序列相似性搜索詳解

序列相似性搜索詳解演示文稿現(xiàn)在是1頁(yè)\一共有69頁(yè)\編輯于星期六（優(yōu)選）序列相似性搜索現(xiàn)在是2頁(yè)\一共有69頁(yè)\編輯于星期六一、BLAST簡(jiǎn)介與意義BLAST(BasicLocalAlignmentSearchTool)基本局部比對(duì)搜索工具allowsrapidsequencecomparisonofaquerysequenceagainstadatabase.在數(shù)據(jù)庫(kù)中快速比對(duì)一個(gè)序列TheBLASTalgorithmisfast,accurate,andweb-accessible.現(xiàn)在是3頁(yè)\一共有69頁(yè)\編輯于星期六BLAST的應(yīng)用確定直系同源序列或旁系同源序列。如當(dāng)一個(gè)新的細(xì)菌基因組被測(cè)序后，幾千種蛋白質(zhì)被確定，其中有多少蛋白質(zhì)是同源的？從這里面預(yù)測(cè)出的基因中有多少是在GenBank中找不到顯著性同源物的？確定哪些蛋白質(zhì)和基因在特定的物種中出現(xiàn)。植物中是否也存在象RBP這樣的脂質(zhì)運(yùn)載蛋白？魚類中是否有反轉(zhuǎn)錄酶基因（如HIV-1pol基因）？確定一個(gè)DNA或者蛋白質(zhì)序列身份。如通過芯片實(shí)驗(yàn)得到一個(gè)感興趣的基因，那么就可以通過將這個(gè)DNA序列在一個(gè)蛋白質(zhì)數(shù)據(jù)庫(kù)中進(jìn)行搜索，來(lái)尋找哪些蛋白質(zhì)與該DNA編碼的蛋白質(zhì)具有相關(guān)性。發(fā)現(xiàn)新基因。例如，一個(gè)對(duì)于全基因組DNA的BLAST搜索可能會(huì)發(fā)現(xiàn)一個(gè)DNA所編碼的蛋白質(zhì)是以前所沒有報(bào)道過的?，F(xiàn)在是4頁(yè)\一共有69頁(yè)\編輯于星期六確定一個(gè)特定基因或者蛋白質(zhì)有哪些已經(jīng)發(fā)現(xiàn)的變種。例如，很多病毒都具有極強(qiáng)的突變能力。HIV-1pol有哪些已知的變異體？研究可能存在多種剪接方式的表達(dá)序列標(biāo)簽。尋找對(duì)于一個(gè)蛋白質(zhì)的功能和/或結(jié)構(gòu)起關(guān)鍵作用的氫鍵氨基酸殘基?，F(xiàn)在是5頁(yè)\一共有69頁(yè)\編輯于星期六數(shù)據(jù)庫(kù)搜索相似序列的基礎(chǔ)是序列的相似性比對(duì)，就是將查詢序列與數(shù)據(jù)庫(kù)里面的序列逐一的兩兩比對(duì)分析。由于現(xiàn)在數(shù)據(jù)庫(kù)信息量很大，這樣簡(jiǎn)單重復(fù)的分析非常耗時(shí)。所以開發(fā)了一些近似的算法以提高速度，目前使用最廣泛的序列對(duì)數(shù)據(jù)庫(kù)相似性搜索的應(yīng)用程序是FASTA和BLAST。BLAST算法跟之前講的動(dòng)態(tài)規(guī)劃法算法有所不同，處理速度更快。二、BLAST算法現(xiàn)在是6頁(yè)\一共有69頁(yè)\編輯于星期六二、BLAST算法“ThecentralideaoftheBLASTalgorithmistoconfineattentiontosegmentpairsthatcontainawordpairoflengthwwithascoreofatleastT.” Altschuletal.(1990)現(xiàn)在是7頁(yè)\一共有69頁(yè)\編輯于星期六這個(gè)算法可以描述為3個(gè)步驟第一步:編譯一組閾值高于T的wordpairs(w=3)。例：對(duì)于人RBP查詢序列…FSGTWYAMAKKDP…得到一列words(w=3)：FSGSGTGTWTWYWYAYAMAMA…思考題：如果查詢序列有100個(gè)字符，那么應(yīng)該會(huì)得到多少個(gè)“字”？現(xiàn)在是8頁(yè)\一共有69頁(yè)\編輯于星期六GTW6,5,11 22 GSW6,1,1118ATW0,5,11 16NTW0,5,11 16GTY6,5,2 13GNW 10GAW 9(T=11)Fig.4.13page101第一步GTW待搜索序列的所有字母匹配組合現(xiàn)在是9頁(yè)\一共有69頁(yè)\編輯于星期六BLOSUM62模塊氨基酸替換矩陣現(xiàn)在是10頁(yè)\一共有69頁(yè)\編輯于星期六第二步掃描數(shù)據(jù)庫(kù)，得到與編譯列表匹配的記錄，稱為序列片段對(duì)（segmentpair）。它是兩條給定序列中的一對(duì)子序列，它們的長(zhǎng)度相等，且形成無(wú)空位的完全匹配。由于在序列片段對(duì)查找過程中不考慮空位字符，即不考慮插入和刪除操作，所以運(yùn)行速度非?？?。KENFDKARFSGTWYAMAKKDPEG50RBP(query)

