第三章 序列比对

生物信息学中的序列比对技术分析随着生物技术的不断进步，自动化测序技术的快速发展，大量生物学数据呈爆炸式增长。

同时，对生物信息学分析的需求日益增大，序列比对则成为生物信息学最常见的分析手段之一。

序列比对技术可以对已知序列与未知序列进行匹配、比对，以找出其中的异同点，分析其功能和演化关系，是生物科学、基因组学等分支的核心技术之一。

1. 序列比对的基本概念序列比对是指将两个或多个序列进行对比，找出它们的相似和不同之处的过程。

从基本原理上讲，序列比对是将一条DNA或RNA序列与另一条同源序列进行匹配的过程，而通过比较相同和不同之处来推断它们可能存在的共同祖先。

所谓同源序列，指的是两个或多个序列具有较高的序列相似度，可能来自相同种属的生物体或同一基因家族中的不同基因成员。

同源序列对于了解分子进化、基因结构与功能以及物种关系具有重要的意义。

2. 序列比对的类型在生物信息学领域，基本可以将序列比对分为全局比对和局部比对两种。

（1）全局比对全局比对是指将整个序列与另一条序列进行比对，寻找全长匹配区域。

全局比对适用于已知的高度同源性序列分析。

最常用的全局比对算法包括 Needleman-Wunsch 和 Smith-Waterman 算法。

其中，Needleman-Wunsch 算法较为严谨，适用于匹配全长序列；而 Smith-Waterman 算法则更为灵活，可以匹配任意长度的序列片段，并且可以找到更为相似的匹配序列。

（2）局部比对局部比对是指只比对序列中一部分序列，而不需要考虑整个序列，寻找相似或同源的序列区间。

相较于全局比对，局部比对更适合用于寻找序列中比较短且高度相似的区域。

常用的局部比对算法有 BLAST (Basic Local Alignment Search Tool) 和 FASTA (Fast Alignment Search Tool) 算法。

