当前位置：文档之家 › 第三章序列比对

第三章序列比对

  • 格式：ppt
  • 大小：1.85 MB
  • 文档页数：45

下载文档原格式

  / 45

合集下载

第三章序列比对共46页

第三章序列比对共46页

多序列的目的：用于比较基因组研究
1） 用于描述一组序列（基因家族）之间的 相似性关系， 以便了解一个基因家族的基本 特征，寻找motif，保守区域等。 2） 可构建HMM模型，搜索更多的同源序列， Pfam，prints，prosite，interPro等 3） 分析结构用于构建进化树
第二节 序列比对的基本概念
9
9
8
8
7
P
3
3
4
4
6
6
7
8
8
8
8
8
9
9
9 10 10 10
9
9
9
8
7
V
3
3
4
4
5
5
7
7
7
8
8
8
8
8
9 10 10 10 10 10
9
8
7
L
3
3
3
3
5
5
7
7
7
7
8
8
8
8
9
9
9 10 10 10
9
9
8
I
3
3
3
3
5
5
7
7
7
7
8
8
8
8
9
9
9 10 10 10
9
9
8
Y
2
2
3
3
4
4
6
6
6
6
7
7
7
7
8
8
9
9
9
9 10 10
（BLOck SUbstitution Matrix，BLOSUM）

第三章 序列比对

第三章 序列比对

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。

第三章 序列比对

第三章 序列比对

英文名
Glycine Alanine
缩写 简称
Gly Ala G A
中文名
苏氨酸 半胱氨酸
英文名
Threonine Cystine
缩写 简称
Thr Cys T C
缬氨酸
亮氨酸 异亮氨酸 脯氨酸 苯丙氨酸 酪氨酸 色氨酸
Valine
Leucine Isoleucine Proline Phenylalanine Tyrosine Tryptophan

并系同源(paralogy)基因是指同一基因组(或同系物种的 基因组)中，由于始祖基因的加倍而横向(horizontal)产生 的几个同源基因

直系与并系的共性是同源，都源于各自的始祖基因。区别在 于：

在进化起源上，直系同源是强调在不同基因组中的垂直传递，并系 同源则是在同一基因组中的横向加倍；

PAM矩阵的制作步骤：


构建序列相似（99％）的比对 计算氨基酸 j 的相对突变率mj（j被其它氨基酸替换的 次数） 针对每个氨基酸对 i 和 j , 计算 j 被 i 替换次数 替换次数除以相对突变率（mj） 利用每个氨基酸出现的频度对j 进行标准化 取常用对数，得到PAM-1(i, j) 将PAM-1自乘N次，可以得到PAM-N
3 0 1 0 0 0 0 -1 -1 -1 0 -1 0 -2 0 -3 -3 -5 T
6 1 -1 -1 -1 -1 0 0 0 -1 -2 -2 -3 -1 -5 -5 -6 P 2 1 0 0 0 0 -1 -2 -1 -1 -1 -2 0 -4 -3 -6 A 5 0 1 0 -1 -2 -3 -2 -3 -3 -4 -1 -5 -7 -7 G 2 2 1 1 2 0 1 -2 -2 -3 -2 -2 -2 -4 N

第三章序列比对

第三章序列比对

生物软件网： /
• 当然，DNAStar、DNAMan等软件也 可以进行比对。
• 载入的序列必须是fasta格式， 存储在记事本（.txt）中。
参数可以选择，或者默 认。
Clustal比对后的结果
3.3 多条序列比对方法
3.3.1 序列对数据库的比对检索分析 3.3.2 多重序列的本地化软件对齐 3.3.3 Clustal比对结果的编辑
Clustal的工作原理
Clustal输入多个序列
快速的序列两两比对，计算序列间的 距离，获得一个距离矩阵。
采用邻接法（NJ）构建一个树（引导树）
根据引导树，渐进比对多个序列。
Clustal的输入输出格式
• 输入序列的格式比较灵活，可以是前面介 绍过的FASTA格式，还可以是PIR、 SWISS-PROT、GDE、Clustal、 GCG/MSF、RSF等格式。
相似性 （similarity）
• 相似性是指序列比对过程中用来描述检测序列和目标序列之间相同 DNA碱基或氨基酸残基顺序所占比例的高低。
• 相似性本身的含义，并不要求与进化起源是否同一，与亲缘关系的 远近、甚至于结构与功能有什么联系。
• 当相似程度高于50%时，比较容易推测检测序列和目标序列可能是 同源序列；而当相似性程度低于20%时，就难以确定或者根本无法 确定其是否具有同源性。
• “Bl2Seq”是NCBI上Blast程序的一部分， 允许两条序列之行局部双序列比对，使 用这个程序执行蛋白质（或DNA序列） 的双序列比对非常容易。
• 网络服务如NCBI的“bl2seq”程序，地址： /Blast.cgi
点！
特殊BLAST
10
20
30
40
50

