选修9第四章dna和蛋白质序列比对

1、生物信息学Bioinformatics1丁乃峥山东师范大学生命科学学院信箱： 第四章 DNA与蛋白质序列比对第一节 序列的相似性第二节 序列的两两比对第三节 序列的多重比对第四节 BLAST的应用2什么是序列比对？序列比对(Sequence Alignment)是通过在序列中搜索一系列单个性状或性状模式来比较2个（双序列比对）或更多（多重序列比对）序列的方法按比对序列条数分类双序列比对：两条序列的比对多序列比对：三条或以上序列的比对3我们为什么关注序列比对？相似的序列可能具有相似的结构与功能发现一个基因或蛋白哪些区域容易发生突变，哪些位点突变后对功能没有影响 发现生物进化方面的信息4序列比对的

2、根本任务：发现序列之间的相似性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5一致性(identity):描述了在每个位点上两条或两条以上的序列的实际相似程度，通过计算排列完的序列上相同的碱基或氨基酸数目衡量。例如 THISISA-SEQUENCE TH-ATSEQUENCE6第一节 序列的相似性1611= 68.75%7相似性 (Similarity)序列比对过程中用来描述检测序列和目标序列之间相似DNA碱基或氨基酸残基序列所占比例；定量描述；真正的匹配不必相同第一节 序列的相似性TH I S ISASEQUENCETH

3、 A T -SEQUENCETHISISA-SEQUENCETH-ATSEQUENCE疏水性侧链为-OH带极性8同源性 (Homology)两个基因或蛋白质序列具有共同祖先的结论；定性判断；两种类型：直系同源（Orthologous ）是不同物种内具有相同功能的同源序列，它们来自于物种形成时的共同祖先基因。旁系同源（Paralogous ）是通过类似基因复制的机制产生的同源序列。如在同一物种内具有不同功能，但也有共同起源的基因。第一节 序列的相似性同源有两种不同的情况即垂直方向的(orthology)与水平方向的(paralogy)Orthology直系同源、直向同源、垂直同源。Paralog

4、y旁系同源、并系同源、横向同源直系同源的定义是：直系同源(orthology)是比较基因组学中最重要的定义。在进化上起源于一个始祖基因并垂直传递(vertical descent)的同源基因；分布于两种或两种以上物种的基因组；功能高度保守乃至于近乎相同，甚至于其在近缘物种可以相互替换；结构相似；组织特异性与亚细胞分布相似。 9鉴定直系同源的实际操作标准(practical criteria)为：如基因组中的A基因与基因组中的A基因被认为是直系同源，则要求：A的产物比任何在基因组中所发现的其它基因产物都更相似于A产物；A与A的相似程度比在任何一个亲缘关系较远的基因组中的任一基因都要高；A编码的蛋

5、白与A编码的蛋白要从头到尾都能并排比较， 即含有相似以至于相同的模序(motif)。10例如同是起源于珠蛋白的珠蛋白、珠蛋白和肌红蛋白。11paralogs祖先基因经过复制后分离产生的基因是paralog相似性和同源性关系同源序列一般是相似的一般来说，序列间的相似性越高的话，它们是同源序列的可能性就更高。但也有例外，相似序列不一定是同源的。例如：两条序列的相似性很高，但它们可能并不是同源序列，这两条序列的相似性可能是由随机因素所产生的，这在进化上称为“趋同，这样一对序列可称为同功序列12第一节 序列的相似性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

6、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 CGGATTAGGATCGGAATAGAlignment1:GACGGATTAG GATCGGAATAG13第一节 序列的相似性一、字母表和序列二、编辑距离（Edit Distance)三、序列两两比对的相似性评价四、打分矩阵（Weight Matrices）14第一节 序列的相似性一、字母表和序列在生物分子信息处理过程中，将生物分子序列抽象为字符串，其中的字符取自特定的字母表。字母表是一组符号或字符，字母表中的元素组成序列。一些重要的字母表有：4字符DNA字母表：A,

7、 C, G, T扩展的遗传学字母表或IUPAC编码单字母氨基酸编码上述字母表形成的子集。1516扩展的遗传学字母表或IUPAC编码17氨基酸名称英文缩写简 写氨基酸名称英文缩写简 写甘氨酸GlyG丝氨酸SerS丙氨酸AlaA苏氨酸ThrT缬氨酸ValV天冬酰胺AsnN异亮氨酸IleI谷酰胺GlnQ亮氨酸LeuL酪氨酸TyrY苯丙氨酸PheF组氨酸HisH脯氨酸ProP天冬氨酸AspD甲硫氨酸MetM谷氨酸GluE色氨酸TrpW赖氨酸LysK半胱氨酸CysC精氨酸ArgR单字母氨基酸编码 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或序列的集合 a、b、c代表单独的字

