域，解决重要生物学问题 ——利用数学、物理、化学、计算科学等思想和方法 ——建立模型，发展算法 ——自行编程，开发软件
是指序列们是由共同祖先进化而来，讲两条序列
的同源关系，只有两种情况：同源、不同源。
相似性：指序列间的差别，是一个度量。
同源与相似的关系：一般认为序列相似性达到一 定程度，即可认为是同源，但不绝对。
Ortholog (直系同源)：
两个基因通过 物种形成 的事件而产生，或源于不同物 种的具有共同祖先的两个基因，或者两个物种中的同一基因， 一般具有相同的功能。
基于蛋白质疏水矩阵的全局比对
课后作业 以两序列VDSCY和VESLCY为例 空位线性罚分d=-20
结论：
1.比对结果与构建的打分矩阵和罚分 函数有关
2.构建合理的矩阵和罚分函数才能进 行最佳比对
3.目前较为公认的是BLOSUM和PAM 矩阵
局部优化比对
下例：局部优化打分 两条序列如下：
LDSCH GESLCK 目标：使用局部优化算法寻找最佳比对的 结果
F
100000
K
10000
C
1000
A
100
D
10
E
1
例2：重复序列
AKGF DKGF E
A1 0 0 0 0 0 0 0 0
K 10001000
G
1000100
F
100010
D
10000
K1
1000
G
1
100
F
1
10
E
1
例3：反向重复/回文
AUGCACGUC
A1 0 0 0 1 0 0 00
U 10000010
P1 0 0 0 0 0 0 0 0
K 10001000
F
0100000
T
00000
K1
1000
A
100
I
00
V
1
PKDFCKALV PK - FTKAIV
字符的关系： 1. 匹配 2. 删除或插入 3. 替换
点阵法的序列比对
Sequence 1#
1
n
1
“-” Insertion
“-” Insertion
BLOSUM62替代矩阵
全局比对 (4)
Gap V D S C Y
Gap 0 4 -11-11 -22 -33 -44 -55 V -11 4 -11 E -22
S -33 L -44 C -55 Y -66
Needleman-Wunsch算法；
Sij = max of
Si-1, j-1 + σ(xi, yj) Si-1, j +d (从上到下) Si, j-1 +d (从左到右)
G
1000100
C
101000
A
10000
C
1 1001
G
1
100
U1
10
C
1
例4：RNA stem/loop
AUGUAGCAU
A1 0 0 0 1 0 0 10
U 10100001
G
1001000
C
000001
U
00001
A
0010
C
100
A
10
U
1
例5：不同序列的比对
P KD F CKA LV
j
i
Gap V D S C Y
Gap 0 -11 -22 -33 -44 -55
V -11 Sij E -22
S -33 L -44 C -55 Y -66
Needleman-Wunsch算法；
Sij = max of
Si-1, j-1 + σ(xi, yj) Si-1, j +d (从上到下) Si, j-1 +d (从左到右)
序列分析内容
与DNA和protein序列相关的研究都可称为 序列分析。
主要包括：
1.序列比对 2.基因组序列分析 3.蛋白质序列分析 4.综合序列分析
为什么要进行序列比对？？？
序列拼接 数据库搜索方面 进化方面 功能方面
与进化相关的几个概念
同源性与相似性：极易被混淆的两个概念！！！
同源性(homology)：