????GTW????44lactoglobulin(hit)現(xiàn)在是11頁(yè)\一共有69頁(yè)\編輯于星期六“字”對(duì)命中后，向兩端延伸，一直到得分（按照某個(gè)打分矩陣）不再增長(zhǎng)，由此就得到一定長(zhǎng)度的保持最好得分的序列串，稱高記分片段對(duì)（high-scoringpair,HSP）。KENFDKARFSGTWYAMAKKDPEG50RBP(query)MKGLDIQKVAGTWYSLAMAASD.44lactoglobulin(hit)Hit!extendextend第三步現(xiàn)在是12頁(yè)\一共有69頁(yè)\編輯于星期六最初是不考慮空位插入，但在生物的進(jìn)化過程中堿基的插入或缺失突變是普遍存在的，因此比對(duì)結(jié)果通常會(huì)出現(xiàn)一些無(wú)空位但不連續(xù)的區(qū)域，若將有些高分分值片段對(duì)通過一些相似性較低且有空位的片段連接起來(lái)，就能組成一些更長(zhǎng)的或許更有實(shí)際生物學(xué)意義的比對(duì)?；谏鲜鏊悸罚倪M(jìn)的BLAST算法允許空位出現(xiàn)，在多個(gè)HSP中，找一個(gè)最好的得分最高的片段對(duì)（maximalsegmentpair，MSP），以此為基礎(chǔ)運(yùn)行動(dòng)態(tài)規(guī)劃法將這一片段向序列的兩端延伸，最終產(chǎn)生一個(gè)記分較高的最佳比對(duì)結(jié)果，且可能有空位插入。現(xiàn)在是13頁(yè)\一共有69頁(yè)\編輯于星期六BLAST算法小結(jié)wordpairs——segmentpair——high-scoringpair,HSP——maximalsegmentpair?，F(xiàn)在是14頁(yè)\一共有69頁(yè)\編輯于星期六隨機(jī)事件與統(tǒng)計(jì)顯著意義的事件HSP是否有生物學(xué)意義呢？序列相似性不一定就是有生物學(xué)意義的，隨機(jī)也會(huì)產(chǎn)生一定的相似性序列。一段序列的出現(xiàn)是不是隨機(jī)事件？簡(jiǎn)單的一個(gè)模型：假設(shè)一個(gè)數(shù)據(jù)庫(kù)有100條數(shù)據(jù)，每個(gè)數(shù)據(jù)長(zhǎng)度是4，隨機(jī)給一條長(zhǎng)度為4的序列（GGAC）在數(shù)據(jù)庫(kù)中能找到的概率有多大呢？（大約32％，這個(gè)值叫P【probability】值）?！久總€(gè)字符（ATGC）出現(xiàn)的概率同等：1/4】。BLAST中一般用一個(gè)E值（Expectationvalue）來(lái)表示比對(duì)的顯著性。E值表示如果數(shù)據(jù)庫(kù)是隨機(jī)序列，那么得到同樣的比對(duì)結(jié)果的序列的頻率。這個(gè)值越小越好，說(shuō)明越有生物學(xué)意義?，F(xiàn)在是15頁(yè)\一共有69頁(yè)\編輯于星期六三、BLAST一般使用方法(1)選擇BLAST程序(2)得到并輸入查詢序列(3)選擇搜索的數(shù)據(jù)庫(kù)(4)選項(xiàng)選擇Thenclick“BLAST”現(xiàn)在是16頁(yè)\一共有69頁(yè)\編輯于星期六進(jìn)入BLAST界面/

