Alinhamentos e Busca de Similaridade - IME-USP · Posso procurá-la em bancos de proteínas anotadas ... •Criação de modelos e identificação de RNAs não codificantes (ou outros

Alinhamentos de sequências e

Busca de Similaridade

Ariane Machado Lima [email protected]

Escola de Artes, Ciências e Humanidades - USP

“Eu não vim para explicar,

eu vim para confundir”

Chacrinha

Alinhamentos veremos em breve

Primeiro: busca de

similaridade

Contexto

http://www.ekac.org/gene.html

http://www.fuzzco.com/news/wp-content/uploads/2007/11/genome.jpg

Contexto

Buscas por sequências (o sentido biológico)‏

• Busca de identidade:

– SABER o que é, onde está, etc.

• Busca de similaridade:

– INFERIR o que é

Busca de identidade

• Comparar 2 sequências para saber se:

– são iguais

– possuem uma subsequência em comum

Exemplo 1

Localização de subsequência

sequência

genoma

Exemplo 1


sequência

genoma

Exemplo 1


sequência

genoma

BUSCA POR IDENTIDADE

Exemplo 2 • Como faço para saber que proteína é essa?

MMETERLVLPPPDPLDLPLRAVELGCTGHWELLNLPGAPESSLPHGLPPCAPDLQQEAEQLFLSSPAWLPLHGVEHSARKW

QRKTDPWSLLAVLGAPVPSDLQAQRHPTTGQILGYKEVLLENTNLSATTSLSLRRPPGPASQSLWGNPTRYPFWPGGMDEPTITDLNTREEAEEEIDFEKDLLTIPPGFKKGMDFAPKDCPTPAPGLLSLSCLLEPLDLGGGDEDENEAVGQPGGPRGDTVSASPCSAPLARASSLEDLVLKEASTAVSTPEAPEPPSQEQWAIPVDATSPVGDFYRLIPQPAFQWAFEPDVFQKQAILHLERHDSVFVAAHTSAGKTVVAEYAIALAQKHMTRTIYTSPIKALSNQKFRDFRNTFGDVGLLTGDVQLHPEASCLIMTTEILRSMLYSGSDVIRDLEWVIFDEVHYINDVERGVVWEEVLIMLPDHVSIILLSATVPNALEFADWIGRLKRRQIYVISTVTRPVPLEHYLFTGNSSKTQGELFLLLDSRGAFHTKGYYAAVEAKKERMSKHAQTFGAKQPTHQGGPAQDRGVYLSLLASLRTRAQLPVVVFTFSRGRCDEQASGLTSLDLTTSSEKSEIHLFLQRCLARLRGSDRQLPQVLQMSELLNRGLGVHHSGILPILKEIVEMLFSRGLVKVLFATETFAMGVNMPARTVVFDSMRKHDGSTFRDLLPGEYVQMAGRAGRRGLDPTGTVILLCKGRVPEMADLHRMMMGKPSQLQSQFRLTYTMILNLLRVDALRVEDMMKRSFSEFPSRKDSKAHEQALAELTKRLGALEEPDMTGQLVDLPEYYSWGEELTETQHMIQRRIMESVNGLKSLSAGRVVVVKNQEHHNALGVILQVSSNSTSRVFTTLVLCDKPLSQDPQDRGPATAEVPYPDDLVGFKLFLPEGPCDHTVVKLQPGDMAAITTKVLRVNGEKILEDFSKRQQPKFKKDPPLAAVTTAVQELLRLAQAHPAGPPTLDPVNDLQLKDMSVVEGGLRARKLEELIQGAQCVHSPRFPAQYLKLRERMQIQKEMERLRFLLSDQSLLLFPEYHQRVEVLRTLGYVDEAGTVKLAGRVACAMSSHELLLTELMFDNALSTLRPEEIAALLSGLVCQSPGDAGDQLPNTLKQGIERVRAVAKRIGEVQVACGLNQTVEEFVGELNFGLVEVVYEWARGMPFSELAGLSGTPEGLVVRCIQRLAEMCRSLRGAARLVGEPVLGAKMETAATLLRRDIVFAASLYTQ

Exemplo 2

• Como faço para saber que proteína é essa?

