Blast和Fasta的应用与原理

1、2021/3/271 内容提要 1.基本概念 相似性,同源性 2.Blast介绍 Blast资源和相关问题 3.Blast的应用 网络版 单机版 4.深入了解Blast(改进程序,算法基础) 5.其他的序列相似性搜索工具（fasta） 2021/3/272 生物序列的相似性 相似性相似性: 是指一种很直接的数量关系数量关系,比如部分 相同或相似的百分比或其它一些合适的 度量。比如说,A序列和B序列的相似性 是80,或者4/5。这是个量化的关系。 当然可进行自身局部比较。 2021/3/273 同源性同源性: 指从一些数据中推断出的两个基因或蛋 白质序列具而共同祖先的结论,属于质的质的 判断判断

2、。就是说A和B的关系上,只有是同源 序列,或者非同源序列两种关系。而说A和 B的同源性为80都是不科学的。 生物序列的同源性 2021/3/274 相似性和同源性关系 序列的相似性和序列的同源性有一定的关系,一 般来说序列间的相似性越高的话序列间的相似性越高的话,它们是同源序它们是同源序 列的可能性就更高列的可能性就更高,所以经常可以通过序列的相 似性来推测序列是否同源。 正因为存在这样的关系,很多时候对序列的相 似性和同源性就没有做很明显的区分,造成经常 等价混用两个名词。所以有出现A序列和B序列 的同源性为80一说。 2021/3/275 序列相似性比较和序列同源性分析序列相似性比较和序列

3、同源性分析 序列相似性比较序列相似性比较: 就是将待研究序列与DNA或蛋白质序列库进行比较,用 于确定该序列的生物属性,也就是找出与此序列相似的已 知序列是什么。完成这一工作只需要使用两两序列比较 算法。常用的程序包有BLAST、FASTA等; 序列同源性分析序列同源性分析: 是将待研究序列加入到一组与之同源,但来自不同物种 的序列中进行多序列同时比较,以确定该序列与其它序列 间的同源性大小。这是理论分析方法中最关键的一步。 完成这一工作必须使用多序列比较算法。常用的程序包 有CLUSTAL等; 2021/3/276 Blast简介（一） BLAST 是由美国国立生物技术信息是由美国国立生物技

4、术信息 中心（中心（NCBI） 开发的一个基于开发的一个基于序列相似性序列相似性的数据库搜的数据库搜 索程序。索程序。 BLAST是是“局部相似性基本查询工局部相似性基本查询工 具具”(Basic Local Alignment Search Tool)的的 缩写。缩写。 2021/3/277 Blast 是一个序列相似性搜索的程序包是一个序列相似性搜索的程序包, 其中包含了很多个独立的程序其中包含了很多个独立的程序,这些程序这些程序 是根据查询的对象和数据库的不同来定义是根据查询的对象和数据库的不同来定义 的。比如说查询的序列为核酸的。比如说查询的序列为核酸,查询数据查询数据 库亦为核酸序列

5、数据库库亦为核酸序列数据库,那么就应该选择那么就应该选择 blastn程序。程序。 下表列出了主要的下表列出了主要的blast程序。程序。 Blast简介（二） 2021/3/278 主要的blast程序 程序名查询序列数据库搜索方法 Blastn核酸核酸核酸序列搜索逐一核酸数据库中的序列 Blastp蛋白质蛋白质蛋白质序列搜索逐一蛋白质数据库中的序 列 Blastx核酸蛋白质核酸序列6框翻译成蛋白质序列后和蛋白 质数据库中的序列逐一搜索。 Tblastn蛋白质核酸蛋白质序列和核酸数据库中的核酸序列6 框翻译后的蛋白质序列逐一比对。 TBlastx核酸核酸核酸序列6框翻译成蛋白质序列,再和核酸

