Blast和Fasta的應(yīng)用與原理

生物序列的相似性搜索

－blast簡介及其應(yīng)用中山大學生科院2004年9月現(xiàn)在是1頁\一共有64頁\編輯于星期日1內(nèi)容提要1.基本概念相似性，同源性2.Blast介紹Blast資源和相關(guān)問題3.Blast的應(yīng)用網(wǎng)絡(luò)版單機版4.深入了解Blast(改進程序，算法基礎(chǔ))5.其他的序列相似性搜索工具（fasta）現(xiàn)在是2頁\一共有64頁\編輯于星期日2生物序列的相似性相似性：

是指一種很直接的數(shù)量關(guān)系，比如部分相同或相似的百分比或其它一些合適的度量。比如說，A序列和B序列的相似性是80％，或者4/5。這是個量化的關(guān)系。當然可進行自身局部比較。現(xiàn)在是3頁\一共有64頁\編輯于星期日3同源性：指從一些數(shù)據(jù)中推斷出的兩個基因或蛋白質(zhì)序列具而共同祖先的結(jié)論，屬于質(zhì)的判斷。就是說A和B的關(guān)系上，只有是同源序列，或者非同源序列兩種關(guān)系。而說A和B的同源性為80％都是不科學的。生物序列的同源性現(xiàn)在是4頁\一共有64頁\編輯于星期日4相似性和同源性關(guān)系序列的相似性和序列的同源性有一定的關(guān)系，一般來說序列間的相似性越高的話，它們是同源序列的可能性就更高，所以經(jīng)常可以通過序列的相似性來推測序列是否同源。正因為存在這樣的關(guān)系，很多時候?qū)π蛄械南嗨菩院屯葱跃蜎]有做很明顯的區(qū)分，造成經(jīng)常等價混用兩個名詞。所以有出現(xiàn)A序列和B序列的同源性為80％一說?，F(xiàn)在是5頁\一共有64頁\編輯于星期日5序列相似性比較和序列同源性分析序列相似性比較：就是將待研究序列與DNA或蛋白質(zhì)序列庫進行比較，用于確定該序列的生物屬性，也就是找出與此序列相似的已知序列是什么。完成這一工作只需要使用兩兩序列比較算法。常用的程序包有BLAST、FASTA等；序列同源性分析：是將待研究序列加入到一組與之同源，但來自不同物種的序列中進行多序列同時比較，以確定該序列與其它序列間的同源性大小。這是理論分析方法中最關(guān)鍵的一步。完成這一工作必須使用多序列比較算法。常用的程序包有CLUSTAL等；現(xiàn)在是6頁\一共有64頁\編輯于星期日6Blast簡介（一）

BLAST是由美國國立生物技術(shù)信息中心（NCBI）開發(fā)的一個基于序列相似性的數(shù)據(jù)庫搜索程序。BLAST是“局部相似性基本查詢工具”(BasicLocalAlignmentSearchTool)的縮寫。現(xiàn)在是7頁\一共有64頁\編輯于星期日7Blast是一個序列相似性搜索的程序包，其中包含了很多個獨立的程序，這些程序是根據(jù)查詢的對象和數(shù)據(jù)庫的不同來定義的。比如說查詢的序列為核酸，查詢數(shù)據(jù)庫亦為核酸序列數(shù)據(jù)庫，那么就應(yīng)該選擇blastn程序。下表列出了主要的blast程序。Blast簡介（二）現(xiàn)在是8頁\一共有64頁\編輯于星期日8主要的blast程序程序名查詢序列數(shù)據(jù)庫搜索方法Blastn核酸核酸核酸序列搜索逐一核酸數(shù)據(jù)庫中的序列Blastp蛋白質(zhì)蛋白質(zhì)蛋白質(zhì)序列搜索逐一蛋白質(zhì)數(shù)據(jù)庫中的序列Blastx核酸蛋白質(zhì)核酸序列6框翻譯成蛋白質(zhì)序列后和蛋白質(zhì)數(shù)據(jù)庫中的序列逐一搜索。Tblastn蛋白質(zhì)核酸蛋白質(zhì)序列和核酸數(shù)據(jù)庫中的核酸序列6框翻譯后的蛋白質(zhì)序列逐一比對。TBlastx核酸核酸核酸序列6框翻譯成蛋白質(zhì)序列，再和核酸數(shù)據(jù)庫中的核酸序列6框翻譯成的蛋白質(zhì)序列逐一進行比對?，F(xiàn)在是9頁\一共有64頁\編輯于星期日9Blast相關(guān)的問題怎么獲得blast服務(wù),怎么使用的問題？為什么使用blast，可以獲得什么樣的信息？其他問題：實際使用時選擇哪種方式（網(wǎng)絡(luò)，本地化），參數(shù)的選擇，結(jié)果的解釋…現(xiàn)在是10頁\一共有64頁\編輯于星期日10Blast資源1.NCBI主站點：

