《中國科技大學課件系列：《生物信息學》.ppt》由會員分享，可在線閱讀，更多相關《中國科技大學課件系列：《生物信息學》.ppt（72頁珍藏版）》請在裝配圖網(wǎng)上搜索。
1、生物信息學,第三章 序列比對 ,本章內(nèi)容提要,第一節(jié)：數(shù)學基礎：概率及概率模型 第二節(jié)：雙序列比對算法的介紹 Dot matrix 動態(tài)規(guī)劃算法 (Needleman-Wunsch, Smith-Waterman算法) FASTA和BLAST算法 第三節(jié)：打分矩陣及其含義 第四節(jié)：多序列比對,第三節(jié) 打分矩陣及其含義,1，計分方法 2，Dayhoff: PAM系列矩陣 3，Henikoff: BLOSUM系列矩陣,1， 計分方法,匹配計分： UM矩陣(Unitary matrix) 相同的氨基酸記1分，否則記0分。 BLAST中核酸比對 結(jié)構(gòu)域性質(zhì)計分： SGM矩陣(Structure-Gen
2、etic Matrix) 主要根據(jù)氨基酸的結(jié)構(gòu)和化學性質(zhì)的相似程度來記分(如D和E，S和T，V和I有很高的相似性)，同時還考慮密碼子之間相互轉(zhuǎn)換的難易程度。 可觀測變換計分： PAM矩陣 (Point Accepted Mutation) BLOSUM矩陣 (BLOcks SUbstitution Matrix),2， PAM系列矩陣,Margaret Dayhoff, 1978; 通過對物種進化的研究，根據(jù)一種氨基酸被另一種氨基酸替代的頻度而提出的，最常用的是PAM250; Accepted point mutation (PAM): 可接受的點突變，氨基酸的改變不顯著影響蛋白質(zhì)的功能；,
3、PAM矩陣,71個蛋白質(zhì)家族的1572種變化； 序列相似性 85%；,功能同源的蛋白質(zhì) 通過中性進化，引入可接受的點突變； 進化模型： A. 基本假設：中性進化，Kimura,1968; B. 進化的對稱性: A-B = B-A; C. 擴展性：通過對較短時間內(nèi)氨基酸替代關系的計算來計算較長時間的氨基酸替代關系；,PAM1矩陣,兩個蛋白質(zhì)序列的1%氨基酸發(fā)生變化； 定義進化時間以氨基酸的變異比例為準，而不是時間；因為各個蛋白質(zhì)家族進化的速度并不相等； PAM2 = PAM1*PAM1 PAM3 = (PAM1)3 PAM250= (PAM1)250,PAMn矩陣的構(gòu)建,選取多個家族的相似性85
4、%的保守序列； 根據(jù)匹配計分進行多重比對(不含空位)； 以比對結(jié)果構(gòu)建進化樹，反映氨基酸替換關系； 計算每種氨基酸轉(zhuǎn)換成其它氨基酸的次數(shù)； 計算每種氨基酸突變率； 計算每對氨基酸突變率，得到突變概率矩陣，將此矩陣自乘n次； 將突變概率矩陣轉(zhuǎn)化為PAMn矩陣。,例6：PAM矩陣的構(gòu)建,已知3個蛋白質(zhì)家族若干保守序列片段： 家族一：FKILK，F(xiàn)KIKK，F(xiàn)FILL，F(xiàn)FIKL 家族二：IIFFF， IIFIF ， IKFFL ， IKFIL 家族三： KIFKK，KIFLK，KLFKL，KLFLL 按Doyhoff方法構(gòu)建PAM1與PAM2矩陣,Step1：多重比對,位置對齊，多重比對（不考慮空
5、位）： 統(tǒng)計每種氨基酸出現(xiàn)的頻率； fi = 氨基酸i的數(shù)目/總氨基酸數(shù)目 fL = 12/60 = 0.2 ..,Step2：構(gòu)建進化樹,最大簡約法 家族一: L和K間相互轉(zhuǎn)換次數(shù)：N(LK) = 3 家族二，家族三 ,Step3：計算氨基酸間的轉(zhuǎn)換次數(shù),計算每種氨基酸轉(zhuǎn)換成其它氨基酸的次數(shù)。 假設兩種氨基酸間相互轉(zhuǎn)換一樣。 e.g. N(LK)= 3 + 0 + 3 = 6,Step4：計算各氨基酸相對突變率,每種氨基酸相對突變率mi i：第i種氨基酸； fi ：每種氨基酸出現(xiàn)的頻率； mK = 8/(122 fK 100) = 0.0125 ,Step5：計算氨基酸i替換為j的突變
6、率,氨基酸i替換為j的突變率mij e.g. mKK = 1- mK = 0.9875 mKF = mF 1/4 = 0.001389 ,Step5：氨基酸一步轉(zhuǎn)移概率矩陣,氨基酸突變概率一步轉(zhuǎn)移概率矩陣M1ij,Step6: 計算PAM1計分矩陣,由突變率mij計算計分矩陣中的分值rij： 將rij = rji取平均值，再取整數(shù)； （按先前假設， rij = rji） rKK = 10lg(mkk/ fk) = 5.6857 6 (rKF + rFK )/2 = -22.833 -23 ,Step6: PAM1計分矩陣結(jié)果,三個家族序列片段得到的PAM1計分矩陣：,Step7: 計算PAM