第三章 序列两两比对

第三章 序列两两比对

4
序
言
识别序列的进化关系能帮助我们描绘未知序列的功能。当一组序列 的比对显示出了显著的相似性，我们就认为它们属于同一个家族。如果 这个家族中一个成员的结构或功能已知，那么它的这些信息就可以推广 到家族中其它没有通过实验验证的序列。所以序列比对可以用于预测未 知结构和功能的序列的结构和功能。 序列比对可以用来推断两条序列是否是相关的。如果两条序列显著 相似，那么这种相似性是随机产生的可能性非常小，也就是说这两条序 列有共同的进化起源。当一个序列比对被正确的做出来，它就反应了两 条序列的进化关系：相同位置出现不同残基的区域代表残基替换；一条 序列的残基对应另一条序列的空位的区域代表在进化的过程中一条序列 出现过残基插入或删除。有一种情况也是可能的，那就是来源于同一祖 先的两条序列在某种程度上分离以至于它们有共同祖先的关系已经不能 从序列的水平上识别了。如果那样的话，它们的进化距离就必须通过其 它的方法识别了。
7
序
言
序列相似（similarity）与序列一致（identity）
序列比对中用到的另一对相关术语是序列相似与序列一致。这两个 概念对于核苷酸序列是同义的。而对于蛋白质序列，这两个概念是非常 不同的。在蛋白质序列比对中，序列一致是指待比对的两条序列中相同 残基匹配的比例；序列相似是指待比对的两条序列中很容易彼此替换具 有相似理化性质残基匹配的比例。有两种方法计算序列相似/一致度。 一种方法是用两条序列的全部长度，而另一种是利用较短的序列进 行标准化。第一种方法用如下公式计算序列相似度： S=[(Ls*2)/(La+Lb)]*100 其中S是序列相似的百分比，Ls是相似的残基数目，La和Lb分别是两条 序列的长度。
8
序
言
序列相似（similarity）与序列一致（identity）

3序列比对原理

3序列比对原理

100个残基发生一次替换的Dayhoff’s PAM-1矩阵
针对不同的进化距离采用PAM 矩阵
序列相似度 = 40% | 打分矩阵 = PAM120
50% | PAM80
60% | PAM 60
PAM250
→ 14% - 27%
第三节 序列比对算法 Dotplot算法
评估两条序列相似度最简单的方法之一是利用点阵图。
• 假设两条序列：CACGA和CGA，使用统一的空位和 失配罚分 • 则：1、给第一条序列加一个空位
2、给第二条序列加一个空位 3、两条序列都不加空位
如果知道了ACGA与GA最佳比对的得分，就可以立即计算出表中第一行的 得分。同样地，如果知道了表中第二、第三行剩余序列的最佳比对的得 分，就可以计算出起始位点的不同的三种比对得分。
(a)Leabharlann (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。
常用对比软件：BLAST(bl2seq)
动态规划: Needleman 和 Wunsch 算法
第三章 序列 比对原理
Principles of Sequence Alignment
• Biology
- What is the biological question or problem?
• Data
-What is the input data? -What other supportive data can be used ?
• 考虑这样的两条核苷酸序列： AATCTATA和AAGATA 仅有三种比对方式

生物信息学 第三章：序列比对原理


blastx Search protein database using a translated nucleotide query tblastn Search translated nucleotide database using a protein query
tblastx
Search translated nucleotide database using a translated nucleotide query
一、序列比对打分
序列分析的目的是揭示核苷酸或氨基酸序列编码的 高级结构或功能信息目的。
二、打分矩阵
稀疏矩阵、相似性打分矩阵
（一）DNA打分矩阵
即两个序列中相应的核苷酸相同，计1分；否则计0分。 如果考虑颠换和置换，可采用以下打分矩阵
（二） 氨基酸序列打分矩阵
1.PAM矩阵（Dayhoff突变数据矩阵）
（二）直系同源、旁系同源
直系同源基因（orthologous gene）是指在不同物种 中有相同功能的同源基因，它是在物种形成过程中 形成的。
旁系同源基因（paralogous gene）是指一个物种内 的同源基因。
直系同源基因和旁系同源基因统称为同源基因 （homolog）。
第二节 序列比对打分方法
ClustalX的比对步骤: 1.加载要比对的序列文件 序列格式可以支持NBRF/PIR、EMBL/Swiss-Ppot、 FASTA、GDE、Clustal、MSF、RSF等。
2.多序列比对
3.比对结果输出
（二）T-Coffee工具 （三）MultAlin工具 （四）MAFFT工具
比对结果
（二）高级BLAST工具 1、PSI-BLAST（position specific interated BLAST）

