《生物信息学基础——第三章》由会员分享，可在线阅读，更多相关《生物信息学基础——第三章（145页珍藏版）》请在金锄头文库上搜索。
1、第三章 序列比对主讲教师：丁彦蕊 单位：信息工程学院序列比对：寻找两条或者两条以上的序 列中各个字符的一一对应关系。序列比对的根本任务：发现序列之间的相似性寻找共同区域辨别序列之间的差异目的： 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 第一节 序列的相似性同源（homology）- 具有共同的祖先(P81)直向同源（Orthologous ）:共同祖先的直接后代（ 没有发生基因复制事件）之间的同源基因称为直向 同源。 共生同源（paralogous ）:两个物种A和B的同源基因 ，分别是共同祖先基因组中由复制事件而产生的不 同拷贝的后代，这被称为共生同源基
2、因。相似（similarity）同源序列一般是相似的 相似序列不一定是同源的 进化趋同（同功能）序列比较的基本操作是比对（Alignment）两个序列的比对是指这两个序列中各个字符的一种 一一对应关系，或字符的对比排列 。设有两个序列： GACGGATTAG，GATCGGAATAGAlignment2: GA CGGATTAG GATCGGAATAGAlignment1: GACGGATTAGGATCGGAATAG1、字母表和序列字母表4字符DNA字母表：A, C, G, T扩展的遗传学字母表或IUPAC编码单字母氨基酸编码符 号含 义说 明 GGGuanine AAAdenine TTThy
3、mine CCCytosineRG or APurine YT or CPyrimidine MA or CAmino KG or TKeto SG or CStrong interaction (3 H bonds) WA or TWeak interaction (2 H bonds) HA or C or TNot-G BG or T or Cnot-A VG or C or Anot-T(not-U) DG or A or Tnot-C NG or A or T or CAny 扩展的遗传学字母表或IUPAC编码氨基酸名称简 写氨基酸名称简 写甘氨酸G丝氨酸S丙氨酸A苏氨酸T缬氨酸V天
4、冬酰胺N异亮氨酸I谷酰胺Q亮氨酸L酪氨酸Y苯丙氨酸F组氨酸H脯氨酸P天冬氨酸D甲硫氨酸M谷氨酸E色氨酸W赖氨酸K半胱氨酸C精氨酸R特定的符号 代表字母表 A* 代表由字母表A中字符所形成的一系列有限长 度序列或字符串的集合a、b、c代表单独的字符s、t、u、v代表A*中的序列|s|代表序列s的长度为了说明序列s的子序列和s中单个字符，在s 中各字符之间用数字标明分割边界例如，设s=ACCACGTA，则s可表示为 0A1C2C3A4C5G6T7A8 i:s:j 指明第i位或第j位之间的子序列,当然，0 i j |s|。 子序列0:s: i 称为前缀，即prefix(s,i)子序列 i:s:|s|
5、称为后缀，即suffix(s, |s|-i+1) i:s: i 为空序列j-1:s:j 表示s 中的第j 个字符，简记为sj子序列与子串（p82）子序列：选取s中的某些字符（或删除s中的某些 字符）而形成s的子序列 例如： TTT 是 ATATAT的子序列。 s的子串： 是由s中相继的字符所组成。例如： TAC是AGTACA的子串， 但不是TTGAC的子串（是子序列）。 子串是子序列子序列不一定是子串字符串操作字符串连接操作： 两个序列s和t的连接： s + + t 例如： ACC+CTA = ACCCTA 字符串k操作 删除字符串两端的字符 其定义如下： prefix(s,l) = sk|s
6、|-l suffix(s,l) = k|s|-ls i:s:j = ki-1sk|s|-j序列比较可以分为四种基本情况(P83)（1）两条长度相近的序列相似 找出序列的差别（2）判断一条序列的前缀与另一条序列的后缀相似（3）判断一条序列是否是另一条序列的子序列（4）判断两条序列中是否有非常相似的子序列2、编辑距离（Edit Distance)GCATGACGAATCAG TATGACAAACAGC GCATGACGAATCAG TATGAC-AAACAGC 说明两条序列的相似程度 定量计算 两条序列的相似程度的定量计算相似度，它是两个序列的函数，其值越大，表示 两个序列越相似 两个序列之间的距
7、离。距离越大，则两个序列的 相似度就越小 字符编辑操作（Edit Operation）字符编辑操作可将一个序列转化 为一个新序列 Match（a，a）Delete（a，-） Replace（a，b）Insert（-，b）直接距离计算的不足扩展的编辑操作ACCGACAATATGCATA ATAGGTATAACAGTCAACCGACAATATGCATA ACTGACAATATGGATA 第二条序列头尾颠倒CTAGTCGAGGCAATCT GAACAGCTTCGTTAGT ？反向互补序列RNA发夹式二级结构3、通过点矩阵进行序列比较“矩阵作图法” 或 “对角线作图” 序列1 序列2 实 例 序列1
