3.3替换记分矩阵-02-蛋白质序列的替换记分矩阵_01.pdf

《生物信息学》第三章：序列比较（第一部分） 蛋白质序列的替换记分矩阵（1） 蛋白质的替换记分矩阵要比核酸的复杂一些。 首先，蛋白质也有纯理论用的等价矩阵，相同得 1 分，不同得 0 分。 此外，蛋白质最常用的两种矩阵是 PAM 矩阵和 BLOSUM 矩阵。PAM 矩阵基于进化原 理。如果两种氨基酸替换频繁，说明自然界容易接受这种替换，那么这一对氨基酸替换的得 分就应该高。PAM 矩阵是目前蛋白质序列比较中最广泛使用的记分方法之一。基础的 PAM-1 矩阵反应的是进化产生的每一百个氨基酸平均发生一个突变的量值，由统计方法得到。 PAM-1 自乘 n 次，可以得到 PAM-n ，表示发生了更多次突变。我们需要根据要比较的序列 之间的亲缘关系远近，来选择适合的 PAM 矩阵。如果序列亲缘关系远，也就是说序列间会 有很多突变，那就选 PAM 后面跟一个大数字的矩阵。如果亲缘关系近，也就是突变比较少， 序列间大多数地方都是一样的，那就选 PAM 后面跟一个小数字的矩阵。 图 1 是 PAM250 矩阵。对角线上的数值为匹配氨基酸的得分。其他位置上≥0 的得分代 表对应的一对氨基酸为相似氨基酸，0 的是不相似的氨基酸。 图 1. PAM250 矩阵 BLOSUM 矩阵有和 PAM 矩阵相同的地方，也有不同的地方。相同的是，BLOSUM 矩阵 后面也带有一个编号，有很多种 BLOSUM 矩阵。不同的是，BLOSUM 矩阵都是通过对大量 符合特定要求的序列计算而来的。这点和 PAM 矩阵不同的。PAM-1 矩阵是基于相似度大于 85%的序列计算产生的，也就是通过关系较近的序列计算出来的。那些进化距离较远的矩阵， 如 PAM-250，是通过 PAM-1 自乘得到的。也就是说，BLOSUM 矩阵的相似性是根据真实数 据产生的，而 PAM 矩阵是通过矩阵自乘外推而来的。和 PAM 矩阵的另一个不同之处是 BLOSUM 矩阵的编号。这些编号，比如 BLOSUM80 中的 80，代表这个矩阵是由一致度≥80% 的序列计算而来的。同理，BLOSUM62 是指这个矩阵是由一致度≥62%的序列计算而来的。 因此，BLOSUM 后面跟一个小数字的矩阵适合用于比较相似度低的序列，也就是亲缘关系 远的序列；而 BLOSUM 后面跟一个大数字的矩阵适合比较相似度高的序列，也就是亲缘关 系近的序列。 图 2 是 BLOSUM 62 矩阵.样子和 PAM 矩阵差不多，但是里面的数值是不一样的。同样， ≥0 的得分代表对应的一对氨基酸为相似氨基酸，0 的是不相似的氨基酸。 图 2. BLOSUM62 矩阵 现在我们总结一下到底是用 PAM 几，或者 BLOSUME 几。PAM1 对应的氨基酸差异是 1%，这是基础矩阵，由实际数据计算得出。而 PAM11 是由 PAM1 自乘 11 次得到的，他对 应的氨基酸差异可不是 11%，而是大约在 10%左右（图 3）。同样，PAM80 对应的差异也不 是 80%，而是在 50%左右。如果你要比对的序列亲缘关系远，比如氨基酸差异在 80%左右， 那就得选 PAM 自乘次数非常多的矩阵，适合的是 PAM246。但是现成的 PAM 矩阵也不是什 么号的都有，只有几个关键号的。比如这个 PAM246 就没有，有的是 PAM250。再来看 BLOSUME。BLOSUME 后面的号和 PAM 刚好相反，因为它对应的是序列的相似度。差异 在 80%左右意味着相似度在 20%左右，所以这个档次上的序列适合用的 BLOSUM 矩阵就是 BLOSUM20。概括的说，PAM 后面的数体现的是序列的差异度，但不直接等于差异度，只 是成对应关系而已；BLOSUM 后面的数体现是的序列的相似度并且直接等于相似度。所以 我们看到，随着差异度的增大，适用的 PAM