現(xiàn)在是17頁(yè)\一共有69頁(yè)\編輯于星期六進(jìn)入BLAST界面點(diǎn)擊任一項(xiàng)進(jìn)入BLAST界面現(xiàn)在是18頁(yè)\一共有69頁(yè)\編輯于星期六help現(xiàn)在是19頁(yè)\一共有69頁(yè)\編輯于星期六對(duì)于任何給定的核酸序列（單鏈DNA或mRNA），根據(jù)密碼子的起始位置，可以按照三種方式進(jìn)行解釋。例如，序列ATTCGATCGCAA這三種閱讀順序稱為閱讀框（readingframes）CAA

A

ATTCGATCGATTCGATCGCAAATTCGATCGCA（1）（3）（2）現(xiàn)在是20頁(yè)\一共有69頁(yè)\編輯于星期六DNApotentiallyencodessixproteins5’CATCAA5’ATCAAC5’TCAACT5’GTGGGT5’TGGGTA5’GGGTAG5’CATCAACTACAACTCCAAAGACACCCTTACACATCAACAAACCTACCCAC3’3’GTAGTTGATGTTGAGGTTTCTGTGGGAATGTGTAGTTGTTTGGATGGGTG5’現(xiàn)在是21頁(yè)\一共有69頁(yè)\編輯于星期六（1）選擇程序nucleotideblast：查詢序列為核酸序列，搜索（比對(duì)）的數(shù)據(jù)庫(kù)為核酸數(shù)據(jù)庫(kù)，包括正義鏈（plus）和反義鏈（minus）。proteinblast：蛋白質(zhì)序列對(duì)蛋白質(zhì)序列。blastx：查詢序列為核酸序列，數(shù)據(jù)庫(kù)為蛋白質(zhì)數(shù)據(jù)庫(kù)，6種可能翻譯方式。tblastn：查詢序列為蛋白質(zhì)序列，數(shù)據(jù)庫(kù)為核酸序列。tblastx：數(shù)據(jù)庫(kù)和查詢序列都為核酸序列，但是進(jìn)行蛋白質(zhì)的比對(duì)，也就是每?jī)蓷l序列要進(jìn)行36次比對(duì)?，F(xiàn)在是22頁(yè)\一共有69頁(yè)\編輯于星期六ChoosetheBLASTprogramProgram