8、序列1 自我比较滑动窗口技术两条序列中有很多匹配的字符对，因而在点矩阵中 会形成很多点标记。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。 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）对人类（Homo sapiens）与黑猩猩（Pongo pygmaeus）的球蛋白基因 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
9、阈值为8。 (a) (b) 具有连续相似区域的两条DNA序列的简单点阵图4、 序列的两两比对序列的两两比对(Pairwise Sequence Alignment）:通过字符匹配和替换，或者 插入和删除字符，使两条序列达到一样的 长度，并使两条序列中相同的字符尽可能 一一对应。 s:AGCACACAAGCACACAt:ACACACTAACACACTA Match(A, A)Match(A, A) Delete(G, - )Replace(G, C) Match(C, C)Insert( -, A) Match(A, A)Match(C, C) Match(C, C)Match(A, A) Ma
10、tch(A, A)Match(C, C) Match(C, C)Replace(A, T) Insert( -, T)Delete(C, -) Match(A, A)Match(A, A)图3.6 序列AGCACACA和ACACACTA的两种比对结果Alignment -1 Alignment -2不同编辑操作的代价不同 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) = 0w (a, b) = 1 a bw (a, -) = w ( -, b) = 1 也可以使用得分（score）函数来评价编辑操作p (a, a)
11、 = 1p (a, b) = 0 a bp (a, -) = w ( -, b) = -1 概念两条序列s 和 t 的比对的得分（或代价）等于将s 转化为t 所用的所有编辑操作的得分（或代价）总 和；s 和t 的最优比对是所有可能的比对中得分最高 （或代价最小）的一个比对；s 和t 的真实距离应该是在得分函数p值（或代价 函数w值）最优时的距离。 例如： s:AGCACACA t:ACACACTA cost=2s:AGCACACAt:ACACACTA score (s，t）= 5序列比对的目的是寻找一个得分最大（或代价 最小）的比对。5、打分矩阵（Weight Matrices）(P87)（1
12、）核酸打分矩阵设DNA序列所用的字母表为 = A，C，G，T a. 等价矩阵（相同核苷酸得分为1，不同核苷酸替换得分为0） b. BLAST矩阵（相同核苷酸得分为+5，不同核苷酸得分为-4） c. 转移矩阵（transition，transversion）（嘌呤：腺嘌呤A，鸟嘌呤G；嘧啶：胞嘧啶C，胸腺嘧啶T） ATCG A1000 T0100 C0010 G0001ATCG A5-4-4-4T-45-4-4C-4-45-4G-4-4-45ATCGA1-5-5-1T-51-1-5C-5-11-5G-1-5-51表3.1 等价矩阵表表3.3 转移矩阵表3.2 BLAST矩阵（2）蛋白质打分矩阵（
13、i）等价矩阵其中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） 氨基酸突变代价矩阵GCM GCM矩阵通过计算一个氨基酸残基转变到另外一个氨基酸残基所需 的密码子变化数目而得到，矩阵元素的值对应于代价。如果变化一 个碱基就可以使一个氨基酸的密码子改变为另一个氨基酸的密码子 ，则这两个氨基酸的替换代价为1，如果需要两个碱基的改变，则替 换代价为2，以此类推。GCM矩阵常用于进化距离的计算，其优点是计算结果可以直接用于 绘制进化树，但在蛋白质序列比对尤其是相似程度较低的序列比对 中很少使用。（iii）疏水矩阵根据氨基酸残基替换前后疏水性的变化得到的矩阵。如果氨 基酸A被氨基酸
14、B替换后，疏水性变化不大则替换得分高， 否则替换得分低。（iv）PAM矩阵（Point Accepted Mutation）统计自然界中各种氨基酸残基的相互替换率。如果两种特定 的氨基酸之间替换发生得比较频繁，则这一对氨基酸在得分 矩阵中的互换得分就高。PAM矩阵基于进化原理，建立在进化的点接受突变模型基础 上，通过统计相似序列中的各种氨基酸替换发生率而得到的 矩阵。PAM矩阵（Point Accepted Mutation） 基于进化的点突变模型 一个PAM就是一个进化的变异单位, 即1%的氨基酸改变 这类矩阵里列出同源蛋白质在进化过程中氨基酸变化的可能性。 这类矩阵式基于进化原理的证据：编
15、码相同蛋白质的基因随着进化发生分歧，相似度降低。 科学 用得多 矩阵集合- PAM-N如，PAM120矩阵用于比较相距120个PAM单位的序列。一个PAM-N矩阵元素（i，j）的值：反应两个相距N个PAM单位的序列中第i种氨基酸替 换第j种氨基酸的频率。针对不同的进化距离采用PAM 矩阵序列相似度 = 40% 50% 60% | | | 打分矩阵 = PAM120 PAM80 PAM 60PAM250 14% - 27% （v） BLOSUM矩阵（Blocks Amino Acid Substitution Matrices） 通过统计相似蛋白质序列的替换率得到的。PAM矩阵是从蛋 白质序列的全局比对结果推