MMETERLVLPPPDPLDLPLRAVELGCTGHWELLNLPGAPESSLPHGLPPCAPDLQQEAEQLFLSSPAWLPLHGVEHSARKWQRKTDPWSLLAVLGAPVPSDLQAQRHPTTGQILGYKEVLLENTNLSATTSLSLRRPPGPASQSLWGNPTRYPFWPGGMDEPTITDLNTREEAEEEIDFEKDLLTIPPGFKKGMDFAPKDCPTPAPGLLSLSCLLEPLDLGGGDEDENEAVGQPGGPRGDTVSASPCSAPLARASSLEDLVLKEASTAVSTPEAPEPPSQEQWAIPVDATSPVGDFYRLIPQPAFQWAFEPDVFQKQAILHLERHDSVFVAAHTSAGKTVVAEYAIALAQKHMTRTIYTSPIKALSNQKFRDFRNTFGDVGLLTGDVQLHPEASCLIMTTEILRSMLYSGSDVIRDLEWVIFDEVHYINDVERGVVWEEVLIMLPDHVSIILLSATVPNALEFADWIGRLKRRQIYVISTVTRPVPLEHYLFTGNSSKTQGELFLLLDSRGAFHTKGYYAAVEAKKERMSKHAQTFGAKQPTHQGGPAQDRGVYLSLLASLRTRAQLPVVVFTFSRGRCDEQASGLTSLDLTTSSEKSEIHLFLQRCLARLRGSDRQLPQVLQMSELLNRGLGVHHSGILPILKEIVEMLFSRGLVKVLFATETFAMGVNMPARTVVFDSMRKHDGSTFRDLLPGEYVQMAGRAGRRGLDPTGTVILLCKGRVPEMADLHRMMMGKPSQLQSQFRLTYTMILNLLRVDALRVEDMMKRSFSEFPSRKDSKAHEQALAELTKRLGALEEPDMTGQLVDLPEYYSWGEELTETQHMIQRRIMESVNGLKSLSAGRVVVVKNQEHHNALGVILQVSSNSTSRVFTTLVLCDKPLSQDPQDRGPATAEVPYPDDLVGFKLFLPEGPCDHTVVKLQPGDMAAITTKVLRVNGEKILEDFSKRQQPKFKKDPPLAAVTTAVQELLRLAQAHPAGPPTLDPVNDLQLKDMSVVEGGLRARKLEELIQGAQCVHSPRFPAQYLKLRERMQIQKEMERLRFLLSDQSLLLFPEYHQRVEVLRTLGYVDEAGTVKLAGRVACAMSSHELLLTELMFDNALSTLRPEEIAALLSGLVCQSPGDAGDQLPNTLKQGIERVRAVAKRIGEVQVACGLNQTVEEFVGELNFGLVEVVYEWARGMPFSELAGLSGTPEGLVVRCIQRLAEMCRSLRGAARLVGEPVLGAKMETAATLLRRDIVFAASLYTQ

Posso procurá-la em bancos de proteínas anotadas (procuro por ela, ou seja, por uma sequência idêntica)‏

Exemplo 2




BUSCA POR IDENTIDADE

Exemplo 3




E SE EU NÃO ENCONTRASSE UMA IDÊNTICA, MAS UMA SIMILAR?

Inferência de função a partir de similaridade



Nem sempre funciona...

2 sequências

cacttttaactctctttccaaagtccttttcatctttccttcacagtacttgttcactat

cacttttaactctctttccaaagaacttttcatctttccctcacggtacttgtttgctat

Processo evolutivo

Homologia, paralogia e ortologia

• Homologia: 2 sequências são homólogas se elas possuem uma sequência ancestral comum

• Ortologia

• Paralogia

Ortologia: homologia por especiação

Paralogia: homologia por duplicação

Homologia, paralogia e ortologia

Paralogia

Ortologia

Aplicações de busca de similaridade

• ?

