第3讲序列比较.PDFVIP

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 — 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，则s 可表示为 61 A C C A C G T A 。 0 1 2 3 4 5 6 7 8 :s: 指明第i 位或第j 位之间的子序列。当然，0 i j |s| 。子序列 : s : 称为前缀，即prefix(s,i) ，而 i j 0 i 子序列 :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。 i |s| ① :s: 表示空序列 i i ② :s: 表示s 中的第j 个字符，简记为s