Paarweises Sequenzalignment

Transkript

1 Methoden des Sequenzalignments Paarweises Sequenzalignment Áustauschmatrizen Bedeutsamkeit von Alignments BLAST, Algorithmus Parameter Ausgabe Diese Vorlesung lehnt sich eng an das BLAST Tutorial- Buch (links) an, Kapitel 3-9 siehe auch Vorlesung Bioinformatik I von Prof. Lenhof, Wochen 3 und 5 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 1

2 Sequenz-Alignment Wenn man 2 oder mehr Sequenzen vorliegen hat, möchte man zunächst einmal - ihre Ähnlichkeiten quantitativ erfassen - Entsprechungen zwischen einzelnen Bausteinen beider Sequenzen erfassen - Gesetzmässigkeiten der Konservierung und Variabilität beobachten - Rückschlüsse auf entwicklungsgeschichtliche Verwandschaftsverhältnisse ziehen Wichtiges Ziel: Annotation, z.b. Zuordnung von Struktur und Funktion 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 2

3 Identifiziere Ähnlichkeiten zwischen Suche in Datenbanken einer neuen Testsequenz, deren Struktur und Funktion unbekannt und nicht charakterisiert ist und Sequenzen in (öffentlichen) Datenbanken deren Strukturen und Funktionen bekannt sind. N.B. Die ähnlichen Regionen können die ganze Sequenz, oder Teile von ihr umfassen! Lokales Alignment globales Alignment 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 3

4 Informationstheorie Wenn ein Kind auf jede Frage nein antwortet, enthalten die Antworten praktisch keine Information. Wenn die Antworten ja oder nein sind, enthalten Sie mehr Information. Definition der Information: p ist die Wahrscheinlichkeit einer Antwort. H ( p) = log 2 = log 1 p 2 p Logarithmitsierte Werte zur Basis 2 heissen bits, aus binary und digit. Wenn die Wahrscheinlichkeit, daß ein Kind kein Eis mag.25 ist, hat die Antwort 2 bits an Information. Die gegenteilige Information (es mag Eis) hat nur.41 bits an Information. Bezüglich der Basis e, heisst die entsprechende Einheit nats. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 4

5 Informationstheorie Durch Werfen einer Münze erhält man eine Folge von Wappen und Zahl. Eine Folge kann sein: tththtt Die DNA-Sequenzen enthalten die Buchstaben A C G T. Wenn die Wahrscheinlichkeit jedes Symbols einfach 1/n ist, ist die Information jedes Sympols log 2 (n). Dieser Wert ist auch der Mittelwert. Der formale Name für die mittlere Information pro Symbol ist die Entropie. Wenn die Symbole nicht gleich wahrscheinlich sind, muss man die Information jedes Symbols mit dessen Wahrscheinlichkeit gewichten. n Shannon s entropy: H ( p) = p i log 2 p i Ein zufälliges Stück DNA hat die Entropie: -{ (.25)(-2) + (.25)(-2) + (.25)(-2) + (.25)(-2) } = 2 bits Eine DNA mit 9 % A oder T und 1% C oder G hat eine Entropie von: - { 2 (.45)(-1.15) + 2 (.5)(-4.32) } = 1.47 bits i= 1 =.5 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik =.45

6 Ähnlichkeit von Aminosäuren Margaret Dayhoff stellte die Ähnlichkeit (beobachtete Austauschhäufigkeiten zwischen verwandten Sequenzen) zwischen Aminosäuren als log 2 odds Verhältnis, oder lod score dar. Lod score einer Aminosäure: nehme den Logarithmus zur Basis 2 (log 2 ) von dem Verhältnis der beobachteten Häufigkeit für ein Paar durch die zufällig für das Paar erwartete Häufigkeit. Lod score = P beobachtete und erwartete Häufigkeiten sind gleich > P ein Austauschpaar tritt häufiger auf als zufällig erwartet < P unwahrscheinlicher Austausch Allgemeine Formel für den Score s ij von zwei Aminosäuren i und j. s ij ij = log mit den individuellen Häufigkeiten p i und p j, p q i p j und der Paarungsfrequenz q jj, 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 6