第三章 双序列比对


计分方法
• 记分规则是比对的重要条件，记分方法的 生物学意义常常决定了比对所反映的生物 学特征。不同的记分方法会得到差异较大 的比对结果。
编辑距离（edit distance)
相似性得分
不同编辑操作的代价不同
为编辑操作定义函数w，它表示“代价 （cost）”或“权重（weight）”。
对字母表中的任意字符a、b，定义 w (a, a) = 0 w (a, b) = 1 ab w (a, -) = w ( -, b) = 1
•本质问题：优化
•动态规划寻优策略
•动态规划算法（Dynamic Programming）
双序列比对的算法
动态规划算法：
是把大的问题分割成多级的小问题，逐级求每 个小问题的最优答案，各级小问题的最优答案 加起来就是这个大问题的最优答案。
– Global: Needleman-Wunsch – Local: Smith-Waterman
空位罚分
• 1. 线性罚分：d, 每次罚分的分数；g，空位数
r ( g ) gd
• 2. 修正的罚分：d, 第一次罚分的分数；g，空 位数；e, 修正后的参数
r ( g ) d ( g 1)e
两两比对算法
•直接方法 — 生成两个序列所有可能的比对，分 别计算代价函数，然后挑选一个代价最小的比对 作为最终结果。
第三章 双序列比对
为什么要双序列比对
• 问题: 两个序列是相关的吗？ • 方法：比较这两个序列，看它们是否相似。 • 目的： 相似序列 相似的结构，相似的功能 判别序列之间的同源性 推测序列之间的进化关系
同源物定义
• 如果多条序列是由共同的祖先序列进化而 来的，则称它们是同源的。

生物信息学应用：序列比对与数据库搜索


Y
6
W
VEDQK L S K CN VENK L TRPKCD
对齐：
VEDQKLS
KCN
VEN KLTRPKCD
VEDQK L SKCN V6 4 3 2 3 5 2 3 2 2 E4654413403 N2 3 5 3 4 1 5 4 2 6 K3434623604 L5112262221 T3323425424 R2 2 2 3 5 2 3 5 2 2 P3323234222 K3434623604 C2 0 1 1 0 2 4 0 6 2 D3 5 6 4 3 1 3 3 1 5
一般情况下PAM120矩阵和BLOSUM62矩阵是最好的选择
打分系统---空位罚分
序列的改变不仅可由点突变造成，也可 因残基的插入和缺失引起。所以引入空 位以产生序列比对是有生物学基础的。 引入空位罚分来代表比对中加入空位的 有效性
ACTACGT
A_ _ _CGT
空位罚分的计算:
k: 空位长度; r: 开放空位罚分值; δ: 扩展空位罚分值, δ<r
序列同源性
两序列来自一个共同的祖先序列
序列比较
• Dot matrix 分析 (intuitive) • 序列比对计算DP algorithm (exact) • Word or k-tuple (FASTA, BLAST)
(heuristic)
Dot Matrix
The amino acid sequences of the phage λcI (horizontal sequence) and phage P22 c2 (vertical sequence) repressors. The window size and stringency are both 1.