Input

Database

1blastn

DNA

DNA

1blastp

protein

protein

6blastx

DNA

protein

6tblastn

protein

DNA

36tblastx

DNA

DNA現(xiàn)在是23頁(yè)\一共有69頁(yè)\編輯于星期六(2)輸入序列可以輸入序列的ACCN號(hào)，gi號(hào)或者FASTA格式的序列現(xiàn)在是24頁(yè)\一共有69頁(yè)\編輯于星期六輸入說(shuō)明點(diǎn)紅圈的“more”可以更多的說(shuō)明現(xiàn)在是25頁(yè)\一共有69頁(yè)\編輯于星期六輸入格式說(shuō)明1）FASTA格式/BLAST/blastcgihelp.shtml“>”開始的單行加分行的序列字符串，中間不允許空行。>gi|129295|sp|P01013|OVAX_CHICKGENEXPROTEIN(OVALBUMIN-RELATED)QIKDLLVSSSTDLDTTLVLVNAIYFKGMWKTAFNAEDTREMPFHVTKQESKPVQMMCMNNSFNVATLPAEKMKILELPFASGDLSMLVLLPDEVSDLERIEKTINFEKLTEWTNPNTMEKRRVKVYLPQMKIEEKYNLTS現(xiàn)在是26頁(yè)\一共有69頁(yè)\編輯于星期六2）BareSequenceQIKDLLVSSSTDLDTTLVLVNAIYFKGMWKTAFNAEDTREMPFHVTKQESKPVQMMCMNNSFNVATLPAEKMKILELPFASGDLSMLVLLPDEVSDLERIEKTINFEKLTEWTNPNTMEKRRVKVYLPQMKIEEKYNLTSVLMALGMTDLFIPSANLTGISSAESLKISQAVHGAFMELSEDGIEMAGSTGVIEDIKHSPESEQFRADHPFLFLIKHNPTNTIVYFGRYWSP沒有開始的帶“>”的單行，只有序列數(shù)據(jù)，中間不允許空行?，F(xiàn)在是27頁(yè)\一共有69頁(yè)\編輯于星期六2）BareSequence也可以是GBFF格式中的序列數(shù)據(jù)，即可以帶數(shù)字和空格，但序列中間也不允許空行。1qikdllvssstdldttlvlvnaiyfkgmwktafnaedtrempfhvtkqeskpvqmmcmnn61sfnvatlpaekmkilelpfasgdlsmlvllpdevsdleriektinfekltewtnpntmek121rrvkvylpqmkieekynltsvlmalgmtdlfipsanltgissaeslkisqavhgafmels181edgiemagstgviedikhspeseqfradhpflflikhnptntivyfgrywsp現(xiàn)在是28頁(yè)\一共有69頁(yè)\編輯于星期六3）Identifiers包括檢索號(hào)，帶版本號(hào)的檢索號(hào)以及gi號(hào)都是允許的，但是格式有要求，下面是幾種錯(cuò)誤的格式。ACCESSION