7 Ähnlichkeit der Aminosäuren Beispiel: die relative Häufigkeiten von Methionin und Leucin seien.1 und.1. Durch zufällige Paarung erwartet man 1/1 Austauschpaare Met Leu. Wenn die beobachtete Paarungshäufigkeit 1/5 ist, ist das Verhältnis der Häufigkeiten 2/1. Im Logarithmus zur Basis 2 ergibt sich ein lod score von +1 or 1 bit. Wenn die Häufigkeit von Arginin.1 und die Paarung mit Leu mit Häufigkeit 1/5 ist, dann ergibt sich ein lod score für ein Arg Leu Paar von bits. Gewöhnlich berechnet man nats, multipliziert die Werte mit einem Skalierungsfaktur und rundet sie dann auf Integer Werte P Austauschmatrizen PAM und BLOSUM. Diese Integer-werte nennt man raw scores. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 7

8 Karlin-Altschul Statistik Raw scores können irreführend sein, da die Skalierungsfaktoren beliebig sind. Nützlicher sind die normalisierten Scores. Wenn man raw scores in normalisierte Scores umrechnet möchte, braucht man eine Konstante lambda, die für jede Austauschmatrize spezifisch ist. Lambda ist ungefähr das Inverse des ursprünglichen Skalierungsfaktors. Da sich die beobachteten Häufigkeiten für alle Paare zu 1 summieren: Schreibe n i i= 1 j= 1 sij = log2 q ij p q i = 1 ij p j als S ij = log e p q i ij p j wobei S ij nun die raw scores sind (Integer-Werte). 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 8

9 Towards Karlin-Altschul statistical theory S ij = log e p q i ij p j q ij = p i p j e S ij D.h. die Häufigkeit eines Paares (q ij ) leitet sich aus den einzelnen Häufigkeiten der Aminosäuren (p i und p j ) und einem normalisierten score (S ij ) ab. Bestimme so dass: n i i= 1 j= 1 q ij = n i i= 1 j= 1 Wenn bestimmt ist, benutzt man es um den E-value jedes BLAST-Treffers zu berechnen. p i p j e S ij = 1 Der erwartete Score einer Austauschmatrize ist die Summe aller raw scores gewichtet mit der Häufigkeit ihres Auftretens. E = 2 i i= 1 j= 1 p i p j s ij 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 9

10 Karlin-Altschul Statistik Karlin und Altschul leiteten daraus nun die Bewertung der Signifikanz eines Alignments ab (hier ohne Herleitung): Fünf zentrale Annahmen: - eine positive Bewertung muß möglich sein - die erwartete Bewertung muß negativ sein - die Buchstaben einer Sequenz sind voneinander unabhängig und gleichverteilt - die Sequenzen sind unendlich lang sequences - Alignments enthalten keine gaps E = kmne S Die Anzahl an Alignments (E), die man während einer Suche in einer Sequenzdatenbank zufällig erhält, ist eine Funktion der Größe des Suchraums (m*n), der normalisierten Austauschbewertungen (S), und einer Konstanten (k). 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 1

11 Bewertungs- oder Austausch-Matrizen dienen um die Qualität eines Alignments zu bewerten Für Protein/Protein Vergleiche: eine 2 x 2 Matrix für die Wahrscheinlichkeit mit der eine bestimmte Aminosäure gegen eine andere durch zufällige Mutationen ausgetauscht werden kann. Der Austausch von Aminosäuren ähnlichen Charakters (Ile, Leu) ist wahrscheinlicher (hat einen höheren Score) als der von Aminosäuren unterschiedlichen Charkters (e.g. Ile, Asp). Matrizen werden als symmetrisch angenommen, besitzen also Form einer Dreiecksmatrix. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 11

12 Substitutions-Matrizen Nicht alle Aminosäuren sind gleich Einige werden leichter ausgetauscht als andere Bestimmte Mutationen geschehen leichter als andere Einige Austausche bleiben länger erhalten als andere Mutationen bevorzugen bestimmte Austausche Einige Aminosäuren besitzen ähnliche Codons Diese werden eher durch Mutation der DNA mutiert Selektion bevorzugt bestimmte Austausche Einige Aminosäuren besitzen ähnliche Eigenschaften und Struktur 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 12

13 PAM25 Matrix 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 13

14 log (A B) = log A + log B Beispiel für eine Bewertung Die Bewertung (Score) eines Alignments ist die Summe aller Bewertungen für die Paare an Aminosäuren (Nukleinsäuren) des Alignments: Sequenz 1: TCCPSIVARSN Sequenz 2: SCCPSISARNT => Alignment Score = Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 14

