中國(guó)科技大學(xué)課件系列：《生物信息學(xué)》.ppt

《中國(guó)科技大學(xué)課件系列：《生物信息學(xué)》.ppt》由會(huì)員分享，可在線閱讀，更多相關(guān)《中國(guó)科技大學(xué)課件系列：《生物信息學(xué)》.ppt（72頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、生物信息學(xué),第三章 序列比對(duì) ,本章內(nèi)容提要,第一節(jié)：數(shù)學(xué)基礎(chǔ)：概率及概率模型 第二節(jié)：雙序列比對(duì)算法的介紹 Dot matrix 動(dòng)態(tài)規(guī)劃算法 (Needleman-Wunsch, Smith-Waterman算法) FASTA和BLAST算法 第三節(jié)：打分矩陣及其含義 第四節(jié)：多序列比對(duì),第三節(jié) 打分矩陣及其含義,1，計(jì)分方法 2，Dayhoff: PAM系列矩陣 3，Henikoff: BLOSUM系列矩陣,1， 計(jì)分方法,匹配計(jì)分： UM矩陣(Unitary matrix) 相同的氨基酸記1分，否則記0分。 BLAST中核酸比對(duì) 結(jié)構(gòu)域性質(zhì)計(jì)分： SGM矩陣(Structure-Gen

2、etic Matrix) 主要根據(jù)氨基酸的結(jié)構(gòu)和化學(xué)性質(zhì)的相似程度來記分(如D和E，S和T，V和I有很高的相似性)，同時(shí)還考慮密碼子之間相互轉(zhuǎn)換的難易程度。 可觀測(cè)變換計(jì)分： PAM矩陣 (Point Accepted Mutation) BLOSUM矩陣 (BLOcks SUbstitution Matrix),2， PAM系列矩陣,Margaret Dayhoff, 1978; 通過對(duì)物種進(jìn)化的研究，根據(jù)一種氨基酸被另一種氨基酸替代的頻度而提出的，最常用的是PAM250; Accepted point mutation (PAM): 可接受的點(diǎn)突變，氨基酸的改變不顯著影響蛋白質(zhì)的功能；,

3、PAM矩陣,71個(gè)蛋白質(zhì)家族的1572種變化； 序列相似性 85%；,功能同源的蛋白質(zhì) 通過中性進(jìn)化，引入可接受的點(diǎn)突變； 進(jìn)化模型： A. 基本假設(shè)：中性進(jìn)化，Kimura,1968; B. 進(jìn)化的對(duì)稱性: A-B = B-A; C. 擴(kuò)展性：通過對(duì)較短時(shí)間內(nèi)氨基酸替代關(guān)系的計(jì)算來計(jì)算較長(zhǎng)時(shí)間的氨基酸替代關(guān)系；,PAM1矩陣,兩個(gè)蛋白質(zhì)序列的1%氨基酸發(fā)生變化； 定義進(jìn)化時(shí)間以氨基酸的變異比例為準(zhǔn)，而不是時(shí)間；因?yàn)楦鱾€(gè)蛋白質(zhì)家族進(jìn)化的速度并不相等； PAM2 = PAM1*PAM1 PAM3 = (PAM1)3 PAM250= (PAM1)250,PAMn矩陣的構(gòu)建,選取多個(gè)家族的相似性85

4、%的保守序列； 根據(jù)匹配計(jì)分進(jìn)行多重比對(duì)(不含空位)； 以比對(duì)結(jié)果構(gòu)建進(jìn)化樹，反映氨基酸替換關(guān)系； 計(jì)算每種氨基酸轉(zhuǎn)換成其它氨基酸的次數(shù)； 計(jì)算每種氨基酸突變率； 計(jì)算每對(duì)氨基酸突變率，得到突變概率矩陣，將此矩陣自乘n次； 將突變概率矩陣轉(zhuǎn)化為PAMn矩陣。,例6：PAM矩陣的構(gòu)建,已知3個(gè)蛋白質(zhì)家族若干保守序列片段： 家族一：FKILK，F(xiàn)KIKK，F(xiàn)FILL，F(xiàn)FIKL 家族二：IIFFF， IIFIF ， IKFFL ， IKFIL 家族三： KIFKK，KIFLK，KLFKL，KLFLL 按Doyhoff方法構(gòu)建PAM1與PAM2矩陣,Step1：多重比對(duì),位置對(duì)齊，多重比對(duì)（不考慮空