P01013AAA68881.1gi|129295ACCESSION不能出現(xiàn)版本號(hào)之前不能有空格“|”與數(shù)字之間不能有空格現(xiàn)在是29頁(yè)\一共有69頁(yè)\編輯于星期六限定檢索范圍例如“From”中填“20”，“To”中填“200”，那么就是只比對(duì)序列中第20個(gè)字符到第200個(gè)字符之間的子序列（181個(gè)字符）?，F(xiàn)在是30頁(yè)\一共有69頁(yè)\編輯于星期六（3）選擇數(shù)據(jù)庫(kù)（核酸比對(duì)）非冗余數(shù)據(jù)庫(kù)現(xiàn)在是31頁(yè)\一共有69頁(yè)\編輯于星期六選擇數(shù)據(jù)庫(kù)（蛋白比對(duì)）現(xiàn)在是32頁(yè)\一共有69頁(yè)\編輯于星期六更多的限制現(xiàn)在是33頁(yè)\一共有69頁(yè)\編輯于星期六選擇程序現(xiàn)在是34頁(yè)\一共有69頁(yè)\編輯于星期六說(shuō)明現(xiàn)在是35頁(yè)\一共有69頁(yè)\編輯于星期六表3.1Blastn可以比對(duì)短的近似精確的序列比對(duì)現(xiàn)在是36頁(yè)\一共有69頁(yè)\編輯于星期六/blast/producttable.shtml#tab31現(xiàn)在是37頁(yè)\一共有69頁(yè)\編輯于星期六megablastMEGABLASTisthetoolofchoicetoidentifyanucleotidesequence。尋找和被比對(duì)序列高度相似的序列，其他的程序discontiguous-megablast和blastn也能實(shí)現(xiàn)這個(gè)目標(biāo)，但是MEGABLAST是專門針對(duì)高度相似序列而設(shè)計(jì)的，是最有效的查找和原序列相同序列的工具?，F(xiàn)在是38頁(yè)\一共有69頁(yè)\編輯于星期六discontiguousmegablastDiscontiguousMEGABLASTisbetteratfindingnucleotidesequencessimilar,butnotidentical,toyournucleotidequery。Discontiguousmegablast則更適合發(fā)現(xiàn)和被查詢序列相似而不是相同的序列。現(xiàn)在是39頁(yè)\一共有69頁(yè)\編輯于星期六一般先從默認(rèn)的開始，根據(jù)結(jié)果或者特殊的需要調(diào)整參數(shù)。1，最大輸出序列數(shù)。2，期望值閾值（E值），一般是10。3，word大小，核酸常見是11，精確搜索則可以提高到28，蛋白質(zhì)一般采用3。（4）選擇算法參數(shù)現(xiàn)在是40頁(yè)\一共有69頁(yè)\編輯于星期六選擇算法參數(shù)（核酸比對(duì)）現(xiàn)在是41頁(yè)\一共有69頁(yè)\編輯于星期六選擇算法參數(shù)（蛋白比對(duì)）現(xiàn)在是42頁(yè)\一共有69頁(yè)\編輯于星期六輸出結(jié)果現(xiàn)在是43頁(yè)\一共有69頁(yè)\編輯于星期六現(xiàn)在是44頁(yè)\一共有69頁(yè)\編輯于星期六結(jié)果現(xiàn)在是45頁(yè)\一共有69頁(yè)\編輯于星期六結(jié)果現(xiàn)在是46頁(yè)\一共有69頁(yè)\編輯于星期六結(jié)果得分有兩個(gè)：274是原始分，也就是根據(jù)打分矩陣計(jì)算得到的分?jǐn)?shù)，248是比特分，是歸一化的分?jǐn)?shù)，這樣可以忽略打分矩陣的影響?，F(xiàn)在是47頁(yè)\一共有69頁(yè)\編輯于星期六目標(biāo)序列信息現(xiàn)在是48頁(yè)\一共有69頁(yè)\編輯于星期六四、BLAST搜索實(shí)例HIV-1的pol蛋白（NP_057849），這是一個(gè)多結(jié)構(gòu)域的蛋白，包含有多個(gè)不同的蛋白酶、反轉(zhuǎn)錄酶和整合酶結(jié)構(gòu)域?，F(xiàn)在是49頁(yè)\一共有69頁(yè)\編輯于星期六分析一個(gè)人類EST使用HIV－1pol蛋白對(duì)不同數(shù)據(jù)庫(kù)進(jìn)行查詢Blastpnr（細(xì)菌蛋白質(zhì)）找到很多HIVpol的變體找到幾十個(gè)部分匹配找到更多的細(xì)菌蛋白的匹配很多顯著性匹配幾百個(gè)顯著性匹配Blastpnr（所有蛋白質(zhì)）tBlastnnr（細(xì)菌基因組）Blastpnr（人類蛋白質(zhì)）tBlastnnr（人類基因組）tBlastxnr（病毒基因組其他病毒以HIV－1pol蛋白開始的BLAST搜索總圖，通常為研究一個(gè)特定基因、蛋白或者物種，可以進(jìn)行一系列的BLAST搜索。