【生物信息学第二版】序列比对

B
32
➢ 其次，根据序列间进化距离的离异度（divergence） 在比对的不同阶段使用不同的氨基酸替换矩阵；
➢ 第三，采用了与特定氨基酸相关的空缺（gap）罚分 函数，对亲水性氨基酸区域中的空缺予以较低的罚分；
➢ 第四，对在早期配对比对中产生空缺的位置进行较少 的罚分，对引入空缺和扩展空缺进行不同的罚分。
B
41
BLAST算法图示
B
42
二、衍生BLAST
（一）PSI-BLAST
➢ 主要用于搜索与感兴趣的蛋白质关系较远的蛋白质。
（二）PHI-BLAST
➢ 用来帮助判断这个蛋白质属于哪个家族。
（三）BLASTZ
➢ BLASTZ是在比对人和鼠的基因组中发展起来的， 它适合于比对非常长的序列。
B
43
三、BLAT
B
30
➢ 对于接近或超过100个序列的多序列比对，渐进多序 列比对具有较高效率。最流行的渐进多序列比对软 件是Clustal家族。
B
31
ClustalW有以下特点： ➢ 首先，在比对中对每个序列赋予一个特殊的权值以
降低高度近似序列的影响和提高相距遥远的序列的 影响（如下图）。
ClustalW中对序列赋权的方法
B
51
二、主要比对软件
B
52
三、EBI中的序列比对工具
双序列比对
特性 Global alignment Global alignment
工具 Needle Stretcher
Local alignment
Water
Local alignment Local alignment Genomic alignment Genomic alignment
BLAT在线工具 输入界面
B
54
BLAT在线工具 输出结果
B
55
第五节
比对技术的发展
Section 5 Advances of Alignment Techniques
B
56
一、glocal 比对
两个序列的局部、全局和glocal比对所对应的路径
B
57
二、全基因组比对
➢ 全基因组比对主要揭示多个序列中保守的和非保守 的区段以及这些区段在基因组中的分布特征，这里 主要介绍UCSC基因组浏览器（The UCSC Genome Browser）中的全基因组比对方法。
B
25
得分矩阵
B
26
三、双序列局部比对
➢ 处理子序列与完整序列（或短序列与长序列）比对 的一般过程是：设短序列a和长序列b，它们的长度 分别为La和Lb，比对是在b序列中寻找La长度的a序 列的过程。
B
27
四、多序列全局比对
多序列比对主要涉及四个要素： ①选择一组能进行比对的序列（要求是同源序列）； ②选择一个实现比对与计分的算法与软件； ③确定软件的参数； ④合理地解释比对的结果；
B
39
一、经典BLAST
• 基本的BLAST算法本身很简单，它的要点是片段 对（segment pair）的概念，它是指两个给定序列 中的一对子序列，它们的长度相等，且可以形成 无空格的完全匹配。
B
40
BLAST的查询序列和数据库的类型
程序名 查询序列 数据库类型
方法
blastp 蛋白质 blastn 核酸 blastx 核酸
B
35
对2个序列进行全局和局部比对可得到完全不同的结果
B
36
基于隐马尔可夫模型的多序列比对方法
隐马尔可夫模型和3个蛋白质序列PHSFTYVMT、
PGSFTYW、RFTGFW的最小公共超图
B
37
六、比对的统计显著性
确定比对得分score是否偶然： 1.将β球蛋白或肌球蛋白与大量非同源的蛋白质做比
B
44
四、RNA序列搜索
RNA序列比对/搜索算法可大致分成两类：
⑴ 查询序列（query）的结构未知，要找到数据库中 和其结构相近的同源序列。
B
45
⑵ 利用查询序列的结构信息，在结构信息的使用上 又可以细分为：
(a) 通过构建一个描述RNA序列共性结构的概率模型 进行数据库检索；
(b) 基于索引（index）或者模体（motif）描述的方 法定义rna结构或共性结构，并进行数据库搜索。
第四节
比对软件、参数与数据资源
Section 4 Alignment Software， Parameter and Resource
B
48