/BLAST/(網(wǎng)絡(luò)版)

/blast/(單機版)2.其他站點：

/blast/

http://nema.cap.ed.ac.uk/ncbi_blast.html

/blast/（果蠅）…現(xiàn)在是11頁\一共有64頁\編輯于星期日11Blast結(jié)果給出的信息Blast結(jié)果會列出跟查詢序列相似性比較高，符合限定要求的序列結(jié)果，根據(jù)這些結(jié)果可以獲取以下一些信息。1.查詢序列可能具有某種功能2.查詢序列可能是來源于某個物種3.查詢序列可能是某種功能基因的同源基因…這些信息都可以應(yīng)用到后續(xù)分析中?，F(xiàn)在是12頁\一共有64頁\編輯于星期日12兩種版本的Blast比較（一）網(wǎng)絡(luò)版本包括NCBI在內(nèi)的很多網(wǎng)站都提供了在線的blast服務(wù)，這也是我們最經(jīng)常用到的blast服務(wù)。網(wǎng)絡(luò)版本的blast服務(wù)就有方便，容易操作，數(shù)據(jù)庫同步更新等優(yōu)點。但是缺點是不利于操作大批量的數(shù)據(jù)，同時也不能自己定義搜索的數(shù)據(jù)庫。現(xiàn)在是13頁\一共有64頁\編輯于星期日13單機版單機版的blast可以通過NCBI的ftp站點獲得，有適合不同平臺的版本（包括linux，dos等）。獲得程序的同時必須獲取相應(yīng)的數(shù)據(jù)庫才能在本地進行blast分析。單機版的優(yōu)點是可以處理大批的數(shù)據(jù)，可以自己定義數(shù)據(jù)庫，但是需要耗費本地機的大量資源，此外操作也沒有網(wǎng)絡(luò)版直觀、方便，需要一定的計算機操作水平。兩種版本的Blast比較（二）現(xiàn)在是14頁\一共有64頁\編輯于星期日14NCBI提供的Blast服務(wù)登陸ncbi的blast主頁核酸序列蛋白序列翻譯序列底下有其他一些針對特殊數(shù)據(jù)庫的和查看以往的比對結(jié)果等現(xiàn)在是15頁\一共有64頁\編輯于星期日15Blast任務(wù)提交表單（一）1.序列信息部分填入查詢（query）的序列序列范圍（默認全部）選擇搜索數(shù)據(jù)庫如果接受其他參數(shù)默認設(shè)置，點擊開始搜索現(xiàn)在是16頁\一共有64頁\編輯于星期日16Blast任務(wù)提交表單（二）設(shè)置搜索的范圍，entrez關(guān)鍵詞，或者選擇特定物種2.設(shè)置各種參數(shù)部分一些過濾選項，包括簡單重復序列，人類基因組中的重復序列等E值上限窗口大小如果你對blast的命令行選項熟悉的話，可以在這里加入更多的參數(shù)現(xiàn)在是17頁\一共有64頁\編輯于星期日17Blast任務(wù)提交表單（三）3.設(shè)置結(jié)果輸出顯示格式選擇需要顯示的選項以及顯示的文件格式顯示數(shù)目Alignment的顯示方式篩選結(jié)果E值范圍其他一些顯示格式參數(shù)點擊開始搜索現(xiàn)在是18頁\一共有64頁\編輯于星期日18提交任務(wù)返回查詢號（requestid）可以修改顯示結(jié)果格式修改完顯示格式后點擊進入結(jié)果界面現(xiàn)在是19頁\一共有64頁\編輯于星期日19結(jié)果頁面（一）圖形示意結(jié)果現(xiàn)在是20頁\一共有64頁\編輯于星期日20結(jié)果頁面（二）目標序列描述部分帶有g(shù)enbank的鏈接，點擊可以進入相應(yīng)的genbank序列匹配情況，分值，e值現(xiàn)在是21頁\一共有64頁\編輯于星期日21結(jié)果頁面（三）詳細的比對上的序列的排列情況現(xiàn)在是22頁\一共有64頁\編輯于星期日22一個具體的例子（blastp）假設(shè)以下為一未知蛋白序列>query_seqMSDNGPQSNQRSAPRITFGGPTDSTDNNQNGGRNGARPKQRRPQGLPNNTASWFTALTQHGKEELRFPRGQGVPINTNSGPDDQIGYYRRATRRVRGGDGKMKELSPRWYFYYLGTGPEASLPYGANKEGIVWVATEGALNTPKDHIGTRNPNNNAATVLQLPQGTTLPKGFYAEGSRGGSQASSRSSSRSRGNSRNSTPGSSRGNSPARMASGGGETALALLLLDRLNQLESKVSGKGQQQQGQTVTKKSAAEASKKPRQKRTATKQYNVTQAFGRRGPEQTQGNFGDQDLIRQGTDYKHWPQIAQFAPSASAFFGMSRIGMEVTPSGTWLTYHGAIKLDDKDPQFKDNVILLNKHIDAYKTFPPTEPKKDKKKKTDEAQPLPQRQKKQPTVTLLPAADMDDFSRQLQNSMSGASADSTQA我們通過blast搜索來獲取一些這個序列的信息?，F(xiàn)在是23頁\一共有64頁\編輯于星期日23具體步驟1.登陸blast主頁

