结构生物信息学4-多序列比对.pptVIP

概率模型并不解释每种比对的生物意义, 它的思想是从已知的生物比对中学习概率。它认为: 具有生物学意义的比对必定以高概率出现 * 概率模型并不解释每种比对的生物意义, 它的思想是从已知的生物比对中学习概率。它认为: 具有生物学意义的比对必定以高概率出现 * 概率模型并不解释每种比对的生物意义, 它的思想是从已知的生物比对中学习概率。它认为: 具有生物学意义的比对必定以高概率出现 * * 逐对加和函数 * 逐对加和函数 * 逐对加和函数 * 星形结构和树形结构是组合两两比对的常用方法。 * 合并两两序列比对的原则 * * 针对具体问题的特点，根据实际输入情况，减小搜索空间，提高问题的效率； * 只要是空位，则永远是空位； 逐步增加sc中的空位字符，以适应其他的比对； 决不删除sc中已存在的空位字符 * 合并两两序列比对的原则 * * 针对具体问题的特点，根据实际输入情况，减小搜索空间，提高问题的效率； * 针对具体问题的特点，根据实际输入情况，减小搜索空间，提高问题的效率； * 针对具体问题的特点，根据实际输入情况，减小搜索空间，提高问题的效率； * 针对具体问题的特点，根据实际输入情况，减小搜索空间，提高问题的效率； * 针对具体问题的特点，根据实际输入情况，减小搜索空间，提高问题的效率； * 针对具体问题的特点，根据实际输入情况，减小搜索空间，提高问题的效率； * * 针对具体问题的特点，根据实际输入情况，减小搜索空间，提高问题的效率； * 针对具体问题的特点，根据实际输入情况，减小搜索空间，提高问题的效率； * 每一阶段使用了有残基权重矩阵和空位开放及空位扩展罚分的完全动态规划算法。 * 每一阶段都由对两个已经存在的排列或序列进行比对组成。 * 在先前比对中出现的空位仍然是固定的 * 针对具体问题的特点，根据实际输入情况，减小搜索空间，提高问题的效率； * 针对具体问题的特点，根据实际输入情况，减小搜索空间，提高问题的效率； * 以树形基础的一致性做多重序列比对，（Tree based Consistency Objective Function For alignment Evaluation 它的基本原理是首先构建一个库包含有ClustalW得到的序列两两比对和序列局部两两比对，并且给每个比对一个权重， 然把全局和局部比对的结果进行整合，每个两两比对中的每个位点的比对都是综合了库中两两比对和其他序列比对的结果， 这每个权重就表明该比对在整个库中的合理性程度，最后通过这个合理性利用渐进方法 * A. 分别、同时比对。但是，是以AB为准，加入CD，然后再加上其他序列，还是CD为准？结果可能出入很大 B. 随机挑选一组作为基准 当序列差异较大时，上述问题更加明显 * A. 分别、同时比对。但是，是以AB为准，加入CD，然后再加上其他序列，还是CD为准？结果可能出入很大 B. 随机挑选一组作为基准 当序列差异较大时，上述问题更加明显 * Di—Diagonals * 概率模型并不解释每种比对的生物意义, 它的思想是从已知的生物比对中学习概率。它认为: 具有生物学意义的比对必定以高概率出现 * 概率模型并不解释每种比对的生物意义, 它的思想是从已知的生物比对中学习概率。它认为: 具有生物学意义的比对必定以高概率出现 * 概率模型并不解释每种比对的生物意义, 它的思想是从已知的生物比对中学习概率。它认为: 具有生物学意义的比对必定以高概率出现 * 每个氨基酸的概率为:0.33×0.05 ×0.33 ×0.05 ×0.33 ×0.05 ×0.33 ×0.05 ×0.33 × 0.05 × 0.5，一个转换的平均值为0.33，因为大多存在3种转换方式（只有从M4和D4上离开时有2种方式，平均概率为0.5） * * 概率模型并不解释每种比对的生物意义, 它的思想是从已知的生物比对中学习概率。它认为: 具有生物学意义的比对必定以高概率出现 * 算法原理 – CLUSTAL算法 多序列比对 实例： Hbb_Human : 人的β-球蛋白 Hbb_Horse : 马的β-球蛋白 Hba_Human : 人的α-球蛋白 Hba_Horse : 马的α-球蛋白 Myg_phyca : 抹香鲸的血红蛋白 Glb5_petma : 七鳃鳗蓝血红蛋白 Lgb2_Luplu : 羽扇豆的豆血红蛋白 已知三级结构的七个球蛋白序列，分别为： 算法原理 – CLUSTAL算法 多序列比对 实例： 两两比对，构建距离矩阵 系统发育树的构建 渐进比对 算法原理 – CLUSTAL算法 多序列比对 Clustal算法第1阶段：产生距离矩阵树 用完全动态规划法计算的7个球蛋白序列之间的7×7的距离矩阵 算法原理 – C