5、位）： 統(tǒng)計(jì)每種氨基酸出現(xiàn)的頻率； fi = 氨基酸i的數(shù)目/總氨基酸數(shù)目 fL = 12/60 = 0.2 ..,Step2：構(gòu)建進(jìn)化樹,最大簡(jiǎn)約法 家族一: L和K間相互轉(zhuǎn)換次數(shù)：N(LK) = 3 家族二，家族三 ,Step3：計(jì)算氨基酸間的轉(zhuǎn)換次數(shù),計(jì)算每種氨基酸轉(zhuǎn)換成其它氨基酸的次數(shù)。 假設(shè)兩種氨基酸間相互轉(zhuǎn)換一樣。 e.g. N(LK)= 3 + 0 + 3 = 6,Step4：計(jì)算各氨基酸相對(duì)突變率,每種氨基酸相對(duì)突變率mi i：第i種氨基酸； fi ：每種氨基酸出現(xiàn)的頻率； mK = 8/(122 fK 100) = 0.0125 ,Step5：計(jì)算氨基酸i替換為j的突變

6、率,氨基酸i替換為j的突變率mij e.g. mKK = 1- mK = 0.9875 mKF = mF 1/4 = 0.001389 ,Step5：氨基酸一步轉(zhuǎn)移概率矩陣,氨基酸突變概率一步轉(zhuǎn)移概率矩陣M1ij,Step6: 計(jì)算PAM1計(jì)分矩陣,由突變率mij計(jì)算計(jì)分矩陣中的分值rij： 將rij = rji取平均值，再取整數(shù)； （按先前假設(shè)， rij = rji） rKK = 10lg(mkk/ fk) = 5.6857 6 (rKF + rFK )/2 = -22.833 -23 ,Step6: PAM1計(jì)分矩陣結(jié)果,三個(gè)家族序列片段得到的PAM1計(jì)分矩陣：,Step7: 計(jì)算PAM

7、2計(jì)分矩陣,將氨基酸突變概率矩陣自乘一次，得到兩步轉(zhuǎn)移概率矩陣M2ij M2ij = M1ij M1ij 三個(gè)家族序列片段得到的PAM2計(jì)分矩陣：,PAM250矩陣,PAM250: 250%期望的突變； 蛋白質(zhì)序列仍然有15-30%左右的相似性；,PAM250打分矩陣,打分矩陣的使用,PAM250: 15-30%的序列相似性； PAM120: 40%的序列相似性； PAM80: 50% PAM60: 60% 如何選擇最合適的矩陣？ 多種嘗試,PAM矩陣的問題及改進(jìn),1. PAM系列矩陣存在的問題： A. 氨基酸的打分矩陣，不關(guān)心核酸； B. 進(jìn)化模型的構(gòu)建需要系統(tǒng)發(fā)育樹的分析，因此，成為一個(gè)

8、循環(huán)論證的問題：序列比對(duì)矩陣構(gòu)建打分進(jìn)行新的序列比對(duì)； C. 數(shù)據(jù)集很小； 2. 打分矩陣的改進(jìn) A. 選用大量的序列數(shù)據(jù)，構(gòu)建PAM矩陣； B. BLOSUM系列矩陣; C. 核酸的打分矩陣;,3， BLOSUM矩陣,最被廣泛使用的氨基酸打分矩陣; 根據(jù)蛋白質(zhì)模塊數(shù)據(jù)庫(kù)BLOCKS中蛋白質(zhì)序列的高度保守部分的比對(duì)而得到的，最常用的是BLOSUM62; BLOCK: 蛋白質(zhì)家族保守的一段氨基酸，無gap，一般幾個(gè)至上百個(gè)氨基酸； Prosite家族：至少有一個(gè)BLOCK存在于該家族的所有蛋白質(zhì)序列中； BLOSUM62: 序列的平均相似性為62%的BLOCK構(gòu)建的打分矩陣；,BLOSUM62矩

