第3章 序列比较.docVIP

第3章 序列比较 序列比较是生物信息学中最基本、最重要的操作，通过序列比对可以发现生物序列中的功能、结构和进化的信息。序列比较的根本任务是：通过比较生物分子序列，发现它们的相似性，找出序列之间共同的区域，同时辨别序列之间的差异。在分子生物学中，DNA或蛋白质的相似性是多方面的，可能是核酸或氨基酸序列的相似，可能是结构的相似，也可能是功能的相似。一个普遍的规律是序列决定结构，结构决定功能。研究序列相似性的目的之一是，通过相似的序列得到相似的结构或相似的功能。这种方法在大多数情况下是成功的，当然也存在着这样的情况，即两条序列几乎没有相似之处，但分子却折叠成相同的空间形状，并具有相同的功能。这里先不考虑空间结构或功能的相似性，仅研究序列的相似性。研究序列相似性的另一个目的是通过序列的相似性，判别序列之间的同源性，推测序列之间的进化关系。这里将序列看成由基本字符组成的字符串，无论核酸序列还是蛋白质序列，都是特殊的字符串。本章着重介绍通用的序列比较方法。 3.1 序列的相似性 序列的相似性可以是定量的数值，也可以是定性的描述。相似度是一个数值，反映两条序列的相似程度。关于两条序列之间的关系，有许多名词，如相同、相似、同源、同功、直向同源、共生同源等。 在进行序列比较时经常使用“同源”（homology）和“相似”（similarity）这两个概念，这是两个经常容易被混淆的不同概念。两条序列同源是指它们具有共同的祖先。在这个意义上，无所谓同源的程度，两条序列要么同源，要么不同源。而相似则是有程度的差别，如两条序列的相似程度达到30%或60%。一般来说，相似性很高的两条序列往往具有同源关系。但也有例外，即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”（convergence），这样一对序列可称为同功序列。直向同源（orthologous）序列是来自于不同的种属同源序列，而共生同源（paralogous）序列则是来自于同一种属的序列，其产生是由于进化过程中的序列复制。 序列比较的基本操作是比对（align）。两条序列的比对（alignment）是指这两条序列中各个字符的一种一一对应关系，或字符对比排列。序列的比对是一种关于序列相似性的定性描述，它反映在什么部位两条序列相似，在什么部位两条序列存在差别。最优比对揭示两条序列的最大相似程度，指出序列之间的根本差异。 3.1.1 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： （1）4字符DNA字母表 A, C, G, T ； （2）扩展的遗传学字母表或IUPAC编码（见表2-3）； （3）单字母氨基酸编码（见表2-1）； （4）上述字母表形成的子集。 下面所讨论的内容独立于特定的字母表。 首先规定一些特定的符号： ① — 字母表； ② A* — 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； ③ a、b、c — 单独的字符； ④ s、t、u、v、x — A*中的序列； ⑤ |s| — 序列s的长度。 为了说明序列s的子序列和s中单个字符，我们在s中各字符之间用数字标明分割边界。例如，设s ACCACGTA，s可表示为 0A1C2C3A4C5G6T7A8 。 i:s:j 指明第i位或第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 ，而子序列 i:s:|s| 称为后缀suffix s, |s|-i+1 。有两种特殊的情况，即 i j或i j-1。 ① i:s:i 表示空序列 ② j-1 :s: j 表示s 中的第j 个字符，简记为sj 。 一般认为，子序列与计算机算法中子串的概念相当。但是严格地讲，子序列与子串的概念是有区别的：子串是子序列，而子序列不一定是子串。可以通过选取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。而s的子串则是由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。如果t是s的子串，则称s是t的超串。子串也可以称为连续子序列。 两条序列s和t的连接用s + + t来表示，如： ACC++CTA ACCCTA 字符串操作除连接操作之外，另有一个k操作，即删除一个字符串两端的字符。其定义如下： prefix s,l sk|s|-l ， suffix s,l k|s|-ls ， i:s:j ki-1sk|s|-j 。 序列比较可以分为四种基本情况，具体任务和应用说明如下： 假设有两条长度相近的、来