Aplicações de busca de similaridade

• Predição de genes

• Predição de estrutura

– de proteínas

– de RNA/DNA

• Inferência de árvores filogenéticas

• Busca de polimorfismos / marcadores

• CUIDADO: Se duas (ou mais) sequências são parecidas:

– elas podem ser homólogas

– elas podem ter funções similares

– elas podem ter a mesma estrutura

Identidade, similaridade e homologia

Como encontrar identidade e similaridade?

ALINHAMENTOS!

Como encontrar identidade e similaridade?

Alinhamentos de 2 sequências

• “Deixar‏2‏sequências‏o‏mais‏parecidas‏possível”

ROSAVERMELHA

AMOROSOVERME

• Ajustando as posições de suas letras, se necessário usando espaços:

Alinhamentos de 2 sequências

• “Deixar‏2‏sequências‏o‏mais‏parecidas‏possível”

ROSAVERMELHA

AMOROSOVERME

---ROSAVERMELHA

AMOROSOVERME---

• Ajustando as posições de suas letras, se necessário usando espaços:

• Alinhamentos permitem comparações entre as sequências

– Identidade

– Similaridade

ROSAVERMELHA

AMOROSOVERME

---ROSAVERMELHA

AMOROSOVERME---

ROSAVERMELHA

|

AMOROSOVERME

Identidade: 8% (1/12)‏

---ROSAVERMELHA

||| |||||

AMOROSOVERME---


Sistema de scores

• Pontos para match (ex: +2)‏

• Penalidades para mismatch (ex: -1)‏

• Penalidades para gap

– abertura (ex: -3)‏

– extensão (ex: -1)‏

ROSAVERMELHA

|

AMOROSOVERME


SCORE: ???

---ROSAVERMELHA

||| |||||

AMOROSOVERME---


SCORE: ???

ROSAVERMELHA

|

AMOROSOVERME


SCORE: -9

---ROSAVERMELHA

||| |||||

AMOROSOVERME---


SCORE: ???

ROSAVERMELHA

|

AMOROSOVERME


SCORE: -9

---ROSAVERMELHA

||| |||||

AMOROSOVERME---


SCORE: +3

ROSAVERMELHA

|

AMOROSOVERME


SCORE: -9

---ROSAVERMELHA

||| |||||

AMOROSOVERME---


SCORE: +3

Para um dado sistema de score, calculo o alinhamento de maior score (alinhamento ótimo)

PROBLEMA DE OTIMIZAÇÃO

Similaridade entre os aminoácidos

Identidade, similaridade e homologia

Identidade

Similaridade

Homologia

Tipo de Medida

Quantitativa

Quantitativa

QUALITATIVA

Sentido

quantos idênticos

quantos parecidos

TEM ou NÃO TEM

um ancestral comum

• Matrizes 20x20

• Algumas matrizes:

– PAMs

– BLOSUMs

Matrizes de score (matrizes de substituição de aa)‏

Reference: Henikoff, S. and Henikoff, J. G. (1992). Amino acid substitution matrices from protein blocks. Proc. Natl. Acad. Sci. USA 89: 10915-10919.