8、符 s、t、u、v代表A*中的序列 |s|代表序列s的长度18特定的符号 为了说明序列s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位和第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| 称为后缀， 即suffix(s, |s|-i)有两种特殊的情况，即i=j 或i = j-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sj19i=3 j=60:s: 3 prefix(s,3

9、) 3:s:6 3A4C5G60A1C2C33:s:8 suffix(s, 8-3)i=3i=3 3A4C5G6T7A8j=4 4-1:s:4 s43A4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。 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20子序列与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) =

10、 sk|s|-lsuffix(s,l) = k|s|-ls i:s:j = kisk|s|-j 21（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22序列比较可以分为四种基本情况：序列片段的组装搜索特定的序列模式分析保守序列例如，设s=ACCACGTA，则s可表示为 0A1C2C3A4C5G6T7A8 prefix(s,l) = sk|s|-l l=3 |s|=8prefix(s,3) =0:s: 3 =0A1C2C3= sk8-3 表示对s序列进行k操作，删除s后面

11、的5个字符0A1C2C3A4C5G6T7A8 23字符串k操作例如，设s=ACCACGTA，则s可表示为 0A1C2C3A4C5G6T7A8 suffix(s,l) = k|s|-ls l=5 |s|=8suffix(s,5) =suffix(s, |s|-i)= i:s:|s|suffix(s, 8-3)=3:s:8 =3A4C5G6T7A8= k8-5 s 表示对s序列进行k操作，删除s前面的3个字符0A1C2C3A4C5G6T7A8 24字符串k操作例如，设s=ACCACGTA，则s可表示为 0A1C2C3A4C5G6T7A8 i:s:j = kisk|s|-j i=3 j=6 |s|=

12、83:s:6 =3A4C5G6= k3sk8-6表示对s序列进行k操作，删除s前面的3个字符和后面的2个字符0A1C2C3A4C5G6T7A8 25字符串k操作二、编辑距离（Edit Distance)GCATGACGAATCAG TATGACAAACAGC GCATGACGAATCAG TATGAC-AAACAGC 要说明两条序列的相似程度 定量计算 26观察这样两条DNA 序列：GCATGACGAATCAG TATGACAAACAGC 有两种方法可用于量化两条序列的相似程度：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 距离：两个序列之间的距离。距离越大，则两个序列的相似度就越

13、小 二、编辑距离（Edit Distance)27最简单的距离就是海明（Hamming）距离。对于两条长度相等的序列，海明距离等于对应位置字符不同的个数。例如二、编辑距离（Edit Distance)28在许多情况下，直接运用海明距离来衡量两条序列的相似程度是不合理的。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）29字符匹配从第一条序列删除一个字符，或在第二条序列相应的位置插入空白字符；以第二条序列中的字符b 替换第一条序列中的字符a在第一条序列插入空位字符，或删

14、除第二条序列中的对应字符b。引入上述编辑操作后，重新计算两条序列的距离，就成为编辑距离。两个空位字符不能匹配扩展的编辑操作ACCGACAATATGCATA ATAGGTATAACAGTCAACCGACAATATGCATA ACTGACAATATGGATA 第二条序列头尾颠倒（反向）CTAGTCGAGGCAATCTGAACAGCTTCGTTAGT ？30CTAGTCGAGGCAATCTCTTGTCGAAGCAATCA（互补）三、序列两两比对的相似性评价序列的两两比对（Pairwise Sequence Alignment）按字符位置重组两个序列，使得两个序列达到一样的长度 31 s:AGCACA

15、CAAGCACACA t: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)Match(A, A)Match(C, C)Match(C, C)Replace(A, T)Insert( -, T)Delete(C, -)Match(A, A)Match(A, A) 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

16、不同为编辑操作定义函数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) = 0 w (a, b) = 1 a b w (a, -) = w ( -, b) = 1 33依据，配对得0分，不匹配扣1分。得分（score）函数也可以使用得分（score）函数来评价编辑操作 p (a, a) = 1 p (a, b) = 0 a b p (a, -) = w ( -, b) = -1 34依据，配对得1分，不匹配不得分，插入1个gap扣1分。空位罚分例如：s:AGCACACAt:ACACACTA cost=2 s:AGCACACA t:AC