一、参数选择的一般原则
空格罚分涉及几个问题： ①空格罚分是否大于失配罚分； ②不同大小空缺的罚分； ③空格的引入与延伸是否予以不同罚分。
B
49
如果一次数据库搜索产生了太多的返回结果，可采取 如下措施：
B
22
二、双序列全局比对
动态规划算法的思想
⑴ a, b是使用某一字符集∑的序列（DNA 或蛋白质 序列）；
⑵ m = a的长度； ⑶ n = b的长度；
⑷ S（i,j） 是按照某替换计分矩阵得到的前缀a[1...i]
与b[1...j]最大相似性得分；
B
23
⑸ w（c,d）是字符c和d按照替换计分矩阵计算的得分。
10
三、算法实现的比对
➢ 用计算机科学的术语来说，比对两个序列就是找出 两个序列的最长公共子序列（longest common subsequence，LCS），它反映了两个序列的最高 相似度。
B
11
动态规划法示意
（A）使用动态规划法寻找两个序列的最长公共部分；
（B）动态规划表的填写。
B
12
四、序列比对的作用
ቤተ መጻሕፍቲ ባይዱ
B
4
➢ 同源可分为垂直同源（ortholog）和水平同源（paralog）
垂直同源与水平同源
B
5
（二）相似性与距离
➢ 相似性、距离：是两个定量描述多个序列相似度 的度量。
➢ 相似性：被比对序列之间的相似程度。 ➢ 距离：被比对序列间的差异程度。 ➢ 相似性既可用于全局比对也可用于局部比对，而
距离一般仅用于全局比对，因为它反映了把一个 序列转换成另一个序列所需字符替换的耗费。
B
16
C.两条序列反向匹配
B
17
D.两条序列存在不连续的两条子序列
B
18
（二）DNA序列比对的替换计分矩阵
➢ 等价矩阵（unitary matrix） ➢ 转换-颠换矩阵（transition-transversion matrix） ➢ BLAST矩阵
B
19
核苷酸转换矩阵
B
20
（三）蛋白质序列比对的替换计分矩阵
B
46
五、数据库搜索的统计显著性
➢ 一个典型的BLAST搜索的输出包括E值和得分， 后者又分原始得分（raw scores）和比特得分（bit scores）。 P=1-e-E
• P值和E值是反映比对显著性的两种不同方式， 大部分BLAST在线服务使用E值而非P值来定 义搜索的统计学显著性。
B
47
⑴ 使用参考序列（带“refseq”的）数据库，这样可减 少许多冗余结果；
⑵ 使查询序列只包含一个结构域，减少多结构域带 来的多匹配；
⑶ 根据查询序列与数据库序列的关系使用更合适的 替换计分矩阵；
⑷ 降低E值。
B
50
➢ 如果一次数据库搜索产生了太少的返回结果，可 采取如下措施：
⑴ 提高E值； ⑵ 使用更大的PAM矩阵或更小的BLOSUM矩阵； ⑶ 减小字长以及减小阈值。
生物信息学
生物信息学
第二章 序列比对
南方医科大学 朱浩
吉林大学
李瑛
第一节 引 言
Section 1 Introduction
B
3
一 、同源、相似与距离
（一） 同源
➢ 两个序列享有一个共同的进化上的祖先，则这两 个序列是同源的。
➢ 对于两个序列，他们或者同源或者不同源，不能 说他们70%或80%同源。
B
58
UCSC基因组浏览器中所采用的多序列比对在多方面作 了改进 ➢ 首先，它采用了参照序列（reference sequence），
使用BLASTZ将每一个序列与参照序列进行局部配 对比对，参照序列中的一个碱基比对另一个序列中 的至多一个碱基。 ➢ 其次，依据计分矩阵和两序列的种系关系，对配对 比对的结果进行所谓的“串连”（chaining）和“连网” （netting）。 ➢ 接着，UCSC基因组浏览器使用MULTIZ对多个“串 连”的配对比对进行渐进多序列比对。
➢ 获得共性序列 ➢ 序列测序 ➢ 突变分析 ➢ 种系分析 ➢ 保守区段分析 ➢ 基因和蛋白质功能分析
B
13
第二节 比对算法概要
Section 2 Alignment Algorithms
B
14
一、替换计分矩阵
（一）通过点矩阵对序列比较进行计分
A.两条序列完全相同
B
15
B.两条序列有一个共同的子序列
➢ 与双序列比对一样，多序列比对也有全局比对 和局部比对。