6、 数据库中的核酸序列6框翻译成的蛋白 质序列逐一进行比对。 2021/3/279 Blast相关的问题 w 怎么获得blast服务,怎么使用的问题? w 为什么使用blast,可以获得什么样的信息? w 其他问题:实际使用时选择哪种方式（网络, 本地化）,参数的选择,结果的解释 2021/3/2710 Blast资源 1.NCBI主站点: (网络版) (单机版) 2.其他站点: （果蝇） 2021/3/2711 Blast结果给出的信息 Blast结果会列出跟查询序列相似性比较 高,符合限定要求的序列结果,根据这些结 果可以获取以下一些信息。 1.查询序列可能具有某种功能 2.查询序列可能是来

7、源于某个物种 3.查询序列可能是某种功能基因的同源基因 这些信息都可以应用到后续分析中。 2021/3/2712 两种版本的Blast比较（一） w 网络版本 包括NCBI在内的很多网站都提供了在线 的blast服务,这也是我们最经常用到的 blast服务。网络版本的blast服务就有方便, 容易操作,数据库同步更新等优点。但是缺 点是不利于操作大批量的数据,同时也不能 自己定义搜索的数据库。 2021/3/2713 w 单机版 单机版的blast可以通过NCBI的ftp站点获 得,有适合不同平台的版本（包括linux,dos 等）。获得程序的同时必须获取相应的数 据库才能在本地进行blast

8、分析。单机版的 优点是可以处理大批的数据,可以自己定义 数据库,但是需要耗费本地机的大量资源, 此外操作也没有网络版直观、方便,需要一 定的计算机操作水平。 两种版本的Blast比较（二） 2021/3/2714 NCBI提供的Blast服务 登陆ncbi的 blast主页 核酸序列 蛋白序列 翻译序列 底下有其他一些针对 特殊数据库的和查看 以往的比对结果等 2021/3/2715 Blast任务提交表单（一） 1.序列信息部分 填入查询（query）的序列 序列范围 （默认全部） 选择搜索数据库 如果接受其他参数默认 设置,点击开始搜索 2021/3/2716 Blast任务提交表单（二）

9、 设置搜索的范围,entrez关键词, 或者选择特定物种 2.设置各种参数部分 一些过滤选项,包括简单 重复序列,人类基因组中 的重复序列等 E值上限 窗口大小 如果你对blast的命令行选项熟悉的话,可以在这里加入更多的参数 2021/3/2717 Blast任务提交表单（三） 3.设置结果输出显示格式 选择需要显示的选项 以及显示的文件格式 显示数目 Alignment的显 示方式 筛选结果 E值范围 其他一些显示格式参数 点击开始搜索 2021/3/2718 提交任务 返回查询号（request id） 可以修改显示结果格式 修改完显示格式后点 击进入结果界面 2021/3/2719 结

10、果页面（一） 图形示意结果 2021/3/2720 结果页面（二） 目标序列描述部分 带有genbank的链接,点击可以进入 相应的genbank序列 匹配情况,分值,e值 2021/3/2721 结果页面（三） 详细的比对上的序列的排列情况 2021/3/2722 一个具体的例子（blastp） 假设以下为一未知蛋白序列 query_seq MSDNGPQSNQRSAPRITFGGPTDSTDNNQNGGRNGARPKQRRPQGLPNNTAS WFTALTQHGKEELRFPRGQGVPINTNSGPDDQIGYYRRATRRVRGGDGKMKEL SPRWYFYYLGTGPEASLPYG

11、ANKEGIVWVATEGALNTPKDHIGTRNPNNNAATV LQLPQGTTLPKGFYAEGSRGGSQASSRSSSRSRGNSRNSTPGSSRGNSPARM ASGGGETALALLLLDRLNQLESKVSGKGQQQQGQTVTKKSAAEASKKPRQKRT ATKQYNVTQAFGRRGPEQTQGNFGDQDLIRQGTDYKHWPQIAQFAPSASAFFG MSRIGMEVTPSGTWLTYHGAIKLDDKDPQFKDNVILLNKHIDAYKTFPPTEPKKD KKKKTDEAQPLPQRQKKQPTVTLLPAADMDDFSRQLQNSMSGASADST

