生物信息学初步‑序列比对 + 期中复习

生物信息学初步‑序列比对+期中复习一、序列比对基础概念1.什么是序列比对将两条/多条核酸（DNA/RNA）或者蛋白质氨基酸序列，按照碱基/氨基酸位置对齐，找出序列之间的相似区域、保守位点、插入缺失，判断同源关系。同源(homology)：来自共同祖先；相似是观测结果，同源是进化推论。相似性(similarity)：序列之间匹配程度，可量化。一致性(identity)：对应位置字符完全一样。空位(gap，‑)：代表插入/缺失（indel）。2.比对分类按序列数量双序列比对pairwise：两条序列多序列比对MSA：3条及以上，找保守结构域按比对范围全局比对Global：从头到尾完整比对整条序列，适合长度接近、整体同源。代表算法：Needleman‑Wunsch局部比对Local：只找相似度最高片段，适合序列长短差异大、只有部分区域同源。代表算法：Smith‑Waterman✨期中高频考点：全局vs局部对比

|项目|全局比对Needleman‑Wunsch|局部比对Smith‑Waterman|

|---|---|---|

|比对范围|整条序列全部对齐|只找最优相似片段|

|矩阵初始化|第一行第一列持续扣空位罚分|第一行第一列全部置0|

|回溯起点|矩阵右下角终点|矩阵中最大分数位置|

|适用场景|整体同源、长度相近|部分片段保守，结构域比对|3.打分矩阵与空位罚分置换矩阵（打分矩阵）DNA：简单匹配/错配矩阵，匹配加分，错配减分蛋白质：PAM矩阵：基于进化距离，PAM1、PAM250；PAM250适合远缘蛋白BLOSUM矩阵：基于保守模块比对，BLOSUM62最常用；数字越大，序列越接近。BLOSUM62>BLOSUM45考点：BLOSUM62是蛋白比对默认矩阵。PAM是从近到远；BLOSUM数字越大，序列相似度越高。空位罚分gappenalty线性罚分：每一个空位扣同样分仿射空位罚分（affine）：总空位分=空位开启罚分(gapopen)+空位延伸罚分(gapextend)生物学意义：一次大片段插入缺失，比多次独立单碱基空位更合理，所以开空位扣分重，延长空位扣分轻。4.算法思路（动态规划DP）动态规划：把大问题拆成子问题，构建打分矩阵，计算每个位置最优得分，再回溯得到比对结果。Needleman‑Wunsch

1）初始化矩阵；

2）逐格计算：来自上方（序列1空位）、左方（序列2空位）、斜对角（两个字符比对）取最大值；

3）从右下角回溯，得到全局比对。Smith‑Waterman

1）初始化全部为0；

2）每个格子计算出负数就置0（不允许负分片段）；

3）从矩阵最大值位置回溯，遇到0停止，得到局部最优片段。⚠️注意：动态规划算法精确，但速度慢。BLAST不是动态规划，是启发式算法。二、BLAST（必考）BLAST：BasicLocalAlignmentSearchTool，启发式局部比对工具，不是完整Smith‑Waterman，牺牲一点精度换速度。BLAST家族程序输入数据库用途blastnDNA序列核酸库核酸对核酸比对blastp蛋白序列蛋白库蛋白对蛋白blastxDNA序列蛋白库DNA翻译成蛋白，搜蛋白库tblastn蛋白序列核酸库蛋白，核酸库翻译后比对tblastxDNADNA两者都翻译蛋白比对blastx：核酸查询→翻译6种阅读框，搜索蛋白数据库；常用于新测序基因找同源蛋白。BLAST核心步骤把query切分成短词（word，种子k‑mer）；在数据库快速命中匹配种子；种子向两边延伸，积累打分；过滤低质量比对，输出结果。BLAST输出关键参数E‑value（期望值）：随机情况下得到该比对分数的期望次数。E越小，比对越可靠。E‑value远小于1，说明不是随机匹配。E=0：极显著。bitscore比特分：和数据库大小无关，可跨项目比较。Identity一致性、Positives相似性（蛋白：匹配+理化性质相似）、Gaps空位数。期中选择常考：E‑value含义；E越小同源可信度越高。三、多序列比对MSA1.常用工具：ClustalW/X、MAFFT、MUSCLE

2.用途：识别保守结构域、保守氨基酸位点构建系统发育树输入寻找motif、保守模体

3.输出格式：fasta、aln格式。注意：多序列比对不是简单多次双序列比对，使用渐进式比对：先算所有序列两两距离，构建向导树，从相似度最高的序列逐步合并比对。四、期中常考简答题汇总Q1：全局比对和局部比对的区别，各自适用场景答：全局比对要求两条序列从头到尾全部对齐，Needleman‑Wunsch算法，适合两条序列整体同源、长度接近。局部比对只寻找两条序列内部相似度最高片段，Smith‑Waterman；适合序列长度差异大，只有局部结构域保守。Q2：BLOSUM和PAM矩阵区别PAM：基于同源序列进化模型，PAMn代表n%突变；PAM250适合远缘。

BLOSUM：从保守无空位蛋白模块统计；BLOSUM62是标准矩阵，数字越大，比对的序列相似度越高。Q3：什么是E‑value？E‑value大小代表什么？E‑value：数据库随机搜索得到该比对得分的期望次数。E值越小，说明该比对由随机产生的概率越低，同源关系越可信。Q4：BLAST为什么快？为什么不是直接Smith‑Waterman？Smith‑Waterman动态规划精确，但时间复杂度高，大数据库太慢。BLAST是启发式算法，用种子（k‑mer）快速筛选候选，再延伸比对，牺牲部分精度换取搜索速度，适合海量数据库检索。Q5：什么是仿射空位罚分？为什么生物学上更合理？仿射空位罚分区分空位开启和空位延伸。开启空位扣分大，后续延伸空位扣分小。生物中插入缺失经常一次性出现连续多个碱基，而不是一个个独立空位，该罚分更贴合真实进化。Q6：同源、相似、一致性的区别同源：进化上来自共同祖先，是定性判断；一致性：对应位置字符完全相同；相似性：包含完全匹配加上理化性质相似氨基酸。五、易混淆易错点❌BLOSUM数字越大，适合远缘蛋白→✔数字大适合近缘；BLOSUM45适合远缘。❌BLAST是全局比对→✔BLAST是局部比对启发式工具。❌E‑value越大，可信度越高→✔E越小可信度越高。❌全局比对回溯起点是矩阵最大值位置→✔全局右下角；局部从矩阵最大分数点回溯。blastx：核酸查询序列翻译为蛋白，比对蛋白数据库；tblastn蛋白查询，核酸库翻译。六、典型计算题思路（动态规划简化版）简化DNA打分：匹配+2，错配‑1，空位‑2，全局Needleman‑