搜索返回的數(shù)據(jù)庫(kù)匹配結(jié)果的數(shù)量可以從一個(gè)到上千個(gè)，這完全取決于查詢序列、數(shù)據(jù)庫(kù)和搜索參數(shù)本身的特點(diǎn)?，F(xiàn)在是50頁(yè)\一共有69頁(yè)\編輯于星期六homosapiensNP_057849現(xiàn)在是51頁(yè)\一共有69頁(yè)\編輯于星期六現(xiàn)在是52頁(yè)\一共有69頁(yè)\編輯于星期六與HIV-1pol同源的人類蛋白。現(xiàn)在是53頁(yè)\一共有69頁(yè)\編輯于星期六現(xiàn)在是54頁(yè)\一共有69頁(yè)\編輯于星期六現(xiàn)在是55頁(yè)\一共有69頁(yè)\編輯于星期六細(xì)菌bacteria要想對(duì)pol蛋白在整個(gè)生命樹中的分布了解得更多，我們可能會(huì)問有哪些細(xì)菌蛋白和HIV-1pol蛋白相關(guān)。現(xiàn)在是56頁(yè)\一共有69頁(yè)\編輯于星期六tblastnEST數(shù)據(jù)庫(kù)與HIV-1pol同源的基因表達(dá)。現(xiàn)在是57頁(yè)\一共有69頁(yè)\編輯于星期六tblastn人類EST數(shù)據(jù)庫(kù)現(xiàn)在是58頁(yè)\一共有69頁(yè)\編輯于星期六*生物信息學(xué)59五、BLAST策略現(xiàn)在是59頁(yè)\一共有69頁(yè)\編輯于星期六開始點(diǎn)：一個(gè)分子序列RBP（任何物種的DNA或蛋白質(zhì)）Blastp：有哪些其他蛋白與RBP相關(guān)Blastn：人類RBPDNA的3’非翻譯區(qū)是否與RBP的直系同源物或者旁系同源物的3’非翻譯區(qū)具有同源性？Blastx：一個(gè)脂質(zhì)運(yùn)載蛋白的EST與哪些已經(jīng)蛋白的親緣關(guān)系最近？tblastx：人類RBPDNA是否與一個(gè)被預(yù)測(cè)由一個(gè)像細(xì)菌EST這樣的DNA文庫(kù)中的某個(gè)基因編碼的蛋白質(zhì)相匹配？tblastn：一個(gè)基因組DNA數(shù)據(jù)庫(kù)中是否有一個(gè)RBP的直系同源物？搜索策略與問題實(shí)例可改變的搜索參數(shù)將搜索限制在一個(gè)物種（如人類）或者一個(gè)類（如細(xì)菌）；更改打分矩陣也很得到很遠(yuǎn)的同源關(guān)系；更改空位罰分來(lái)幫助找到同源物或者蛋白質(zhì)中含有的在其他蛋白質(zhì)中也出現(xiàn)的短的區(qū)域。目標(biāo)：BLAST搜索可以獲得的結(jié)果找到與RBP蛋白明確相關(guān)的其他蛋白質(zhì)或者基因；找到與感興趣的蛋白質(zhì)有較遠(yuǎn)親緣關(guān)系的其他蛋白質(zhì)；發(fā)現(xiàn)一個(gè)與輸入基因同源的新基因；找到在感興趣的蛋白質(zhì)中含有的并在其他蛋白質(zhì)中也出現(xiàn)的結(jié)構(gòu)域；通過多序列比對(duì)或者種系統(tǒng)進(jìn)化樹來(lái)顯示蛋白質(zhì)家族的關(guān)系。1、BLAST搜索策略圖現(xiàn)在是60頁(yè)\一共有69頁(yè)\編輯于星期六2、尋找遠(yuǎn)緣相關(guān)的蛋白質(zhì)：位點(diǎn)特異性反復(fù)比對(duì)（PSI-BLAST）很多同源的蛋白質(zhì)都只含有有限的相似序列。這些蛋白質(zhì)可能具有一種三維結(jié)構(gòu)，但是如果進(jìn)行序列比對(duì)，它們可能沒有明顯的相似性。可以通過打分矩陣的改變來(lái)部分解決這個(gè)問題，如PAM250矩陣提供了一個(gè)更好的評(píng)分系統(tǒng)用來(lái)探測(cè)遠(yuǎn)緣相關(guān)的蛋白質(zhì)。盡管如此，數(shù)據(jù)庫(kù)中的很多蛋白質(zhì)由于相關(guān)性太小，以致于很難用標(biāo)準(zhǔn)的blastp方法來(lái)檢測(cè)。psi-BLAST是一種專門化的比對(duì)，它往往比常規(guī)的比對(duì)算法更敏感。當(dāng)一個(gè)完整