A R N D C Q E G H I L K M F P S T W Y V B Z X *

A 4 -1 -2 -2 0 -1 -1 0 -2 -1 -1 -1 -1 -2 -1 1 0 -3 -2 0 -2 -1 0 -4

R -1 5 0 -2 -3 1 0 -2 0 -3 -2 2 -1 -3 -2 -1 -1 -3 -2 -3 -1 0 -1 -4

N -2 0 6 1 -3 0 0 0 1 -3 -3 0 -2 -3 -2 1 0 -4 -2 -3 3 0 -1 -4

D -2 -2 1 6 -3 0 2 -1 -1 -3 -4 -1 -3 -3 -1 0 -1 -4 -3 -3 4 1 -1 -4

C 0 -3 -3 -3 9 -3 -4 -3 -3 -1 -1 -3 -1 -2 -3 -1 -1 -2 -2 -1 -3 -3 -2 -4

Q -1 1 0 0 -3 5 2 -2 0 -3 -2 1 0 -3 -1 0 -1 -2 -1 -2 0 3 -1 -4

E -1 0 0 2 -4 2 5 -2 0 -3 -3 1 -2 -3 -1 0 -1 -3 -2 -2 1 4 -1 -4

G 0 -2 0 -1 -3 -2 -2 6 -2 -4 -4 -2 -3 -3 -2 0 -2 -2 -3 -3 -1 -2 -1 -4

H -2 0 1 -1 -3 0 0 -2 8 -3 -3 -1 -2 -1 -2 -1 -2 -2 2 -3 0 0 -1 -4

I -1 -3 -3 -3 -1 -3 -3 -4 -3 4 2 -3 1 0 -3 -2 -1 -3 -1 3 -3 -3 -1 -4

L -1 -2 -3 -4 -1 -2 -3 -4 -3 2 4 -2 2 0 -3 -2 -1 -2 -1 1 -4 -3 -1 -4

K -1 2 0 -1 -3 1 1 -2 -1 -3 -2 5 -1 -3 -1 0 -1 -3 -2 -2 0 1 -1 -4

M -1 -1 -2 -3 -1 0 -2 -3 -2 1 2 -1 5 0 -2 -1 -1 -1 -1 1 -3 -1 -1 -4

F -2 -3 -3 -3 -2 -3 -3 -3 -1 0 0 -3 0 6 -4 -2 -2 1 3 -1 -3 -3 -1 -4

P -1 -2 -2 -1 -3 -1 -1 -2 -2 -3 -3 -1 -2 -4 7 -1 -1 -4 -3 -2 -2 -1 -2 -4

S 1 -1 1 0 -1 0 0 0 -1 -2 -2 0 -1 -2 -1 4 1 -3 -2 -2 0 0 0 -4

T 0 -1 0 -1 -1 -1 -1 -2 -2 -1 -1 -1 -1 -2 -1 1 5 -2 -2 0 -1 -1 0 -4

W -3 -3 -4 -4 -2 -2 -3 -2 -2 -3 -2 -3 -1 1 -4 -3 -2 11 2 -3 -4 -3 -2 -4

Y -2 -2 -2 -3 -2 -1 -2 -3 2 -1 -1 -2 -1 3 -3 -2 -2 2 7 -1 -3 -2 -1 -4

V 0 -3 -3 -3 -1 -2 -2 -3 -3 3 1 -2 1 -1 -2 -2 0 -3 -1 4 -3 -2 -1 -4

B -2 -1 3 4 -3 0 1 -1 0 -3 -4 0 -3 -3 -2 0 -1 -4 -3 -3 4 1 -1 -4

Z -1 0 0 1 -3 3 4 -2 0 -3 -3 1 -1 -3 -1 0 -1 -3 -2 -2 1 4 -1 -4

X 0 -1 -1 -1 -2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -2 0 0 -2 -1 -1 -1 -1 -1 -4

* -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 1

• Matrizes 20x20


– PAMs

– BLOSUMs

Matrizes de score (matrizes de substitição de aa)‏

Também pode usar matrizes de nucleotídeos....

• Matrizes 20x20


– PAMs

– BLOSUMs

Matrizes de score (matrizes de substitição de aa)‏

Também pode usar matrizes de nucleotídeos....

Veremos sobre essas matrizes mais adiante....

Alinhamentos

• Pairwise: 2 sequências

• Múltiplo: mais de 2 sequências

Tipos de alinhamentos

• Global

• Semi-global

• Local

Alinhamento global

QUERIDA---ROSAVERMELHA

|||| ||| |||||

QUEROUMAMOROSOVERME---

Alinhamento global

• Aplicação: – comparar 2 proteínas (ex. para inferir

estrutura secundária)‏

Estrutura 3D de proteínas

Alinhamento global

• Aplicação: – comparar 2 proteínas (ex. para inferir

estrutura secundária)‏

Alinhamento múltiplo

Alinhamento global

• Outras aplicações

– Identificação de SNPs (single nucleotide polimorphism) e outros polimorfismos

– Identificação de domínios proteicos mais conservados

– Identificação de isoformas

– Construção de árvores filogenéticas

Helicases humanas (SNPs)‏

Várias helicases (domínios)‏

Várias helicases (domínios)‏

Identificação de isoformas

Identificação de isoformas

Alinhamento pairwise global

• Algoritmo Exato: Needleman-Wunsch

(pairwise)