15 Dayhoff Matrix (1) wurde von M.O. Dayhoff aufgestellt, die statistische Daten über die Austauschhäufigkeit von Aminosäuren sammelte Datensatz von eng verwandten Proteinsequenzen (> 85% Identität). Diese können zweifelsfrei aligniert werden. Aus der Frequenz, mit der Austausche auftreten, wurde die 2 x 2 Matrix für die Wahrscheinlichkeiten aufgestellt, mit der Mutationen eintreten. Diese Matrize heisst PAM 1. Ein evolutionärer Abstand von 1 PAM (point accepted mutation) bedeutet, dass es 1 Punktmutation pro 1 Residuen gibt, bzw. Dass die beiden Sequenzen zu 99% identisch sind. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 15

16 Log odds Matrix: enthält den Logarithmus der Elemente der PAM Matrizen. Score der Mutation i j Dayhoff Matrix (2) beobachtete Mutationsrate i j = log( ) aufgrund der Aminosäurefrequenz erwartete Mutationsrate Die Wkt zweier unabhängiger Mutationsereignisse ist das Produkt der Einzelwahrscheinlichkeiten. Bei Verwendung einer log odds Matrix (d.h. bei Verwendung der logarithmisierten Werte) erhält man den gesamten Score des Alignments als Summe der Scores für jedes Residuenpaar. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 16

17 Dayhoff Matrix (3) Aus PAM 1 kann man Matrizen für grössere evolutionäre Entfernungen herstellen indem man die Matrix mehrfach mit sich selbst multipliziert. PAM25: 2,5 Mutationen pro Residue entspricht 2% Treffern zwischen zwei Sequenzen, d.h. man beobachtet Änderungen in 8% der Aminosäurepositionen. Dies ist die Default-Matrize in vielen Sequenzanalysepaketen. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 17

18 BLOSUM Matrix Einschränkung der Dayhoff-Matrix: Die Matrizen, die auf dem Dayhoff-Modell der evolutionären Raten basieren, sind von eingeschränktem Wert, da ihre Substitionsraten von Sequenzalignments abgeleitet wurden, die zu über 85% identisch sind. Ein anderer Weg wurde von S. Henikoff und J.G. Henikoff eingeschlagen, welche lokale multiple Alignments von entfernter verwandten Sequenzen verwendeten. Ihre Vorteile: - grössere Datenmengen - multiple Alignments sind robuster 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 18

19 BLOSUM Matrix (2) Die BLOSUM Matrizen (BLOcks SUbstitution Matrix) basieren auf der BLOCKS Datenbank. Die BLOCKS Datenbank verwendet das Konzept von Blöcken (lückenlose Aminosäure-Signaturen), die charakteristisch für eine Proteinfamilie sind. Aus den beobacheten Mutationen innerhalb dieser Blöcke wurden Austauschwahrscheinlichkeiten für alle Aminosäurepaare berechnet und für eine log odds BLOSUM matrix benutzt. Man erhält unterschiedliche Matrizen indem man die untere Schranke des verlangten Grads an Identität variiert. z.b. wurde die BLOSUM8 Matrix aus Blöcken mit > 8% Identität abgeleitet. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 19

20 Welche Matrix soll man benutzen? Enge Verwandtschaft (Niedrige PAM, hohe Blosum) Entfernte Verwandtschaft (Hohe PAM, niedrige Blosum) Vernünftige Default-Werte: PAM25, BLOSUM62 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 2

21 Gewichtung von Lücken (Gaps) Neben der Substitutionsmatrix braucht man auch eine Methode zur Bewertung von Lücken. Welche Bedeutung haben Insertionen und Deletionen im Verhältnis zu Substitutionen? Unterscheide Einführung von Lücken: aaagaaa aaa-aaa von der Erweiterung von Lücken: aaaggggaaa aaa----aaa Verschiedene Programme (CLUSTAL-W, BLAST, FASTA) empfehlen unterschiedliche Default-Werte, die man wohl erst einmal verwenden sollte. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 21