/BLAST/2.根據(jù)數(shù)據(jù)類型，選擇合適的程序3.填寫表單信息4.提交任務(wù)5.查看和分析結(jié)果現(xiàn)在是24頁\一共有64頁\編輯于星期日24分析過程（一）1.登陸ncbi的blast主頁2.選擇程序，因為查詢序列是蛋白序列可以選擇blastp，點擊進入也可以選擇tblastn作為演示，我們這里選blastp現(xiàn)在是25頁\一共有64頁\編輯于星期日25分析過程（二）3.填入序列（copy＋paste）Fasta格式，或者純序列4.選擇搜索區(qū)域，這里我們要搜索整個序列，不填5.選擇搜索數(shù)據(jù)庫，這里我們選nr(非冗余的蛋白序列庫)。是否搜索保守區(qū)域數(shù)據(jù)庫（cdd），蛋白序列搜索才有。我們選上現(xiàn)在是26頁\一共有64頁\編輯于星期日26分析過程（三）6.限制條件，我們限制在病毒里面找。7.其他選項保持默認值打分矩陣現(xiàn)在是27頁\一共有64頁\編輯于星期日27分析過程（四）8.輸出格式選項保持默認值9.點擊開始搜索現(xiàn)在是28頁\一共有64頁\編輯于星期日28分析過程（五）10.查詢序列的一些相關(guān)信息在cdd庫里面找到兩個保守區(qū)域，點擊可以進入現(xiàn)在是29頁\一共有64頁\編輯于星期日29分析過程（六）圖形結(jié)果現(xiàn)在是30頁\一共有64頁\編輯于星期日30分析過程（七）匹配序列列表現(xiàn)在是31頁\一共有64頁\編輯于星期日31分析過程（八）具體匹配情況現(xiàn)在是32頁\一共有64頁\編輯于星期日32為什么使用單機版的Blast？ 1.特殊的數(shù)據(jù)庫要求。 2.涉及序列的隱私與價值。 3.批量處理 4.其他原因？？單機版的Blast使用（一）現(xiàn)在是33頁\一共有64頁\編輯于星期日33單機版Blast的基本操作過程 1.下載單機版的Blast程序/blast/executables/目錄下，下載對應(yīng)的操作系統(tǒng)版本。 2.解壓程序包(blast.tar.gz)命令是:$tarzxvfblast.tar.gz 單機版的Blast使用（二）現(xiàn)在是34頁\一共有64頁\編輯于星期日34 3.獲取Blast數(shù)據(jù)庫 a.直接從ncbi下載