17、ACACTA 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。35空位罚分(Gap Penalties)最优的序列比对通常具有以下两下特征：尽可能多的匹配尽可能少的空位插入任意多的空位会产生较高的分数，但找到的并不一定是真正相似序列为补偿插入与缺失对序列相似性的影响，必须使用空位和空位罚分36空位罚分(Gap Penalties)空位罚分：在一条序列的残基间引入一个空位使得这条序列与第二条序列的相似残基对齐，引入空位的一个数值罚分（分值）称为空位罚分。每个记分矩阵都有默认的空位罚分值。空位罚分分类：空位开放罚分(Gap opening penalty)对起始缺

18、失进行罚分。空位延长罚分(Gap extension penalty) ：当加入一个空位至已存在的空位时的罚分，使得大于一个残基不能对齐或者和空位对齐。37空位罚分381 GTGATAGACAC | 1 GTGCATAGACAC允许空位但不罚分不允许有空位 match = 5mismatch = -41 GTG-ATAGACAC | |1 GTGCATAGACAC1 GTG-ATAGACAC | |1 GTGC-ATAGACAC?Score: -21Score: 55空位罚分公式 A T G T T A T A CT A T G T G C G T A T A Score=4参数:匹配= 1非

19、匹配= 0g= 3r = 0.1x = 3score：8 - 3.2 = 4.8Wx=g+r(x-1)Wx:空位总记分g:空位开放罚分r:空位扩展罚分x:空位长度T A T G T G C G T A T A insertion / deletionA T G T - - - T A T A CWx= 3 +(3 -1) 0.1 = 3.239四、打分矩阵（Weight Matrices）理化性质相近得分应该高于理化性质相差甚远保守的氨基酸替换得分应该高于非保守的氨基酸替换。这样的打分方法在比对非常相近的序列以及差异极大的序列时，会得出不同的分值。这就是提出打分矩阵（或者称为取代矩阵）的原由。

20、40丙氨酸 缬氨酸 小且疏水 影响较小 得分高 代价小赖氨酸 大且带电 影响较大 得分低 代价大四、打分矩阵（Weight Matrices）41打分矩阵列出各种字符替换的得分用打分矩阵来增强序列比对的敏感性。选择不同的打分矩阵将得到不同的比较结果了解打分矩阵的理论依据将有助于在实际应用中选择合适的打分矩阵。四、打分矩阵（Weight Matrices）421、核酸打分矩阵2、蛋白质打分矩阵四、打分矩阵（Weight Matrices）1、核酸打分矩阵设DNA序列所用的字母表为 = A，C，G，T 等价矩阵：BLAST矩阵：转换-颠换矩阵：4344等价矩阵：是最简单的一种打分矩阵，相同核苷酸匹

21、配得分为“1”，不同核苷酸的替换得分为“0”（没有得分）。ATCGA1000T0100C0010G0001等价矩阵表1、核酸打分矩阵45BLAST矩阵：是目前最流行的核酸序列比较程序，右表是其打分矩阵。这也是一个非常简单的矩阵，如果被比的两个核苷酸相同，则得分为“+5”，反之得分为“-4”。1、核酸打分矩阵ATCGA5-4-4-4T-45-4-4C-4-45-4G-4-4-45BLAST矩阵转换-颠换矩阵：如果DNA 碱基的变化（碱基替换）保持环数不变，则称为转换（transition），如AG，CT；如果环数发生变化，称为颠换（transversion），如AC，AT 等。在进化过程中，转换

22、发生的频率远比颠换高，其中转换的得分为“-1”，而颠换的得分为“-5”。1、核酸打分矩阵转换-颠换矩阵46四、打分矩阵（Weight Matrices）2、蛋白质打分矩阵设蛋白质的字母表为单字母氨基酸编码等价矩阵氨基酸突变代价矩阵(遗传密码矩阵GCM）疏水矩阵 PAM矩阵（Point Accepted Mutation）BLOSUM矩阵（Blocks Amino Acid Substitution Matrices）47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。482、蛋白质打分矩阵遗传密码矩阵GCMGCM 矩阵通过计算一个氨基酸残基转变到另一个氨基酸残基所需的密

23、码子变化数目而得到，矩阵元素的值对应于代价。492、蛋白质打分矩阵变化1个碱基氨基酸的密码子改变代价为1变化2个碱基氨基酸的密码子改变代价为2注意，Met 到Tyr 的转变是仅有的密码子三个位置都发生变化的转换。50Glx 代表Gly、Gln 或GluAsx 代表Asn 或Asp代表任意氨基酸GCM 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，但是它在蛋白质序列比对尤其是相似程度很低的序列比对中很少被使用。疏水矩阵是根据氨基酸残基替换前后疏水性的变化而得到得分矩阵。若一次氨基酸替换疏水特性不发生太大的变化，则这种替换得分高，否则替换得分低。512、蛋白质打分矩阵52为了得到打