22 Needleman-Wunsch Algorithmus - allgemeiner Algorithmus für Sequenzvergleiche - maximiert einen Ähnlichkeitsscore - bester Match = grösste Anzahl an Residuen einer Sequenz, die zu denen einer anderen Sequenz passen, wobei Deletionen erlaubt sind. - Der Algorithmus findet durch dynamische Programmierung das bestmögliche GLOBALE Alignment zweier beliebiger Sequenzen - NW beinhaltet eine iterative Matrizendarstellung alle möglichen Residuenpaare (Basen oder Aminosäuren) je eine von jeder Sequenz werden in einem zwei-dimensionalen Gitter dargestellt. alle möglichen Alignments werden durch Pfade durch dieses Gitter dargestellt. - Der Algorithmus hat 3 Schritte: 1 Initialisierung 2 Auffüllen 3 Trace-back 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 22

23 Needleman-Wunsch Algorithm: Initialisierung Aufgabe: aligniere die Wörter COELACANTH und PELICAN der Länge m =1 und n =7. Konstruiere (m+1) (n+1) Matrix. Ordne den Elementen der ersten Zeile und Reihe die Werte m gap und n gap zu. Die Pointer dieser Felder zeigen zurück zum Ursprung. C O E L A C A N T H P E L I C A N Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 23

24 Needleman-Wunsch Algorithm: Auffüllen Fülle alle Matrizenfelder mit Werten und Zeigern gemäss von simplen Operationen, die die Werte der diagonalen, vertikal, und horizontalen Nachbarzellen einschliessen. Berechne match score: Wert der Diagonalzelle links oben + Wert des Alignments (+1 oder -1) horizontal gap score: Wert der linken Zelle + gap score (-1) vertical gap score: Wert der oberen Zelle + gap score (-1) ordne der Zelle das Maximum dieser 3 Werte zu. Der Pointer zeigt in Richtung des maximalen Scores. C O E L A C A N T H max(-1, -2, -2) = -1 P max(-2, -2, -3) = -2 (Pointer soll bei gleichen Werte immer in eine bestimmte Richtung zeigen, z.b. entlang der Diagonalen. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 24

25 Needleman-Wunsch Algorithmus: Trace-back Trace-back ergibt das Alignment aus der Matrix. Starte in Ecke rechts unten und folge den Pfeilen bis in die Ecke links oben. COELACANTH C O E L A C A N T H -PELICAN P E L I C A N Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 25

26 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 26 Smith-Waterman-Algorithmus Smith-Waterman ist ein lokaler Alignment-Algorithmus. SW ist eine sehr einfache Modifikation von Needleman-Wunsch. Lediglich 3 Änderungen: die Matrixränder werden auf statt auf ansteigende Gap-Penalties gesetzt. der maximale Wert sinkt nie unter. Pointer werden nur für Werte grösser als eingezeichnet. Trace-back beginnt am grösseten Wert der Matrix und endet bei dem Wert. ELACAN ELICAN N A 2 1 C 1 1 I 1 2 L 1 E P H T N A C A L E O C

27 FASTA Algorithmus Schritt 1 FASTA ist eine heuristische Methode zum Vergleich zweier Zeichenfolgen. Der Algorithmus wurde 1985 von Lipman und Pearson entwickelt und 1988 verbessert. FASTA vergleicht einen Eingabestring gegen eine einzelne Buchstabenfolge. Wenn man eine ganze Datenbank nach Treffern zu einer Eingabesequenz absucht, vergleicht FASTA die Eingabesequenz mit jedem Eintrag der Datenbank. Der Algorithmus nimmt an, dass ein Alignment zweier Sequenzen einen Abschnitt mit absoluter Übereinstimmung enthält und konzentriert sich auf identische Regionen. Dies sind die einzelnen Schritte des FASTA-Algorithmus 1. Wir geben einen ganzzahligen Parameter ktup vor (für k respective tuples), and suchen nach identischen Substrings der Länge ktup in beiden Sequenzen. Die empfohlenen Werte für ktup sind 6 für DNA- und 2 für Proteinsequenzvergleiche. Die passenden Substrings der Länge ktup bezeichnet man als hot spots. Aufeinander folgende hot spots werden entlang der Diagonale der dynamischen Programmierung gefunden Dieser Schritt läßt sich effizient mit einer lookup- oder hash-tabelle durchführen: 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 27