/blast/db/ b.用Blast程序包提供的formatdb工具自己格 式化序列數(shù)據(jù)成數(shù)據(jù)庫。 假設(shè)有一序列數(shù)據(jù)（sequence.fa，多序列，fasta格式），欲自己做成Blast數(shù)據(jù)庫，典型的命令如下：單機版的Blast使用（三）現(xiàn)在是35頁\一共有64頁\編輯于星期日35核酸序列：$./formatdb–isequence.fa–pF–oT/F–ndb_name蛋白序列：$./formatdb–isequence.fa–pT–oT/F–ndb_name單機版的Blast使用（四）現(xiàn)在是36頁\一共有64頁\編輯于星期日364.執(zhí)行Blast比對 獲得了單機版的Blast程序，解壓開以后，如果有了相應(yīng)的數(shù)據(jù)庫（db），那么就可以開始執(zhí)行Blast分析了。 單機版的Blast程序包，把基本的blast分析，包括blastn，blastp，blastx等都整合到了blastall一個程序里面。單機版的Blast使用（五）現(xiàn)在是37頁\一共有64頁\編輯于星期日37以下是一個典型的blastn分析命令：(待分析序列seq.fa，數(shù)據(jù)庫nt_db)$./blastall–pblastn–iseq.fa-dnt_db–w7–e10–o

程序名 輸入數(shù)據(jù)庫窗口e值輸出 seq.blastn.out該命令的意思是，對seq.fa文件中的核酸序列對nt_db數(shù)據(jù)庫執(zhí)行blastn搜索，窗口大小是7，e值限制是10，輸出的結(jié)果保存到文件seq.blastn.out中。單機版的Blast使用（六）現(xiàn)在是38頁\一共有64頁\編輯于星期日385.Blastall的常用參數(shù)-p程序名應(yīng)該是blastn，blastp，blastx，tblastn，tblastx中的一個-d數(shù)據(jù)庫名稱，默認nr-i查詢序列文件，默認stdin-eE值限制，默認10-o結(jié)果輸出文件，默認stdout-F過濾選項，默認T單機版的Blast使用（七）現(xiàn)在是39頁\一共有64頁\編輯于星期日39進一步深入Blast1.blast22.Megablast3.Psi-blast4.其他(rpsblast,blastclust等)現(xiàn)在是40頁\一共有64頁\編輯于星期日40Blast2兩個序列的blast比對，給定兩個序列，相互進行blast比對。能快速檢查兩個序列是否存在相似性片斷或者是否一致。這比起全序列比對要快很多?，F(xiàn)在是41頁\一共有64頁\編輯于星期日41Megablastmegablast采用了貪婪算法(greedyalgorithm),它連接了多個查詢序列進行一次搜索比對，這樣節(jié)省了很多搜索數(shù)據(jù)庫的時間。主要針對核酸序列。是blast經(jīng)過優(yōu)化后，適用于由于測序或者其他原因形成的輕微的差別的序列之間的比較，比一般的相似性搜索程序要快10倍，可以很快的完成兩組大數(shù)據(jù)的比對?，F(xiàn)在是42頁\一共有64頁\編輯于星期日42PSI-blastPositionspecificiterativeBLAST(PSI-BLAST)位點特異的迭代blast搜索，主要針對蛋白序列。第一次blast搜索后，結(jié)果中最相似的序列重新構(gòu)建PSSM(位點特異性打分矩陣)，然后再使用該矩陣進行第二輪blast搜索，再調(diào)整矩陣，搜索，如此迭代。最終高度保守的區(qū)域就會得到比較高的分值，而不保守的區(qū)域則分數(shù)降低，趨近0。這樣可以提高blast搜索的靈敏度?，F(xiàn)在是43頁\一共有64頁\編輯于星期日43Blast的算法基礎(chǔ)基本思想是：通過產(chǎn)生數(shù)量更少的但質(zhì)量更好的增強點來提高速度。BALST算法是建立在嚴格的統(tǒng)計學的基礎(chǔ)之上的。它集中于發(fā)現(xiàn)具有較高的相似性的局部比對，且局部比對中不能含有空位（blast2.0引入了允許插入gap的算法）。由于局部比對的限制條件，在大多數(shù)情況下比對會被分解為若干個明顯的HSP(High-scoreSequencePairs)?，F(xiàn)在是44頁\一共有64頁\編輯于星期日44Blast的算法流程現(xiàn)在是45頁\一共有64頁\編輯于星期日45首先確定一個終止值S、步長參數(shù)w和一個閾值t。S值通常是基于統(tǒng)計學的原理指明一個預期的終止E值，然后軟件會在考慮搜索背景性質(zhì)的基礎(chǔ)上計算出合適的S值。使要比對的序列中包含一個分值不小于S的HSP。Blast的算法（一）現(xiàn)在是46頁\一共有64頁\編輯于星期日46Blast的算法（二）2.引入鄰近字串的思想：不需要字串確切地匹配，當有一個字串的分值高于t時，BALST就宣稱找到了一個選中的字串。為了提高速度，允許較長的字串長度W。W值很少變化，這樣，t值就成為權(quán)衡速度和敏感度的參數(shù)?，F(xiàn)在是47頁\一共有64頁\編輯于星期日47Blast的算法（三）一個字串選中后，程序會進行沒有空位的局部尋優(yōu)，比對的最低分值是S，當比對延伸時會遇到一些負的分值，使得比對的分值下降，當下降的分值小于S時，命中的延伸就會終止。這樣系統(tǒng)會減少消耗于毫無指望的選中延伸的時間，使系統(tǒng)的性能得以改進?，F(xiàn)在是48頁\一共有64頁\編輯于星期日48在1997年提出了對BLAST程序的改進算法，提高了搜索速度、敏感度和實用性?？商幚黹g隔(gap)的gappedBLAST算法PSI-BLAST算法對一個選中字串長度標準的延伸利用profile(表頭文件)的數(shù)據(jù)結(jié)構(gòu)來進行搜索Blast的改進（一）現(xiàn)在是49頁\一共有64頁\編輯于星期日49擴大步長，以步長為2w來搜索。允許位于不同的對角線的兩個片段拼接在一起。位于不同對角線的兩個片段拼接在一起的前提條件是：拼接后片段的分值不小于某一個終止值。執(zhí)行通常的BLAST算法，使用一種不同的記分方式，根據(jù)高度顯著比對(HSPs)的最高分值建立一個最初的profile。Blast的改進（二）現(xiàn)在是50頁\一共有64頁\編輯于星期日50根據(jù)該profile反復利用BLAST算法對數(shù)據(jù)庫進行搜索，這一步實際上是根據(jù)表頭文件的統(tǒng)計結(jié)果擴展局部比對。這一過程是反復進行的，直到再沒有發(fā)現(xiàn)新的有意義的匹配為止。由于在每一輪都會有新的片段加入，因此在操作過程中profile需要在每一個循環(huán)結(jié)束之后更新。Blast的改進（三）現(xiàn)在是51頁\一共有64頁\編輯于星期日51其他的序列相似性搜索工具