9、陣構(gòu)建步驟：,提取Prosite數(shù)據(jù)庫(kù)中504個(gè)家族的2萬(wàn)多蛋白質(zhì)序列，合并其中相似性62%的序列； 統(tǒng)計(jì)各BLOCK的氨基酸對(duì)數(shù)量f； 計(jì)算氨基酸對(duì)的出現(xiàn)頻率q； 計(jì)算每種氨基酸的期望頻率p； 計(jì)算氨基酸對(duì)出現(xiàn)的期望頻率e； 計(jì)算BLOSUM62矩陣分量rij,BLOSUM62打分矩陣,,BLOSUM 2. 基于多序列比對(duì)的結(jié)果構(gòu)建進(jìn)化樹； 3. 重新計(jì)算序列之間的距離，再用“漸進(jìn)”算法進(jìn)行多序列比對(duì)； 4. 重復(fù)上述步驟，直到結(jié)果不再發(fā)生改變?yōu)橹埂?(2) DIALIGN,1. 對(duì)所有序列進(jìn)行兩兩之間的局部最優(yōu)化的比對(duì)； 2. 找到所有能夠匹配的部分M1；將重疊的、前后連續(xù)(consist

10、ency)的匹配部分連接起來(diagonals)，為M2； 3. 將剩下的未比對(duì)的序列重新比對(duì)，再發(fā)現(xiàn)能夠匹配的部分，構(gòu)成新M1，將consistency部分構(gòu)成M2； 4. 重復(fù)上述步驟，直到結(jié)果收斂。,DIALIGN: 算法流程,3. 部分有向圖算法,激酶的多序列比對(duì),4. 隱馬爾科夫模型: ProbCons,主要改進(jìn)： 1. 所有序列的兩兩比對(duì)，通過profile HMM的方法進(jìn)行雙序列比對(duì)； 2. 將漸進(jìn)算法與迭代算法整合； 3. 目前，性能最優(yōu)。,5. 整合算法MUSCLE,算法分為三個(gè)部分，每個(gè)部分相對(duì)獨(dú)立； 1. Draft progressive: (1) 對(duì)兩條序列，計(jì)算距

11、離采用k-mer的思想； (2) 用UPGMA算法構(gòu)建引導(dǎo)樹； (3) 使用漸進(jìn)算法進(jìn)行多序列比對(duì)； 優(yōu)點(diǎn)：兩條序列之間的距離不采用動(dòng)態(tài)規(guī)劃算法進(jìn)行比對(duì)，節(jié)省時(shí)間。,MUSCLE,2. Improved progressive: (1)基于k-mer得到的樹可能會(huì)產(chǎn)生次優(yōu)結(jié)果，因此，采用Kimura距離的方法對(duì)k-mer產(chǎn)生的樹重新計(jì)算距離矩陣； (2)重新用UPGMA構(gòu)建進(jìn)化樹； (3)使用漸進(jìn)算法進(jìn)行多序列比對(duì)；,3. Refinement: (1)隨機(jī)從進(jìn)化樹上挑出一條邊，刪除； (2)得到兩組樹，對(duì)每組樹，計(jì)算profile； (3)將兩組profile進(jìn)行比對(duì)； (4)如果最終得分提

12、高，保留結(jié)果，否則丟棄。,MUSCLE,MUSCLE的算法流程,MUSCLE: 使用指南,,,MUSCLE的使用,,多序列比對(duì)：性能檢驗(yàn),1. BAliBASE：基于蛋白質(zhì)結(jié)構(gòu)，將同一家族的蛋白質(zhì)序列進(jìn)行多序列比較。 2. 檢驗(yàn)多序列比對(duì)工具的性能：是否能夠很好的重復(fù)BAliBASE中已明確的比對(duì)結(jié)果。,AMP結(jié)合酶的結(jié)構(gòu)/序列比較,性能比較,ProbCons：目前綜合性能最好； T-Coffee：序列相似性高時(shí)最準(zhǔn)確； DIALIGN: 序列相似性低時(shí)最準(zhǔn)確； POA：性能接近T-Coffee和DIALIGN，速度最快； ClustalW/X: 最經(jīng)典、被廣泛接受的工具； MUSCLE: 目前最流行的多序列比對(duì)工具；,運(yùn)算時(shí)間比較,