生物信息学2016-9-序列比对

打开MEGA后，点击Align >> Edit/Built Alignment >> Create New Alignment >> Protein，出现序列编辑的界面 可以将蛋白质序列粘贴进去，也可以通过菜单栏Data >> Open >> Retrieve Sequences from File，加载包含上述蛋白序列的FASTA文 件
然后点击W按钮或通过菜单栏Alignment >> Alignment by ClustalＷ
出现参数页面，可以调整参数，一般都使用默认参数，点击OK进行序 列比对
Bioinformatics
Liaoning University
Bioinformatics
Liaoning University
Bioinformatics
Liaoning University
序列比对软件使用方法介绍
Bioinformatics
Liaoning University
内容回顾
• • 一致性：一致性指两个序列相同的程度。 保守性：某一氨基酸残基或序列的改变（突变）保持 了原始氨基酸残基的物理化学特征，那么这个突变就 是保守的。 相似性：相似性表示序列之间相关联的程度。与一致 性比较相似性进一步考虑了发生保守突变的氨基酸的 数目，即考虑了相似氨基酸的数目。 同源性：如果两个序列是来源于一个共同的祖先，那 么他们是同源的。
序列分别为人的载脂蛋 白D，人视黄醇结合蛋白 4，孕激素相关子宫内膜 蛋白，补体8（γ肽）， lipocalin1，人气味结合 蛋白2A， α-1微球蛋白， 嗜中性明胶酶相关蛋白， 前列腺素D2合成酶 通过多序列比对可以发 现人这些旁系同源物序 列高度趋异，互相之间 的相似度并不高。 但都存在一个保守的模 体：GXW，即甘氨酸-任 意氨基酸-色氨酸。
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第三章 序列比对
第一节 引言
序列比对的分类：双序列比对，多序列比对
双序列比对的目的：
同源物鉴定，功能预测
基本假设：
1）所有的生物都起源于同一个祖先 （物种间序列存在同 源关系，同源序列功能往往是相似的） 2）序列不是随机产生，而是在进化上不断发生着演变 （同源的序列存在高度相似性） 3）序列的相似性可以判断 序列的同源性，进而可以利用 同源物功能的相似性 来进行推断
BLAST结果综述
BLAST结果表述
Bl2Seq双序列比对举例
特殊BLAST
蛋白质序列比对用blastp，DNA序列比对用blastn
例：拟南芥和菠菜的抗坏血酸过氧化物酶基因的两两比对
粘贴 sequence1
粘贴 sequence2
竖线：一致性 (identities)
缺口(gap)：不同之处
>gi|224983683|pdb|3GBN|B Chain B, Crystal Structure Of Fab Cr6261 In Complex With The 1918 H1n1 Influenza Virus Hemagglutinin GLFGAIAGFIEGGWTGMIDGWYGYHHQNEQGSGYAADQKSTQNAIDGITNKVNSVIEKMNTQFTAVG KEFNNLERRIENLNKKVDDGFLDIWTYNAELLVLLENERTLDFHDSNVRNLYEKVKSQLKNNAKEIGN GCFEFYHKCDDACMESVRNGTYDYPKYSEESKLNREEIDGVSGR
直系同源和旁系同源
直系同源（orthology）是指不同物种内的同源序列， 它们来源于物种形成时的共同祖先基因。
旁系同源（paralogy）是指同一物种中，由于基因的 复制而产生的几个同源基因。
直系同源和旁系同源的图示：
相似性分数的计算
1）编辑距离：两条序列对应位置上不同字符的个数 2）相似性得分：两条序列对应位置上相同字符的个数
1 i j Rij 0 i j
其中Rij代表打分矩阵元素 i、j分别代表字母表第i和第j个字符。
• （ii） 遗传密码矩阵（genetic code matrix,GCM ) • （iii）疏水性矩阵 （hydrophobic matrix) • （iv）PAM矩阵（point accepted matrix,PAM） • （v） BLOSUM矩阵
a. 等价矩阵 (unitary matrix) b. BLAST矩阵 c. 转换-颠换矩阵（transition-transversion matrix）
（嘌呤：腺嘌呤A，鸟嘌呤G；嘧啶：胞嘧啶C，胸腺嘧啶T）
表3.1 等价矩阵表 AT CG
A10 0 0 T01 0 0 C0 0 1 0 G0 0 0 1
选择“进行完全比对”，输出的文件路径自动与原始 的序列文件的路径一致。
Clustal比对结果 星号：完全一致
峰：表示一致程度高 谷：表示一致程度低