－fastaFastA算法是由Lipman和Pearson于1985年發(fā)表的（Lipman和Pearson，1985）。FastA的基本思路是識別與代查序列相匹配的很短的序列片段，稱為k-tuple。以下鏈接是EBI提供的fasta服務(wù)。

http://www.ebi.ac.uk/fasta33/

現(xiàn)在是52頁\一共有64頁\編輯于星期日52幫助信息各個參數(shù)選項填入搜索序列現(xiàn)在是53頁\一共有64頁\編輯于星期日53基本思想是：一個能夠揭示出真實的序列關(guān)系的比對至少包含一個兩個序列都擁有的字(片斷)，把查詢序列中的所用字編成索引，然后在數(shù)據(jù)庫搜索時查詢這些索引，以檢索出可能的匹配，這樣那些命中的字很快被鑒定出來。FASTA算法基礎(chǔ)現(xiàn)在是54頁\一共有64頁\編輯于星期日54確定參數(shù)ktup，在兩個序列中查找長度為ktup的、相匹配的片段(增強點)。為了提高速度，可以通過查詢表格或hash表來完成，然后在表格中搜索與另一條序列相匹配的、長度為ktup的片段。FASTA算法（一）現(xiàn)在是55頁\一共有64頁\編輯于星期日552.在同一條對角線中臨近的增強點成為一個增強段。每一個增強點都賦予一個正的分值，一個增強段中相鄰的兩個增強點之間的不匹配區(qū)域賦予一定的負值。一個增強段對應(yīng)于一段相匹配的子序列，分值最高的段被標記為init1。FASTA算法（二）現(xiàn)在是56頁\一共有64頁\編輯于星期日56引入i