12、 QA 我们通过blast搜索来获取一些这个序列的 信息。 2021/3/2723 具体步骤 1.登陆blast主页 2.根据数据类型,选择合适的程序 3.填写表单信息 4.提交任务 5.查看和分析结果 2021/3/2724 分析过程（一） 1.登陆ncbi的blast主页 2.选择程序,因为查 询序列是蛋白序列 可以选择blastp,点 击进入 也可以选择tblastn 作为演示, 我们这里选blastp 2021/3/2725 分析过程（二） 3.填入序列（copypaste） Fasta格式,或者纯序列 4.选择搜索区域,这里我们要搜 索整个序列,不填 5.选择搜索数据库,这里我们选

13、nr(非冗余的蛋白序列库)。 是否搜索保守区域数据库 （cdd）,蛋白序列搜索才有。 我们选上 2021/3/2726 分析过程（三） 6.限制条件,我们限制在 病毒里面找。 7.其他选项保持默认值 打分矩阵 2021/3/2727 分析过程（四） 8.输出格式选项保持 默认值 9.点击开始搜索 2021/3/2728 分析过程（五） 10.查询序列的一些 相关信息 在cdd库里面找 到两个保守区域, 点击可以进入 2021/3/2729 分析过程（六） 图形结果 2021/3/2730 分析过程（七） 匹配序列列表 2021/3/2731 分析过程（八） 具体匹配情况 2021/3/2732

14、 为什么使用单机版的Blast? 1.特殊的数据库要求。 2.涉及序列的隐私与价值。 3.批量处理 4.其他原因? 单机版的Blast使用（一） 2021/3/2733 单机版Blast的基本操作过程 1.下载单机版的Blast程序 目录下,下载对应的操作系统版本。 2.解压程序包(blast.tar.gz) 命令是: $ tar zxvf blast.tar.gz 单机版的Blast使用（二） 2021/3/2734 3.获取Blast数据库 a.直接从ncbi下载 b.用Blast程序包提供的formatdb工具自己格 式化序列数据成数据库。 假设有一序列数据（sequence.fa,多序

15、列,fasta 格式）,欲自己做成Blast数据库,典型的命令如下: 单机版的Blast使用（三） 2021/3/2735 核酸序列: $ ./formatdb i sequence.fa p F o T/F n db_name 蛋白序列: $ ./formatdb i sequence.fa p T o T/F n db_name 单机版的Blast使用（四） 2021/3/2736 4.执行Blast比对 获得了单机版的Blast程序,解压开以后,如 果有了相应的数据库（db）,那么就可以 开始执行Blast分析了。 单机版的Blast程序包,把基本的blast分析, 包括blastn,b

16、lastp,blastx等都整合到了 blastall一个程序里面。 单机版的Blast使用（五） 2021/3/2737 以下是一个典型的blastn分析命令: (待分析序列seq.fa,数据库nt_db) $./blastall p blastn i seq.fa -d nt_db w 7 e 10 o 程序名 输入 数据库 窗口 e 值 输出 seq.blastn.out 该命令的意思是,对seq.fa文件中的核酸序列对 nt_db数据库执行blastn搜索,窗口大小是7,e值限 制是10,输出的结果保存到文件seq.blastn.out 中。 单机版的Blast使用（六） 2021/3

17、/2738 5.Blastall的常用参数 -p 程序名应该是 blastn,blastp,blastx,tblastn,tblastx中的一个 -d 数据库名称,默认nr -i 查询序列文件,默认stdin -e E值限制,默认10 -o 结果输出文件,默认stdout -F 过滤选项,默认T 单机版的Blast使用（七） 2021/3/2739 进一步深入Blast 1.blast2 2.Megablast 3.Psi-blast 4.其他(rpsblast,blastclust等) 2021/3/2740 Blast2 两个序列的blast比对,给定两个序列, 相互进行blast比对。能