7、2計分矩陣,將氨基酸突變概率矩陣自乘一次，得到兩步轉(zhuǎn)移概率矩陣M2ij M2ij = M1ij M1ij 三個家族序列片段得到的PAM2計分矩陣：,PAM250矩陣,PAM250: 250%期望的突變； 蛋白質(zhì)序列仍然有15-30%左右的相似性；,PAM250打分矩陣,打分矩陣的使用,PAM250: 15-30%的序列相似性； PAM120: 40%的序列相似性； PAM80: 50% PAM60: 60% 如何選擇最合適的矩陣？ 多種嘗試,PAM矩陣的問題及改進,1. PAM系列矩陣存在的問題： A. 氨基酸的打分矩陣，不關心核酸； B. 進化模型的構(gòu)建需要系統(tǒng)發(fā)育樹的分析，因此，成為一個
8、循環(huán)論證的問題：序列比對矩陣構(gòu)建打分進行新的序列比對； C. 數(shù)據(jù)集很?。?2. 打分矩陣的改進 A. 選用大量的序列數(shù)據(jù)，構(gòu)建PAM矩陣； B. BLOSUM系列矩陣; C. 核酸的打分矩陣;,3， BLOSUM矩陣,最被廣泛使用的氨基酸打分矩陣; 根據(jù)蛋白質(zhì)模塊數(shù)據(jù)庫BLOCKS中蛋白質(zhì)序列的高度保守部分的比對而得到的，最常用的是BLOSUM62; BLOCK: 蛋白質(zhì)家族保守的一段氨基酸，無gap，一般幾個至上百個氨基酸； Prosite家族：至少有一個BLOCK存在于該家族的所有蛋白質(zhì)序列中； BLOSUM62: 序列的平均相似性為62%的BLOCK構(gòu)建的打分矩陣；,BLOSUM62矩
9、陣構(gòu)建步驟：,提取Prosite數(shù)據(jù)庫中504個家族的2萬多蛋白質(zhì)序列，合并其中相似性62%的序列； 統(tǒng)計各BLOCK的氨基酸對數(shù)量f； 計算氨基酸對的出現(xiàn)頻率q； 計算每種氨基酸的期望頻率p； 計算氨基酸對出現(xiàn)的期望頻率e； 計算BLOSUM62矩陣分量rij,BLOSUM62打分矩陣,,BLOSUM 2. 基于多序列比對的結(jié)果構(gòu)建進化樹； 3. 重新計算序列之間的距離，再用“漸進”算法進行多序列比對； 4. 重復上述步驟，直到結(jié)果不再發(fā)生改變?yōu)橹埂?(2) DIALIGN,1. 對所有序列進行兩兩之間的局部最優(yōu)化的比對； 2. 找到所有能夠匹配的部分M1；將重疊的、前后連續(xù)(consist
10、ency)的匹配部分連接起來(diagonals)，為M2； 3. 將剩下的未比對的序列重新比對，再發(fā)現(xiàn)能夠匹配的部分，構(gòu)成新M1，將consistency部分構(gòu)成M2； 4. 重復上述步驟，直到結(jié)果收斂。,DIALIGN: 算法流程,3. 部分有向圖算法,激酶的多序列比對,4. 隱馬爾科夫模型: ProbCons,主要改進： 1. 所有序列的兩兩比對，通過profile HMM的方法進行雙序列比對； 2. 將漸進算法與迭代算法整合； 3. 目前，性能最優(yōu)。,5. 整合算法MUSCLE,算法分為三個部分，每個部分相對獨立； 1. Draft progressive: (1) 對兩條序列，計算距
11、離采用k-mer的思想； (2) 用UPGMA算法構(gòu)建引導樹； (3) 使用漸進算法進行多序列比對； 優(yōu)點：兩條序列之間的距離不采用動態(tài)規(guī)劃算法進行比對，節(jié)省時間。,MUSCLE,2. Improved progressive: (1)基于k-mer得到的樹可能會產(chǎn)生次優(yōu)結(jié)果，因此，采用Kimura距離的方法對k-mer產(chǎn)生的樹重新計算距離矩陣； (2)重新用UPGMA構(gòu)建進化樹； (3)使用漸進算法進行多序列比對；,3. Refinement: (1)隨機從進化樹上挑出一條邊，刪除； (2)得到兩組樹，對每組樹，計算profile； (3)將兩組profile進行比對； (4)如果最終得分提
12、高，保留結(jié)果，否則丟棄。,MUSCLE,MUSCLE的算法流程,MUSCLE: 使用指南,,,MUSCLE的使用,,多序列比對：性能檢驗,1. BAliBASE：基于蛋白質(zhì)結(jié)構(gòu)，將同一家族的蛋白質(zhì)序列進行多序列比較。 2. 檢驗多序列比對工具的性能：是否能夠很好的重復BAliBASE中已明確的比對結(jié)果。,AMP結(jié)合酶的結(jié)構(gòu)/序列比較,性能比較,ProbCons：目前綜合性能最好； T-Coffee：序列相似性高時最準確； DIALIGN: 序列相似性低時最準確； POA：性能接近T-Coffee和DIALIGN，速度最快； ClustalW/X: 最經(jīng)典、被廣泛接受的工具； MUSCLE: 目前最流行的多序列比對工具；,運算時間比較,
中國科技大學課件系列：《生物信息學》.ppt