• Programas: – needle (EMBOSS)‏

– stretcher (EMBOSS) (demora mais, mas economiza memória)‏

– FASTA

Alinhamento múltiplo (global)

• Ferramentas normalmente usadas NÃO SÃO EXATAS!

• Necessita alguma edição manual

• Parece não haver um consistentemente melhor que todos

Alinhamento múltiplo (global)

• Algumas ferramentas:

–ClustalW / ClustalX

–T-Coffee

–Muscle

Outra aplicação

• Criação de modelos e identificação de

RNAs não codificantes (ou outros

elementos) com estrutura secundária

• Ex: microRNAs

Alinhamento estrutural

Alinhamento semi-global

---ROSAVERMELHA

||| |||||

AMOROSOVERME---


• Aplicação: montagem de genomas!

Sequenciamento shot-gun


• Aplicação: montagem de genomas!

Alinhamento local

QUERIDA---ROSAVERMELHA

|||| ||| |||||

QUEROUMAMOROSOVERME---

QUER

||||

QUER

ROSAVERME

||| |||||

ROSOVERME

Alinhamento local

• Aplicações:

– Encontrar um gene em um genoma

sequência

genoma

Alinhamento local

• Aplicações:

– Identificar possíveis homólogos em um banco

de dados


Alinhamento Local

• Algoritmo Smith-Waterman

• Programas

– BLAST (NCBI / WU)‏

– BLAT (mais preciso – bom para localização)‏

– water (EMBOSS - exato)‏

– matcher (demora mais, mas economiza memória - exato)‏

– cross_match (swat) – bom para mascaramento

– FASTA

BLAST

Basic Local Alignment Search Tool

• NCBI BLAST ou WU-BLAST

• Heurísticas

“Palavras”‏do‏BLAST‏(W)‏

MLI LII

MLIIKRDELVISWASHERE sequência query

IIK IKR KRD RDE DEL ELV LVI VIS ISW SWA WAS ASH SHE HER ERE

todas as palavras de tamanho 3 com sobreposição

“Palavras”‏do‏BLAST‏(W)‏

• Valores default para aminoácidos e para nucleotídeos

• CUIDADO!!!!! Veja se isso não é muito para o seu caso!

Formato FASTA

>Identificador da sequência

GCCCCCGGCCCCGCCCCGGCCCCGCCCCCGGCCCCGCCCCGCAAGGGTC

ACAGGTCACGGGGCGGGGCCGAGGCGGAAGCGCCCGCAGCCCGGTACCG

GCTCCTCCTGGGCTCCCTCTAGCGCCTTCCCCCCGGCCCGACTCCGCTG

GTCAGCGCCAAGTGACTTACGCCCCCGACCTCTGAGCCCGGACCGCTAG

Significância de scores

• E-value (s): número de hits com score tão bom ou melhor que s puramente por chance em um banco de dados aleatório, do mesmo tamanho e com a mesma composição de bases

• Quanto menor...



• Quanto menor...

... melhor!!!!


• P-value (s): probabilidade de obter um score tão bom ou melhor que s puramente por chance em um banco de dados aleatório, do mesmo tamanho e com a mesma composição de bases



• E-value é um número real não negativo

• Quanto menor...

... melhor!!!!

• E-value depende de...

E(S) = Kmne-S

... por isso não existe número mágico

Programas standalone

• Programas como Blast, BLAT e muuuuitos outros: – via web server

– standalone (linha de comando) – Perl scripts!!!!