28 Position Sequenz 1 n c s p t a... Sequenz 2 a c s p r k Lookup-Methode Position in Aminosäure Protein A Protein B pos A pos B a 6 6 c k - 11 n 1 - p r - 1 s t 5 Aminosäuren c, s, und p haben den gleichen Offset. So erhält man schnell das mögliche Alignment. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 28

29 FASTA Algorithmus Schritt 2 Finde nun die 1 besten Diagonalläufe der Hot spots in der Matrix. Eine Diagonale ist eine Reihe von benachbarten hot spots auf der gleichen Diagonale (müssen nicht unbedingt auf der Diagonale benachbart sein, d.h. Zwischenräume zwischen den hot spots sind erlaubt). In einem Duchlauf müssen nicht alle hot spots auf der Diagonale liegen und die Diagonale kann mehr als einen der 1 besten Durchläufe enthalten. Um die Diagonalen-Durchläufe zu bewerten gibt FASTA jedem hot spot eine positive Bewertung und den Zwischenräumen zwischen aufeinanderfolgenden hot spots eines Runs eine negative Bewertung, die mit zunehmender Entfernung abnimmt. Dann wird die Summe gebildet. Mit diesem Bewertungsschema findet FASTA die 1 Diagonalläufe mit der höchsten Bewertung. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 29

30 FASTA Algorithmus Schritt 3 Ein Diagonalenlauf bezeichnet ein Paar von alignierten Substrings. Das Alignment setzt sich aus Treffern (hot spots) und Nichttreffern (dazwischen) zusammen. Es enthält jedoch keine Indels, da es aus einer einzigen Diagonalen besteht. Als nächstes bewerten wir die Läufe mit einer Aminosäure- (Nukleotid-) Austauschmatrix und wählen den besten Lauf. Das beste einzelne Teilalignment in diesem Schritt heisst init1. Weiterhin wird eine Filterung durchgefühhrt und alle Diagonalläufe mit relativen geringen Bewertungen gelöscht. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 3

31 FASTA Algorithmus Schritt 4 Bis jetzt wurden keine Indels in den Teilalignments erlaubt. Wir versuchen nun, gute Diagonalläufe aus eng benachbarten Diagonalen zu kombinieren, und erreichen dadurch ein Teilalignment mit Indels. Die gute Teilalignments stammen aus dem vorherigen Schritt (Bewertung > als ein cut-off Wert) und versuchen, sie zu einem einzigen großen Alignment mit hoher Bewertung zu kombinieren, das einige Gaps enthält. Dazu konstruieren wir einen gerichteten, gewichteten Graph, dessen Vertices die Teilalignments aus dem vorherigen Schritt sind. Das Gewicht jedes Vertix entspricht der Bewertung des entsprechenden Teilalignments. Dann verbinden wir Vertex u mit Vertex v falls das Teilalignment von v in einer tieferen Reihe beginnt als es endet. Wir geben dieser Verbindung ein negatives Gewicht, das der Anzahl an zwischen u und v einzufügenden Gaps entspricht. FASTA bestimmt dann in diesem Graphen einen Pfad mit maximalem Gewicht. Dieses ausgewählte Alignment entspricht einem einzelnen lokalen Alignment der beiden Strings. Das beste Alignment in diesem Schritt wird mit initn bezeichnet. Wie im vorherigen Schritt werden Alignments mit relativ geringer Bewertung gelöscht. Dann kommen noch 2 weitere Schritte Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 31

32 FASTA Algorithmus graphisch 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 32

33 BLAST Basic Local Alignment Search Tool Findet das am besten bewertete lokale optimale Alignment einer Testsequenz mit allen Sequenzen einer Datenbank. Sehr schneller Algorithmus, 5 mal schneller als dynamische Programmierung. Kann verwendet werden um sehr grosse Datenbanken zu durchsuchen, da BLAST eine vor-indizierte Datenbank benutzt Ist ausreichend sensititv und selektiv für die meisten Zwecke Ist robust man kann üblicherweise die Default-Parameter verwenden 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 33

34 BLAST Algorithmus, Schritt 1 Für ein gegebenes Wort der Länge w (gewöhnlich 3 für Proteine) und eine gegebene Score-Matrix Erzeuge eine Liste aller Worte (w-mers), die einen Score > T erhalten, wenn man sie mit dem w-mer der Eingabe vergleicht Test Sequenz L N K C K T P Q G Q R L V N Q P Q G 18 P E G 15 P R G 14 P K G 14 P N G 13 P D G 13 P M G 13 Wort benachbarte Wörter unterhalb Schranke (T=13) P Q A 12 P Q N 12 etc. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 34

