生物信息学 基础——第三章教材编辑.ppt

第三章 序列比对;第一节 序列的相似性;;序列比较的基本操作是比对（Alignment） 两个序列的比对是指这两个序列中各个字符的一种一一对应关系，或字符的对比排列 。;符 号;氨基酸名称;特定的符号 ? — 代表字母表 A* — 代表由字母表A中字符所形成的一系列有限长度序列或字符串的集合 a、b、c—代表单独的字符 s、t、u、v—代表A*中的序列 |s|—代表序列s的长度;为了说明序列s的子序列和s中单个字符，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) 子序列 i:s:|s|称为后缀，即suffix(s, |s|-i+1) ; i:s: i — 为空序列 j-1:s:j —表示s 中的第j 个字符，简记为sj 子序列与子串（p82） 子序列：选取s中的某些字???（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。 ; s的子串： 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（是子序列）。 子串是子序列 子序列不一定是子串;字符串操作;序列比较可以分为四种基本情况(P83)（1）两条长度相近的序列相似  ?找出序列的差别（2）判断一条序列的前缀与另一条序列的后缀相似（3）判断一条序列是否是另一条序列的子序列（4）判断两条序列中是否有非常相似的子序列;2、编辑距离（Edit Distance); 两条序列的相似程度的定量计算 相似度，它是两个序列的函数，其值越大，表示两个序列越相似 两个序列之间的距离。距离越大，则两个序列的相似度就越小 ;字符编辑操作（Edit Operation）;扩展的编辑操作;反向互补序列;;;;→ 序列1 →;→ 序列1 →;滑动窗口技术 两条序列中有很多匹配的字符对，因而在点矩阵中会形成很多点标记。;滑动窗口技术 使用滑动窗口代替一次一个位点的比较是解决这个问题的有效方法。 假设窗口大小为10，相似度阈值为8，则每次比较取10个连续的字符，如相同的字符超过8个，则标记 基于滑动窗口的点矩阵方法可以明显地降低点阵图的噪声，并且明确无误的指示出了两条序列间具有显著相似性的区域。 ;（a）对人类（Homo sapiens）与黑猩猩（Pongo pygmaeus）的β球蛋白基因序列进行比较的完整点阵图。（b）利用滑动窗口对以上的两种球蛋白基因序列进行比较的点阵图，其中窗口大小为10个核苷酸，相似度阈值为8。 ;具有连续相似区域的两条DNA序列的简单点阵图;4、 序列的两两比对; s: AGCACAC?A AG?CACACA t: A?CACACTA ACACACT?A —————————————————————————— Match(A, A) Match(A, A) Delete(G, - ) Replace(G, C) Match(C, C) Insert( -, A) Match(A, A) Match(C, C) Match(C, C) Match(A, A) Match(A, A) Match(C, C) Match(C, C) Replace(A, T) Insert( -, T) Delete(C, -) Match(A, A) Match(A, A) 图3.6 序列AGCACACA和ACACACTA的两种比对结果 ;;;概念; 例如： s: AGCACAC?A t: A?CACACTA cost=2 s: AGCACAC?A t: A?CACACTA score (s，t）= 5 序列比对的目的是寻找一个得分最大（或代价最小）的比对。;5、打分矩阵（Weight Matrices）(P87);（2）蛋白质打分矩阵;;;;PAM矩阵（Point Accepted Mutation） 基于进化的点突变模型 一个PAM就是一个进化的变异单位, 即1%的氨基酸改变;矩阵集合----- PAM-N 如，PAM120矩阵用于比较相距120个PAM单位的序列。 一个PAM-N矩阵元素（i，j）的值： 反应两个相距N个PAM单位的序列中第i种氨基酸替换第j种氨基酸