• NCBI x WU BLAST

• netblast: linha de comando, mas executa remotamente

BLAT – Blast Like Alignment Tool

• Mais rápido e mais preciso (para sequências altamente similares)‏

• Aplicação: mapeamento de sequências (ex: transcritos)‏

• Mantém um índice de todo o banco em memória (non-overlapping k-mers)‏

SIM4 e outros

• Para alinhar regiões sequências em

nucleotídeos de regiões codificantes

(alinhamento de códons)

Cuidado com anotações erradas!!!

• Cuidado‏com‏bancos‏não‏“curados”

Voltando ao sistema de score...

• Match/mismatch pode ser substituído por

– uma matriz 4x4 (nucleotídeos)‏

– uma matriz 20x20 (aminoácidos)‏

Similaridade entre os aminoácidos

Matrizes de score (matrizes de substituição)‏

Reference: Henikoff, S. and Henikoff, J. G. (1992). Amino acid substitution matrices from protein blocks. Proc. Natl. Acad. Sci. USA 89: 10915-10919.


A 4 -1 -2 -2 0 -1 -1 0 -2 -1 -1 -1 -1 -2 -1 1 0 -3 -2 0 -2 -1 0 -4

R -1 5 0 -2 -3 1 0 -2 0 -3 -2 2 -1 -3 -2 -1 -1 -3 -2 -3 -1 0 -1 -4

N -2 0 6 1 -3 0 0 0 1 -3 -3 0 -2 -3 -2 1 0 -4 -2 -3 3 0 -1 -4

D -2 -2 1 6 -3 0 2 -1 -1 -3 -4 -1 -3 -3 -1 0 -1 -4 -3 -3 4 1 -1 -4

C 0 -3 -3 -3 9 -3 -4 -3 -3 -1 -1 -3 -1 -2 -3 -1 -1 -2 -2 -1 -3 -3 -2 -4

Q -1 1 0 0 -3 5 2 -2 0 -3 -2 1 0 -3 -1 0 -1 -2 -1 -2 0 3 -1 -4

E -1 0 0 2 -4 2 5 -2 0 -3 -3 1 -2 -3 -1 0 -1 -3 -2 -2 1 4 -1 -4

G 0 -2 0 -1 -3 -2 -2 6 -2 -4 -4 -2 -3 -3 -2 0 -2 -2 -3 -3 -1 -2 -1 -4

H -2 0 1 -1 -3 0 0 -2 8 -3 -3 -1 -2 -1 -2 -1 -2 -2 2 -3 0 0 -1 -4

I -1 -3 -3 -3 -1 -3 -3 -4 -3 4 2 -3 1 0 -3 -2 -1 -3 -1 3 -3 -3 -1 -4

L -1 -2 -3 -4 -1 -2 -3 -4 -3 2 4 -2 2 0 -3 -2 -1 -2 -1 1 -4 -3 -1 -4

K -1 2 0 -1 -3 1 1 -2 -1 -3 -2 5 -1 -3 -1 0 -1 -3 -2 -2 0 1 -1 -4

M -1 -1 -2 -3 -1 0 -2 -3 -2 1 2 -1 5 0 -2 -1 -1 -1 -1 1 -3 -1 -1 -4

F -2 -3 -3 -3 -2 -3 -3 -3 -1 0 0 -3 0 6 -4 -2 -2 1 3 -1 -3 -3 -1 -4

P -1 -2 -2 -1 -3 -1 -1 -2 -2 -3 -3 -1 -2 -4 7 -1 -1 -4 -3 -2 -2 -1 -2 -4

S 1 -1 1 0 -1 0 0 0 -1 -2 -2 0 -1 -2 -1 4 1 -3 -2 -2 0 0 0 -4

T 0 -1 0 -1 -1 -1 -1 -2 -2 -1 -1 -1 -1 -2 -1 1 5 -2 -2 0 -1 -1 0 -4