35 BLAST Algorithmus, Schritt 2 jedes benachbarte Wort ergibt alle Positionen in der Datenbank, in denen es gefunden wird (hit list). P Q G 18 P E G 15 P R G 14 P K G 14 P N G 13 P D G 13 P M G 13 PMG Database 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 35

36 Traditional BLAST programs Search Space Sequence 2 Alignments Gapped alignments Sequence 1 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 36

37 Seeding Sequence 2 Word hits Sequence 1 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 37

38 Neighboorhood for 3-letter words BLOSUM62 PAM2 Word Score Word Score RGD 17 RGD 18 KGD 14 RGE 17 QGD 13 RGN 16 RGE 13 KGD 15 EGD 12 RGQ 15 HGD 12 KGE 14 NGD 12 HGD 13 RGN 12 KGN 13 AGD 11 RAD 13 MGD 11 RGA 13 RAD 11 RGG 13 RGQ 11 RGH 13 RGS 11 RGK 13 RND 11 RGS 13 RSD 11 RGT 13 SGD 11 RSD 13 TGD 11 WGD 13 Choice of cut-off T will affect seeding 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 38

39 Seeding Sequence 2 Isolated words Sequence 1 Word clusters 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 39

40 BLAST Algorithm: Extension Program tries to extend seeds in both directions by adding residue pairs until the added score is smaller than a cut-off. After terminating the extension, the alignment is trimmed back to that with the maximal score. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 4

41 PSI-BLAST Position-Specific Iterated BLAST Entfernte Verwandtschaften lassen sich besser durch Motiv- oder Profil- Suchen entdecken als durch paarweise Vergleiche PSI-BLAST führt zunächst eine BLAST-Suche mit Gaps durch. Das PSI-BLAST Programm verwendet die Information jedes signifikanten Alignments um eine positionsspezifische Substitionsmatrix zu konstruieren, die an Stelle der Eingabesequenz in der nächsten Runde der Datenbank- Suche verwendet wird. PSI-BLAST kann iterativ verwendet werden bis keine neuen signifikanten Alignments mehr gefunden werden. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 41

42 BLAST Input Notwendige Schritte um BLAST einzusetzen (im Zeitalter des Internets!): Wähle einen Webserver (EBI = European Bioinformatics Institute, NCBI = National Center for Biotechnology Information ) gib Testsequenz ein (cut-and-paste) wähle die Nukleotid bzw. Aminosäure-Sequenzdatenbank, die durchsucht werden soll wähle Parameter um Output zu steuern (Zahl der Sequenzen ) wähle Parameter für das Alignment (z.b. Austauschmatrix, Filter,.) Testsequenz = MAFIWLLSCYALLGTTFGCGVNAIHPVLTGLSKIVNGEEAVPGTWPWQVTLQDRSGFHF CGGSLISEDWVVTAAHCGVRTSEILIAGEFDQGSDEDNIQVLRIAKVFKQPKYSILTVNND ITLLKLASPARYSQTISAVCLPSVDDDAGSLCATTGWGRTKYNANKSPDKLERAALPLLT NAECKRSWGRRLTDVMICGAASGVSSCMGDSGGPLVCQKDGAYTLVAIVSWASDTCS ASS GGVYAKVTKIIPWVQKILSSN 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 42

43 BLAST Output (1) 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 43

44 BLAST Output (2) Kleine Wahrscheinlichkeit deutet an, dass der Treffer wohl nicht zufällig zustande kam. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 44

45 BLAST Output (3) Niedrige Scores mit hohen Wahrscheinlickeiten deuten an, dass dies wohl keine guten Treffer sind. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 45