18、快速检查两个序列 是否存在相似性片断或者是否一致。这比 起全序列比对要快很多。 2021/3/2741 Megablast w megablast采用了贪婪算法(greedy algorithm),它连接了多个查询序列进行一 次搜索比对,这样节省了很多搜索数据库的 时间。主要针对核酸序列。是blast经过优 化后,适用于由于测序或者其他原因形成的 轻微的差别的序列之间的比较,比一般的相 似性搜索程序要快10倍,可以很快的完成 两组大数据的比对。 2021/3/2742 PSI-blast Position specific iterative BLAST (PSI-BLAST) 位点特异的迭代

19、blast搜索,主要针对蛋白序列。 第一次blast搜索后,结果中最相似的序列重新构 建PSSM (位点特异性打分矩阵),然后再使用该 矩阵进行第二轮blast搜索,再调整矩阵,搜索,如 此迭代。 最终高度保守的区域就会得到比较高的分值, 而不保守的区域则分数降低,趋近0。 这样可以提高提高blast搜索的灵敏度。搜索的灵敏度。 2021/3/2743 Blast的算法基础 w 基本思想是:通过产生数量更少的但质量更 好的增强点来提高速度。 w BALST算法是建立在严格的统计学的基础 之上的。它集中于发现具有较高的相似性 的局部比对,且局部比对中不能含有空位 （blast2.0引入了允许插入

20、gap的算法）。 w 由于局部比对的限制条件,在大多数情况下 比对会被分解为若干个明显的HSP(High- score Sequence Pairs)。 2021/3/2744 Blast的算法流程 2021/3/2745 1.首先确定一个终止值S、步长参数w和一 个阈值t。S值通常是基于统计学的原理 指明一个预期的终止E值,然后软件会在 考虑搜索背景性质的基础上计算出合适 的S值。使要比对的序列中包含一个分 值不小于S的HSP。 Blast的算法（一） 2021/3/2746 Blast的算法（二） 2. 引入邻近字串的思想:不需要字串确切地 匹配,当有一个字串的分值高于t 时,BALST就

21、宣称找到了一个选中的字串。 为了提高速度,允许较长的字串长度W。 W值很少变化,这样,t值就成为权衡速度 和敏感度的参数。 2021/3/2747 Blast的算法（三） 3.一个字串选中后,程序会进行没有空位的 局部寻优,比对的最低分值是S,当比对延 伸时会遇到一些负的分值,使得比对的分 值下降,当下降的分值小于S时,命中的延 伸就会终止。这样系统会减少消耗于毫 无指望的选中延伸的时间,使系统的性能 得以改进。 2021/3/2748 w 在1997年提出了对BLAST程序的改进算 法,提高了搜索速度、敏感度和实用性。 n可处理间隔(gap)的gapped BLAST算法 nPSI-BLAS

22、T算法 l对一个选中字串长度标准的延伸 l利用profile(表头文件)的数据结构来进行搜索 Blast的改进（一） 2021/3/2749 w 扩大步长,以步长为2w来搜索。 w 允许位于不同的对角线的两个片段拼接在 一起。位于不同对角线的两个片段拼接在 一起的前提条件是:拼接后片段的分值不小 于某一个终止值。 w 执行通常的BLAST算法,使用一种不同的 记分方式,根据高度显著比对(HSPs)的最 高分值建立一个最初的profile。 Blast的改进（二） 2021/3/2750 w 根据该profile反复利用BLAST算法对数据 库进行搜索,这一步实际上是根据表头文件 的统计结果扩展

23、局部比对。这一过程是反 复进行的,直到再没有发现新的有意义的匹 配为止。由于在每一轮都会有新的片段加 入,因此在操作过程中profile需要在每一个 循环结束之后更新。 Blast的改进（三） 2021/3/2751 其他的序列相似性搜索工具 fasta FastA算法是由Lipman和Pearson于1985年发表的 （Lipman和Pearson,1985）。FastA的基本思路是识识 别与代查序列相匹配的很短的序列片段别与代查序列相匹配的很短的序列片段,称为k-tuple。 以下链接是EBI提供的fasta服务。 2021/3/2752 帮助信息 各个参数选项 填入搜索序列 2021/3/2753 w基本思想是:一个能够揭示出真实的 序列关系