W -3 -3 -4 -4 -2 -2 -3 -2 -2 -3 -2 -3 -1 1 -4 -3 -2 11 2 -3 -4 -3 -2 -4

Y -2 -2 -2 -3 -2 -1 -2 -3 2 -1 -1 -2 -1 3 -3 -2 -2 2 7 -1 -3 -2 -1 -4

V 0 -3 -3 -3 -1 -2 -2 -3 -3 3 1 -2 1 -1 -2 -2 0 -3 -1 4 -3 -2 -1 -4

B -2 -1 3 4 -3 0 1 -1 0 -3 -4 0 -3 -3 -2 0 -1 -4 -3 -3 4 1 -1 -4

Z -1 0 0 1 -3 3 4 -2 0 -3 -3 1 -1 -3 -1 0 -1 -3 -2 -2 1 4 -1 -4

X 0 -1 -1 -1 -2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -2 0 0 -2 -1 -1 -1 -1 -1 -4

* -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 1


• qij: probabilidade do aminoácido i ser

substituído pelo aminoácido j

• pi: probabilidade do aminoácido i

mij = log (qij / pi pj) = mij





mij = log (qij / pi pj) = mij





mij = 1/ log (qij / pi pj) = mij

• Como achar qij, pi e pj?


– PAMs

– BLOSUMs

Matrizes de score (matrizes de substitição)‏

Matrizes PAM de aminoácidos – Point Accepted Mutation

• Dayhoff, 1978

• Processo:

– Alinhamento de conjuntos de sequências relacionadas (85% id)‏

– Construção de árvores filogenéticas

– Cálculo da frequência de substituição de cada par de aminoácido

– Normalização das frequências: 1% de mudança ~ 50 milhões de anos (PAM1)‏

Matrizes PAM de aminoácidos – Point Accepted Mutation

• Em um período de 2 PAMs, pode ter havido A ?, e então ? D

• Extrapolação: PAM2 = PAM1 x PAM1

PAMy = PAM1 x PAM1 x .... x PAM1

• PAM120: 40% de identidade

• PAM250: 20% de identidade

PAM250 Diagonal

Hidrofóbicos

Hidrofílicos

Problemas das PAMs

• Inferida por um conjunto restrito de proteínas

• Extrapolação

• Muitas novas proteínas foram sequenciadas desde 78...

Matrizes BLOSUM de aminoácidos

• Henikoff & Henikoff, 1992

• Alinhamentos de blocos de vários grupos de proteínas relacionadas (banco de dados BLOCKS)‏

• Cálculo de frequência de substituição de cada par de aminoácido

• BLOSUMx: blocos de sequências com no máximo x% de identidade

• Ex: BLOSUM62 e BLOSUM85

BLOSUM62 Reference: Henikoff, S. and Henikoff, J. G. (1992). Amino acid substitution matrices from protein blocks. Proc. Natl. Acad. Sci. USA 89: 10915-10919.