24、分矩阵，更常用的方法是统计自然界中各种氨基酸残基的相互替换率。两种特定氨基酸之间替换频繁，那么这一对氨基酸在打分矩阵中的互换得分就比较高。PAM 矩阵就是这样一种打分矩阵532、蛋白质打分矩阵PAM 矩阵（Point Accepted Mutation,点接受突变）54PAM 矩阵Dr. Margaret Oakley Dayhoff (1925-1983)1978年，Dayhoff教授给出了一个PAM矩阵，这个矩阵实际上是一个概率表，就是每一个氨基酸突变成另一个氨基酸的概率是多少，由于没有足够多的序列和理想的比对算法，她选择了相似程度非常高（85%）的蛋白质序列集。在统计了1572个突变点之

25、后，她总结出了每一个氨基酸突变成另一个氨基酸的概率表，就是PAM1矩阵。编码相同蛋白质的基因随着进化发生分歧，相似度降低。但存在取代频率大大地倾向于那些不影响蛋白质功能的取代，即这些点突变已经被进化所接受。氨基酸容易被其它生化、物理特性相似的氨基酸替换。PAM代表可接受点突变，每100个残基中可接受的点突变。55PAM 矩阵PAM1(1个PAM单位）被定义为每100个残基出现1个被接受的点突变(氨基酸的置换不引起蛋白质功能上的显著变化）PAMn是PAM1自乘n次PAM 250矩阵：这个矩阵是指平均100个残基上固定会发生250次突变。也就是很多残基都发生过一次以上的突变。这种变化数量接近于检测

26、遥远关系的极限。PAM 250是一种较为常见的替代矩阵。56矩阵集合- PAM-N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% 57 A R N D C Q E G H I L K M F P S T W Y V B ZA 2 -2 0 0 -2 0 0 1 -1 -1 -2 -1 -1 -3 1 1 1 -6 -3 0 2 1 R -2 6 0 -1 -4 1 -1 -3 2 -2 -3 3 0 -4 0 0 -1 2 -4 -2 1 2 N 0 0 2 2 -4 1

27、1 0 2 -2 -3 1 -2 -3 0 1 0 -4 -2 -2 4 3 D 0 -1 2 4 -5 2 3 1 1 -2 -4 0 -3 -6 -1 0 0 -7 -4 -2 5 4 C -2 -4 -4 -5 12 -5 -5 -3 -3 -2 -6 -5 -5 -4 -3 0 -2 -8 0 -2 -3 -4 Q 0 1 1 2 -5 4 2 -1 3 -2 -2 1 -1 -5 0 -1 -1 -5 -4 -2 3 5 E 0 -1 1 3 -5 2 4 0 1 -2 -3 0 -2 -5 -1 0 0 -7 -4 -2 4 5 G 1 -3 0 1 -3 -1 0 5 -2 -3

28、 -4 -2 -3 -5 0 1 0 -7 -5 -1 2 1 H -1 2 2 1 -3 3 1 -2 6 -2 -2 0 -2 -2 0 -1 -1 -3 0 -2 3 3 I -1 -2 -2 -2 -2 -2 -2 -3 -2 5 2 -2 2 1 -2 -1 0 -5 -1 4 -1 -1 L -2 -3 -3 -4 -6 -2 -3 -4 -2 2 6 -3 4 2 -3 -3 -2 -2 -1 2 -2 -1 K -1 3 1 0 -5 1 0 -2 0 -2 -3 5 0 -5 -1 0 0 -3 -4 -2 2 2 M -1 0 -2 -3 -5 -1 -2 -3 -2 2

29、4 0 6 0 -2 -2 -1 -4 -2 2 -1 0 F -3 -4 -3 -6 -4 -5 -5 -5 -2 1 2 -5 0 9 -5 -3 -3 0 7 -1 -3 -4 P 1 0 0 -1 -3 0 -1 0 0 -2 -3 -1 -2 -5 6 1 0 -6 -5 -1 1 1 S 1 0 1 0 0 -1 0 1 -1 -1 -3 0 -2 -3 1 2 1 -2 -3 -1 2 1 T 1 -1 0 0 -2 -1 0 0 -1 0 -2 0 -1 -3 0 1 3 -5 -3 0 2 1 W -6 2 -4 -7 -8 -5 -7 -7 -3 -5 -2 -3 -4 0 -6 -2 -5 17 0 -6 -4 -4 Y -3 -4 -2 -4 0 -4 -4 -5 0 -