Cluster可进行双序列比对
第七节 全基因组比对
1) UCSC genome browser 2) Ensembl genome browser
同源性（homology）
• 如果两个序列有一个共同的进化祖先，那么它们 是同源的。这里不存在同源性的程度问题。这两 条序列之间要么是同源的，要么是不同源的
相似性 （similarity）
• 相似性是指序列比对过程中用来描述检测序列和目标 序列之间相同DNA碱基或氨基酸残基顺序所占比例的 高低。
• 当相似程度高于50%时，比较容易推测检测序列和目 标序列可能是同源序列；而当相似性程度低于20%时， 就难以确定是否具有同源性。
•利用每个氨基酸出现的频度对j 进行标准化 •取常用对数，得到PAM-1(i, j) •将PAM-1自乘N次，可以得到PAM-n
PAM矩阵与BLOSUM矩阵的选择
第四节 序列比对的算法
双序列比对的三种算法： • 点阵分析法 • 动态规划法:Needleman-Wunsch、Smith-Waterman • 词或K串法(BLAST or FASTA中应用，后面会提到)
9
9
8
8
8
8
7
7
5
T
5
5
5
5
7
7
9
9
9
9 10 10 10 10
9
9
8
8
8
8
7
7
5
H
5
5
5
5
7
7
9
9
9
9 10 10 10 10
9
9
9
8
8
8
7
7
5
A
5
5
5
5
7
7
9
9
9
9 10 10 10 10
9
9
9
8
8
8
7
7
5
C
4
4
5
5
6
6
8
8
8
8
9
9
9
9 10 10
9
9
9
9
8
8
5
M
3
3
4
4
6
6
8
8
8
8
9
9
9
9 10 10 10 10
The end
7
7
6
6
6
5
5
5
4
4
3
S
6
6
7
7
8
8 10 10 10 10
9
9
9
9
8
8
7
7
7
7
6
6
4
N
6
6
6
6
8
8 10 10 10 10
9
9
9
9
8
8
8
7
7
7
6
6
4
Q
6
6
6
6
8
8 10 10 10 10
9
9
9
9
8
8
8
7
7
7
6
6
4
G
5
5
6
6
8
8 10 10 10 10
9
9
9
9
8
8
8
8
7
7
6
6
5
X
5
5
5
5
7
7
9
9
9
9 10 10 10 10
（BLOck SUbstitution Matrix，BLOSUM）
• 遗传密码矩阵
遗传密码矩阵通过计算一个氨基酸变成另一 个氨基酸所需的密码子变化的数目而得到。 通常为1 或 2，只有Met到Tyr为 3。
• 遗传密码矩阵 GCM矩阵
疏水矩阵
R
K
D
E
B
Z
S
N
Q
G
X
T
H
A
C
MP
V
L
I
Y
F
W
R 10 10
表3.2 BLAST矩阵 AT CG
A 5 -4 -4 -4 T -4 5 -4 -4 C -4 -4 5 -4 G -4 -4 -4 5
表3.3 转移矩阵 AT CG
A 1 -5 -5 -1 T -5 1 -1 -5 C -5 -1 1 -5 G -1 -5 -5 1
（2）蛋白质打分矩阵
• （i）等价矩阵
8
F
1
1
2
2
4
4
6
6
6
6
7
7
7
7
8
8
8
8
9
9 10 10
9
W
0
0
1
1
3
3
4
4
4
5
5
5
5
5
6
7
7
7
8
8
8
9 10
PAM & BLOSOM
• 这类矩阵列出同源蛋白质在进化过程中氨基酸变 化的可能性（统计学inference）是基于进化原理 的依据，更科学
PAM矩阵（ point accepted mutaion）
2）蛋白质比对通常比DNA比对具有更丰富的信息
i) DNA序列的许多改变（特别是密码子的第三位）不会 改变对应的氨基酸
ii）许多氨基酸具有相似的生物化学性质（亲疏水，酸 碱等），在打分系统中会认为是相似的（positive）， 而不是不同
第五节 双序列比对的常用工具
数据库搜索：在分子生物学研究中，对于新测定的 碱基序列或由此翻译得到的氨基酸序列，往往需要 通过数据库搜索，找出具有一定相似性的同源序列， 以推测该未知序列可能属于哪个基因家族，具有哪 些生物学功能。 数据库搜索的基础是序列的相似性比对，即双序列 比对,因此，数据库搜索是双序列比对的特例 BLAST, FASTA等常用的数据库搜索程序均采用局部相 似性比对的方法，具有较快的运行速度
• 基于氨基酸进化的点突变模型
如果两种氨基酸替换频繁，说明自然界接受这种替换，那么这对氨基酸替换得 分就高
PAM矩阵的制作步骤 •构建序列相似（大于85％）的比对 •计算氨基酸 j 的相对突变率mj（j被其他氨基酸替换的次数） •针对每个氨基酸对 i 和 j , 计算 j 被 i 替换次数 •替换次数除以相对突变率（mj）
9
9
8
8
7