B
28
（一）动态规划法进行多序列比对
计算三序列比对
（A）计算三个序列间的一个比对单元（i,j,k）依赖于其7个前导项；
（B）计算u=ATGTTAT，v=ATCGTAC，w=ATGC三序列比对的三
维得分矩阵δ。
B
29
（二）渐进多序列比对
三个序列的配对比对未必能组合成一个多序列比对
B
7
➢ 对于一个比对，不论使用什么计分函数进行计分， 相似性被定义为总等值于最大的计分：
➢ 对于k个序列，如果用一个函数cost（）对每一列 的所有替换操作进行计分，则多个序列之间的距 离等值于最小的计分：
B
8
对相似性的计分
B
9
➢ 编辑距离（edit distance）：一般用海明距离表示。
B
➢ 可按照规则建立得分矩阵：
S（i,0） = 0, 0 ≤ i ≤ m S（0,j） = 0, 0 ≤ j ≤ n
S（i,j）=max
S（i-1,j-1）+ w（ai,bj） 匹配或错配
S（i-1,j）+ w（ai,-） 插入
S（i,j-1）
缺失不罚分
B
24
➢ 例如，对于序列a=ACACACTA，序列 b=AGCACACA，计分规则w（匹配）=+2；w （a,-）=w（-,b）=w（失配）=-1
蛋白质 核酸 蛋白质
tblastn 蛋白质 核酸
tblastx 核酸
核酸
用蛋白质查询序列搜索蛋白质序列数据库
用核酸查询序列搜索核酸序列数据库
将核酸序列按6条链翻译成蛋白质序列后搜 索蛋白质序列数据库 用蛋白质查询序列搜索核酸序列数据库， 核酸序列按6条链翻译成蛋白质 将核酸序列按6条链翻译成蛋白质序列后搜 索由核酸序列数据库按6条链翻译成的蛋白 质序列的数据库
➢ 等价矩阵 ➢ 遗传密码矩阵（GCM） ➢ 疏水性矩阵（hydrophobic matrix ） ➢ PAM矩阵 ➢ BLOSUM矩阵
B
21
➢ PAM矩阵是从蛋白质序列的全局比对结果推导出来 的，而BLOSUM 矩阵则是从蛋白质序列块（短序 列）比对推导出来的。
PAM/BLOSUM矩阵编号与序列亲缘关系的比较
B
33
其他多序列全局比对方法
➢ 迭代法 ➢ 基于一致性的方法 ➢ 遗传算法
B
34
五、多序列局部比对
➢ 全局比对，其共同特征是序列中所有对应字符均假 定可以匹配，所有字符具有同等的重要性，空格的 插入是为了使整个序列得到比对，包括使两端对齐。
➢ 局部比对不假定整个序列可以匹配，重在考虑序列 中能够高度匹配的一个区段，可赋予该区段更大的 计分权值，空格的插入是为了使高度匹配的区段得 到更好的比对。
B
6
二、相似与距离的定量描述
➢ 相似性可定量地定义为两个序列的函数，即它可有 多个值，值的大小取决于两个序列对应位置上相同 字符的个数，值越大则表示两个序列越相似。
➢ 编辑距离（edit distance）也可定量地定义为两个 序列的函数，其值取决于两个序列对应位置上差异 字符的个数，值越小则表示两个序列越相似。
对，然后将score与这些比对的得分进行比较。 2.把一个序列与一组随机产生的序列进行比对，然后
同样将score与这些比对的得分进行比较。 3.随机将两个序列中的一个打乱重组，比如说重组
100次，并与另一个序列比对，同样得到一组比对 的得分。
B
38
第三节 数据库搜索
Section 3 Database Search
Lalign Matcher PromoterWise GeneWise
Genomic alignment Wise2DBA
多序列比对 工具
Clustal Omega ClustalW2 DbClustal Kalign MAFFT MUSCLE MView PRANK
B
53
四、UCSC中的BLAT比对工具
➢ BLAT（The BLAST-Like Alignment Tool）与 BLAST搜索原理相似，但发展了一些专门针对全 基因组分析的技术。
➢ BLAT的优点在于速度快，其比对速度要比BLAST 快几百倍，其根本原因在于: BLAST是将查询序列 索引化，而BLAT则是将搜索数据库索引化， BLAT 把相关的呈共线性的比对结果连接成为更大 的比对结果。