46 Bedeutung des Alignments in BLAST P-Wert (Wahrscheinlichkeit) Gibt die Wahrscheinlichkeit an, mit der der Score eines Alignments zufällig zustande kommen kann. Je näher P bei Null liegt, desto grösser die Sicherheit, dass ein gefundener Treffer ein richtiger Treffer (homologe Sequenz) ist. E-Wert (Erwartungswert) E = P * Anzahl der Sequenzen in Datenbank E entspricht der Anzahl an Alignments eines bestimmten Scores, die man zufällig in einer Sequenz-Datenbank dieser Grösse erwartet (wird z.b. für ein Sequenzalignment E=1 angegeben, erwartet man 1 zufällige Treffer mit dem gleichen Score). Dieses Alignment ist also nicht signifikant. Treffer werden in BLAST nur ausgegeben, wenn der E-Wert unterhalb einer Schranke liegt. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 46

47 Grobe Anhaltspunkte P-Wert (Wahrscheinlichkeit) A. M. Lesk P 1-1 genaue Übereinstimmung P zwischen 1-1 und 1-5 nahezu identische Sequenzen, zum Beispiel Allele oder SNPs P zwischen 1-5 und 1-1 eng verwandte Sequenzen, Homologie gesichert P zwischen 1-1 und 1-1 in der Regel entfernte Verwandte P > 1-1 Ähnlichkeit vermutlich nicht signifikant E-Wert (Erwartungswert) E,2 E zwischen,2 und 1 E 1 Sequenzen vermutlich homolog Homologie ist nicht auszuschliessen man muss damit rechnen, dass diese gute Übereinstimmung Zufall ist. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 47

48 Traditional BLAST programs Program Database Query Typical uses BLASTN Nucleotide Nucleotide Mapping oligonucleotides, cdnas and PCR products to a genome, screening repetitive elements; cross-species sequence exploration; annotating genomic DNA; clustering sequencing reads BLASTP Protein Protein Identifying common regions between proteins; collecting related proteins for phylogenetic analyses BLASTX Protein Nucleotide Finding protein-coding genes in genomic DNA; determining translated into if a cdna corresponds to a known protein protein TBLASTN Nucleotide Protein Identifying transcripts, potentially from multiple organisms, translated similar to a given protein; mapping a protein to genomic DNA into protein TBLAST Nucleotide Nucleotide Cross-species gene prediction at the genome or transcript translated into translated into level; searching for genes missed by traditional methods protein protein or not yet in protein databases 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 48

49 BLAST Output (4) 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 49

50 BLAST Output (5) 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 5

51 BLAST Output (6) Although good content of identical and positive positions, both hits have high E-values due to their short length. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 51

52 Tips für den Einsatz von BLAST Verwende nicht stur die Standardparameter You get what you look for. Führe Kontrollen durch, besonders in der twilight zone. z.b. Schüttle die Sequenz durcheinander und wiederhole die Suche. Falls die variierte Sequenz ähnliche Ergebnisse liefert, beruht das Alignment auf einer systematischen Verfälschung, oder die Parameter sind nicht empfindlich genug gewählt Setze Komplexitätsfilter ein wenn erforderlich. Maskiere Repeats in genomischer DNA. Teile große Genomsequenzen in Stücke auf um die Suche zu beschleunigen. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 52

53 Tips für den Einsatz von BLAST Sei skeptisch gegenüber hypothetischen Proteinen. Erwarte Verunreinigungen in EST Datenbanken. In der Theorie sind ESTs Sequenzierungs-reads von cdna, cdna wird von mrna erhalten und die mrnas stammen direkt von den Genen. Allerdings entsprechen ESTs oft keinen Genen, sondern gehöhren zu Exons bzw. UTRs, dem Überlappteil eines Repeats Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 53

54 Zusammenfassung Paarweises Sequenzalignment ist heute Routine, aber nicht trivial. Mit dynamischer Programmierung (z.b. Smith-Waterman) findet man garantiert das Alignment mit optimaler Bewertung. Vorsicht: die Bewertungsfunktion ist nur ein Modell der biologischen Evolution. FASTA ist erheblich schneller als dynamische Programmierung. Am schnellsten ist BLAST und seine Derivate. Beide geben sehr robuste und brauchbare Ergebnisse für Proteinsequenzen. FASTA ist für Nukleotidsequenzen zuverlässiger. Multiple Sequenzalignments sind in der Lage, entferntere Ähnlichkeiten aufzuspüren und bieten ein besseres funktionelles Verständnis von Sequenzen und ihren Beziehungen Kommt nächste Woche dran. 2. Vorlesung WS 24/5 Softwarewerkzeuge der Bioinformatik 54