第三节 序列比较.pdfVIP

第三章 序列比较 第三章 序列比较 第第三三章章 序序列列比比较较 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 3.1序列的相似性 33..11序序列列的的相相似似性性 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，它是由进化过程中的序列复制而产生的。 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： ①Α — 字母表； ②A*— 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的集合； ③a、b、c— 单独的字符； ④s、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，则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。 ①i: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