这些算法适用于较长的未知序列与基因或蛋白质序列数据库进行比对。

序列比对名词解释序列比对，又被称为序列比对分析，是一种分析生物序列相似性的算法，能够比较并对比不同物种之间的 DNA蛋白质序列，以及用于识别和研究共同特征等。

这是一种运用统计学原理的分析方法，能够发现和比较生物物种的进化关系，从而对比其基因组的序列和结构的相似性。

序列比对的原理是，两个序列通过字符匹配单元来评估两个序列的相似性。

两个序列都会被分解成许多小段，这些小段中的字符将会被比较。

这个过程被称为“匹配盒”，他们使得比较更加精确。

这个算法也使用一种叫做全局算法的系统，用于将两个序列中所有的字符串串连接起来，比较它们之间的相似性。

要使用序列比对，需要使用一种特定的算法，这个算法可以计算出两个序列的相似性。

这个算法可以使用非常复杂的方法，也可以使用经典的比较算法，比如Smith-Waterman算法、Needleman-Wunsch算法、BLAST算法等。

序列比对常常被用来进行基因组学分析，可以用来分析DNA序列、蛋白质序列，也可以用来分析特定基因的变异性。

序列比对可以帮助研究者发现某些基因的Protein的特定变体，这也可以帮助研究者更进一步地了解这些基因的功能。

序列比对还可以被用于进化分析，可以比较和分析某些物种的基因组，寻找它们在进化过程中的变化。

序列比对也可以用来研究生物物种之间的相似性，可以用来了解它们的系统进化关系。

序列比对也可以用于识别特定的DNA结构，如DNA序列中出现的特定序列，可以帮助研究者识别出重要的基因序列。

此外，序列比对还可以帮助研究者发现特定序列中引入的错误，这对研究者分析基因组序列特征非常关键。

综上所述，序列比对是一种非常重要的算法，可以应用于基因组学、进化学和生物物种比较研究等领域。

它可以帮助研究者比较不同物种的序列或比较一个物种序列的变异性，并根据得出的结果来了解它们的进化关系和进化机制。

也可以用来发现基因组中的特征和错误，这极大地丰富了基因组学的发展。

第三章序列比对1 序列比对的概念序列比对的定义是：根据特定的计分规则，两个或多个符号序列按位置比较后排列，尽可能反映序列间的相似性，这一过程称为序列比对。

2 序列比对的意义生物信息学形成早期的主要研究内容就是序列比对，而当时序列比对研究的课题主要是生物大分子的进化。

核酸序列与蛋白质序列的突变是经实验证明的生物学现象，而现代生物学认为正是这种生物大分子序列的不断变化形成了生物进化的分子基础。

即在地质年代早期的地球生物中的核酸、蛋白质等序列经过几十亿年的演变后，成为了现今极其多样化的生物大分子序列。

我们并不知道这些分子序列祖先演化的实际过程，但可以找到现存序列的相似性，根据相似性去推导演化的过程。

正是通过序列比对找出序列之间的相似性。

序列比对找到的是相似性，可用这相似性去进行同源性分析。

后文所讲到的分子系统发育分析，就是通过序列比对，再进行聚类分析，然后依据所得结果确定被测分子序列的亲缘关系，构建进化树。

序列比对的一个用途就是用于搜索相似序列。

当你获得一段DNA序列或氨基酸序列后，发现对它一无所知时，可以在核酸序列数据库中搜索关于这一序列的信息，一个有效的方法是采用比对算法在数据库中找到一系列与该序列有相似性的序列，并按相似程度由高到低排列。

现在应用的多个序列搜索软件的本质差异基本上是比对算法的差异，随着数据库规模的扩大，对快速搜索的要求越来越高，而优化比对算法是解决问题的方案之一。

在基因组测序中，序列比对更是有重要作用。

基因组测序一般要将若干个拷贝的长核酸序列打断成有重叠区域的许多小片断，测序仪对小片断进行测序，然后把已知碱基排列顺序的小片断用比对算法找到有重叠区的另外的片断，把它们边接起来还原成原来的长核酸序列，得到长核酸序列的碱基排列顺序。