A 4 -1 -2 -2 0 -1 -1 0 -2 -1 -1 -1 -1 -2 -1 1 0 -3 -2 0 -2 -1 0 -4

R -1 5 0 -2 -3 1 0 -2 0 -3 -2 2 -1 -3 -2 -1 -1 -3 -2 -3 -1 0 -1 -4

N -2 0 6 1 -3 0 0 0 1 -3 -3 0 -2 -3 -2 1 0 -4 -2 -3 3 0 -1 -4

D -2 -2 1 6 -3 0 2 -1 -1 -3 -4 -1 -3 -3 -1 0 -1 -4 -3 -3 4 1 -1 -4

C 0 -3 -3 -3 9 -3 -4 -3 -3 -1 -1 -3 -1 -2 -3 -1 -1 -2 -2 -1 -3 -3 -2 -4

Q -1 1 0 0 -3 5 2 -2 0 -3 -2 1 0 -3 -1 0 -1 -2 -1 -2 0 3 -1 -4

E -1 0 0 2 -4 2 5 -2 0 -3 -3 1 -2 -3 -1 0 -1 -3 -2 -2 1 4 -1 -4

G 0 -2 0 -1 -3 -2 -2 6 -2 -4 -4 -2 -3 -3 -2 0 -2 -2 -3 -3 -1 -2 -1 -4

H -2 0 1 -1 -3 0 0 -2 8 -3 -3 -1 -2 -1 -2 -1 -2 -2 2 -3 0 0 -1 -4

I -1 -3 -3 -3 -1 -3 -3 -4 -3 4 2 -3 1 0 -3 -2 -1 -3 -1 3 -3 -3 -1 -4

L -1 -2 -3 -4 -1 -2 -3 -4 -3 2 4 -2 2 0 -3 -2 -1 -2 -1 1 -4 -3 -1 -4

K -1 2 0 -1 -3 1 1 -2 -1 -3 -2 5 -1 -3 -1 0 -1 -3 -2 -2 0 1 -1 -4

M -1 -1 -2 -3 -1 0 -2 -3 -2 1 2 -1 5 0 -2 -1 -1 -1 -1 1 -3 -1 -1 -4

F -2 -3 -3 -3 -2 -3 -3 -3 -1 0 0 -3 0 6 -4 -2 -2 1 3 -1 -3 -3 -1 -4

P -1 -2 -2 -1 -3 -1 -1 -2 -2 -3 -3 -1 -2 -4 7 -1 -1 -4 -3 -2 -2 -1 -2 -4

S 1 -1 1 0 -1 0 0 0 -1 -2 -2 0 -1 -2 -1 4 1 -3 -2 -2 0 0 0 -4

T 0 -1 0 -1 -1 -1 -1 -2 -2 -1 -1 -1 -1 -2 -1 1 5 -2 -2 0 -1 -1 0 -4

W -3 -3 -4 -4 -2 -2 -3 -2 -2 -3 -2 -3 -1 1 -4 -3 -2 11 2 -3 -4 -3 -2 -4

Y -2 -2 -2 -3 -2 -1 -2 -3 2 -1 -1 -2 -1 3 -3 -2 -2 2 7 -1 -3 -2 -1 -4

V 0 -3 -3 -3 -1 -2 -2 -3 -3 3 1 -2 1 -1 -2 -2 0 -3 -1 4 -3 -2 -1 -4

B -2 -1 3 4 -3 0 1 -1 0 -3 -4 0 -3 -3 -2 0 -1 -4 -3 -3 4 1 -1 -4

Z -1 0 0 1 -3 3 4 -2 0 -3 -3 1 -1 -3 -1 0 -1 -3 -2 -2 1 4 -1 -4

X 0 -1 -1 -1 -2 -1 -1 -1 -1 -1 -1 -1 -1 -1 -2 0 0 -2 -1 -1 -1 -1 -1 -4

* -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 -4 1

PAMs e BLOSUMs

• Para encontrar alinhamentos mais curtos e com maior similaridade:

– PAMs

– BLOSUMs

• Para encontrar alinhamentos mais longos e com menor similaridade:

– PAMs

– BLOSUMs

PAMs e BLOSUMs


– PAMs

– BLOSUMs


– PAMs

– BLOSUMs

mais baixas

mais altas

PAMs e BLOSUMs


– PAMs

– BLOSUMs


– PAMs

– BLOSUMs

mais baixas

mais baixas

mais altas

mais altas

Papel dos gaps

• Inserções / deleções

GLOBAL LOCAL

MUITO

ALTAS

Inibir trechos de gap →

alinhamentos ruins (muitos

mismatches)

Inibir trechos de gap → poucos

blocos alinhados

MUITO

BAIXAS

Muitos gaps espalhados pelo

alinhamento (alinhamento

ruim)

Muitos gaps espalhados pelo

alinhamento (alinhamento

ruim e possivelmente maior do

que deveria)

Referências

Caprichado (geral): Mount - http://www.bioinformaticsonline.org/

Básico: O'Reilly - http://www.oreilly.com/catalog/bioskills/

BLAST: http://www.oreilly.com/catalog/blast/

Durbin R, Eddy S, Krogh A, Mitchison G. (1998). Biological sequence analysis: probabilistic models of proteins and nucleic acids, Cambridge University Press, 1998.

Documents

Alinhamentos e Busca de Similaridade - IME-USP · Posso procurá-la em bancos de proteínas anotadas ... •Criação de modelos e identificação de RNAs não codificantes (ou outros