序列比对还可以寻找序列中的特定位点。

当一个基因的某一位点发生突变时，它与原基因进行比对时就能发现这个位点，这在寻找致病基因时尤为重要。

同时，通过比对，可找出不同序列间一些保守性的区域，它们可能行使重要的功能。

生物信息学中的序列比对算法综述序列比对是生物信息学领域中的一个重要问题，指的是比较两个生物序列（DNA，RNA或蛋白质序列）之间的相似性和差异性。

序列比对是许多研究任务中的第一步，如基因识别、物种分类、进化关系的推断等等。

在本文中，我们将介绍序列比对算法的基本概念、方法和软件，包括全局比对、局部比对、多序列比对等方面。

一、序列比对的基本概念序列比对的目的是找出两个序列之间的相似性和差异性，根据相似性分析序列的结构、功能以及进化关系。

相似性可以被表示成一个比对得分，即正数表示相似性，负数表示差异性。

比对得分的计算取决于匹配分、替换分和缺失分。

匹配分是指在比对中找到相同的位置并且相等的分数。

替换分是指找到不同的位置并且不相等的分数。

缺失分是指在任意序列中找不到匹配的分数。

计算得分的方法有很多种，其中最流行的方法是 Needleman-Wunsch 算法和 Smith-Waterman 算法。

二、全局比对算法全局比对算法是一种比较两个序列的整个长度的算法，使得它们之间的相似性或差异性能够被准确地测量。

全局比对算法通常用于比较高度相似的序列或同一物种中相似的序列。

Needleman-Wunsch 算法与 Smith-Waterman 算法是全局比对中最为经典的算法。

Needleman-Wunsch 算法： Needleman-Wunsch 算法是最经典的全局比对算法之一。

该算法通过构建一个二维矩阵，其中每个元素代表在比对过程中两个序列的一个指定位置。

该算法通过分配一个比对得分并使用动态规划来计算所有可能的比对方式。

通过比对得分的计算，算法确定序列之间的最佳比对方式，使比对得分最大化。

该算法常用于比较高度相似的序列，或者已知序列的情况下以寻找相同物种中潜在基因组之间的相似性信息。

Smith-Waterman 算法： Smith-Waterman 算法是一种类似Needleman-Wunsch 算法的全局比对算法。

《生物信息学》第三章：序列比较（第三部分）在线多序列比对工具：TCOFFEE - ExpressoTCOFFEE是一个非常流行的多序列比对工具。

TCOFFEE与CLUSTAL系列在所使用的算法上类似，准确度上比CLUSTAL系列略高，但计算耗时也比CLUSTAL系列略高。

最关键的是TCOFFEE有很多种变形，也就是说它有更多的功能。

许多网站都提供TCOFFEE 的在线使用，比如EMBL的多序列比对工具里就有TCOFFEE。

但是这次，我们从TCOFFEE 的网站做多序列比对。

TCOFFEE本身是一个标准的多序列比对工具，跟CLUSTAL没有什么区别。

我们来看它的变形，也就是根据比对序列种类的不同，TCOFFEE网站下特有的比对工具（图1）。

图1. TCOFFEE网站下特有的比对工具针对蛋白质序列的比对工具，除了TCOFFEE以外，还有Expresso，M-Coffee, TM-Coffee 以及PSI-Coffee。

其中，Expresso最有特色，它是为序列加入结构信息后再做多序列比对的工具。

因为有结构信息的辅助，它可以大大提高比对的准确度。

M-Coffee可以把多个比对的结果整合成一个。

TM-Coffee专为穿膜蛋白打造，PSI-Coffee专为远源序列打造。

同样的还有针对RNA和DNA序列的Coffee。

抱歉不能一一品尝，我们就挑他家的特色招牌咖啡，Expresso尝一下。

也就是做加入结构信息的蛋白质多序列比对。

做Expresso的序列我们选用网站提供的示例序列（图2）。

Show more options下，可以通过各种方式给入输入序列的结构信息。

如果你有这些序列现成的结构文件，也就是PDB 文件，可以直接把它们上传上来。

三条序列对应三个上传链接。

可以上传的结构文件不只限于PDB数据库下载的，也包括还未正式发表的解析结构或者计算机预测的结构，只要是用PDB文件格式保存的，都可以。

图2. TCOFFEE Expresso序列和结构信息输入界面如果没有现成的结构文件，但是这些序列在PDB数据库里有对应结构的话，你可以从接下来的输入框里，按照规定的写法，指定哪条序列对应PDB数据库中的哪个结构（图3）。

第三章序列比较3.3 序列多重比对与序列两两比对不一样，序列多重比对（Multiple Alignment）的目标是发现多条序列的共性。

如果说序列两两比对主要用于建立两条序列的同源关系和推测它们的结构、功能，那么，同时比对一组序列对于研究分子结构、功能及进化关系更为有用。

例如，某些在生物学上有重要意义的相似性只能通过将多个序列对比排列起来才能识别。

同样，只有在多序列比对之后，才能发现与结构域或功能相关的保守序列片段。

对于一系列同源蛋白质，人们希望研究隐含在蛋白质序列中的系统发育的关系，以便更好地理解这些蛋白质的进化。

在实际研究中，生物学家并不是仅仅分析单个蛋白质，而是更着重于研究蛋白质之间的关系，研究一个家族中的相关蛋白质，研究相关蛋白质序列中的保守区域，进而分析蛋白质的结构和功能。

序列两两比对往往不能满足这样的需要，难以发现多个序列的共性，必须同时比对多条同源序列。

图3.14是从多条免疫球蛋白序列中提取的8个片段的多重比对。

这8个片段的多重比对揭示了保守的残基（一个是来自于二硫桥的半胱氨酸，另一个是色氨酸）、保守区域（特别是前4个片段末端的Q-PG）和其他更复杂的模式，如1位和3位的疏水残基。

实际上，多重序列比对在蛋白质结构的预测中非常有用。

多重比对也能用来推测各个序列的进化历史。

从图3.14可以看出，前4条序列与后4条序列可能是从两个不同祖先演化而来，而这两个祖先又是由一个最原始的祖先演化得到。

实际上，其中的4个片段是从免疫球蛋白的可变区域取出的，而另4个片段则从免疫球蛋白的恒定区域取出。

当然，如果要详细研究进化关系，还必须取更长的序列进行比对分析。

对于多重序列比对的定义，实际上是两个序列的推广。

设有k个序列s1, s2, ... ,s k，每个序列由同一个字母表中的字符组成，k大于2；通过插入操作，使得各序列s1, s2, ... ,s k的长度一样，从而形成这些序列的多重比对。

如果将各序列在垂直方向排列起来，则可以根据每一列观察各序列中字符的对应关系，如图3.14。