MBI: Sequenz-Vergleich mit Alignment

Transkript

1 MBI: Sequenz-Vergleich mit Alignment Bernhard Haubold 28. Oktober 2014

2 Wiederholung: Was ist Bioinformatik? Historische Übersicht; CABIOS Bioinformatics Gemeinsames Thema: Information in vivo DNA Epigenetik RNA (Protein) in silico Algorithmen & Datenstrukturen Datenbanken

3 Nachtrag: Sequenzvergleich : Sequenzvergleich mit Alignment : Exakte Textsuche + Übung 16: : Sequenzvergleich ohne Alignment + Übung 16: : Evolution von DNA-Sequenzen + Übung 16: : Anwendungen 2. Dezember: Epigenetik + Übung 16:30

4 Nachtrag: M. genitalium: Annotationen? grep [0-9]\.\.[0-9] l43967.gbk awk {print $1} sort uniq -c sort -n 1 misc_feature 1 source 2 variation 3 rrna 4 misc_rna 36 trna 476 CDS 525 gene

5 Nachteil: M. genitalium: Protein-codierend? cchar l43967.fasta # Total number of input characters: grep CDS l43967.gbk sed -E s/\.\./\t/;s/complement//;s/\)//;s/\(// awk {s+=$3-$2+1}end{print s/580076} 0.91

6 Nachtrag: Kursstruktur Einführung Bernhard Haubold Plön DNA & Epigenetik Bernhard Haubold Plön RNA Kurt Fellenberg Borstel Datenbanken Steffen Möller Lübeck

7 Übersicht: Alignment Scoring DNA Protein Algorithmus: Optimal Global Lokal Varianten Multiples Alignment Schnelles globales Alignment: MUMmer Schnelles lokales Alignment: BLAST

8 Was ist ein Alignment? Betrachte zwei Sequenzen,AACGT undaccgtt; sechs der 3653 möglichen globalen Alignments sind: AACGT- -AACGT A-ACGT AACGT---- AA-CGT- -A-A-C-G-T- ACCGTT ACCGTT ACCGTT ---ACCGTT A-CCGTT A-C-C-G-T-T Alle gleich sinnvoll?

9 Biologische Interpretation Schreibe homologe Merkmale übereinander AACGT- -AACGT A-ACGT AACGT---- AA-CGT- -A-A-C-G-T- ACCGTT ACCGTT ACCGTT ---ACCGTT A-CCGTT A-C-C-G-T-T Ziel: Ähnlichkeit maximieren Evol. Schritte minimieren

10 Warum Alignieren? Ähnliche Sequenzen haben ähnliche Funktion

11 Arten von Alignment Global Local

12 Alignments Scoren Alphabet DNA: Match/Mismatch; z. B. match = 1; mmatch = 1 Protein: Substitutionsmatrix Gap Öffnen g o ; z. B. g o = 2 Erweitern: g e ; e.g. g e = 1 Affine Gap-Kosten: g = g o + g e l AA-GTT AACGTT

13 Substitutionsmatrix: BLOSUM62 A R N D C Q E G H I L K M F P S T W Y V A R N D C Q E G H I L K M F P S T W Y V

14 Zahl der Alignments Drei mögliche Enden eines Alignments N - N N - N Rekursion: f(m, n) = f(m 1, n)+f(m 1, n 1)+f(m, n 1) Stop-Bedingung: f(m, 0) = f(0, n) = f(0, 0) = 1

15 Rekursion: Top Down f(m, n) = f(m 1, n)+f(m 1, n 1)+f(m, n 1) f(m, 0) = f(0, n) = f(0, 0) = 1 f(2, 3)?

16 Top-Down Rekursion Visualisieren f(2, 3) f(1, 3) f(1, 2) f(2, 2) f(0, 3) f(0, 2) f(1, 2) f(0, 2) f(0, 1) f(1, 1) f(1, 2) f(1, 1) f(2, 1) f(0, 2) f(0, 1) f(1, 1) f(0, 1) f(0, 0) f(1, 0) f(0, 2) f(0, 1) f(1, 1) f(0, 1) f(0, 0) f(1, 0) f(1, 1) f(1, 0) f(2, 0) f(0, 1) f(0, 0) f(1, 0) f(0, 1) f(0, 0) f(1, 0) f(0, 1) f(0, 0) f(1, 0) Software demo: numal -t -m 2 -n 3,numAl -t -m 13 -n 13

17 Bottom Up Start Initialisieren Ausfüllen Software demo: numal -m 2 -n 3,numAl -m 100 -n 100

18 Geschlossene Formel? f(2, 3) f(1, 3) f(1, 2) f(2, 2) f(0, 3) f(0, 2) f(1, 2) f(0, 2) f(0, 1) f(1, 1) f(1, 2) f(1, 1) f(2, 1) f(0, 2) f(0, 1) f(1, 1) f(0, 1) f(0, 0) f(1, 0) f(0, 2) f(0, 1) f(1, 1) f(0, 1) f(0, 0) f(1, 0) f(1, 1) f(1, 0) f(2, 0) f(0, 1) f(0, 0) f(1, 0) f(0, 1) f(0, 0) f(1, 0) f(0, 1) f(0, 0) f(1, 0) f(n, n)?

19 Geschlossene Formel lim f(n, n) n ( 1+ 2 n ) 2n+1 The proof is lengthy and omitted here (Waterman (1995). Introduction to Computational Biology, p. 187)

20 Geschichte Jahr Autoren Algorithm 1970 Needleman & Wunsch optimal: global 1981 Smith & Waterman optimal: local 1988 Pearson & Lipman heuristisch: FASTA 1990 Altshul et al. heuristisch: BLAST 1997 Altshul et al. heuristisch: gapped BLAST

21 Dynamisches Programmieren Algorithmus 1. Initialisierung 2. Rekursion: Zwischenergebnis n+1 = f (Zwischenergebnis n ) 3. Trace Back: Lösung Pfad durch Programmiermatrix

22 Globales Alignment, Initialisation Scoringschema: match = 1, mismatch = 1, gap_oeffnen = 0, gap_erweitern = 1. F(i, j) A C C G T T A 1-1 G 2-2 T 3-3 T 4-4 A 5-5 C 6-6

23 Ausfüllen Schoreschema: match = 1, mismatch = 1, gap_oeffnen = 0, gap_erweitern = 1. F(i, j) A C C G T T ց A 1-1 G 2-2 T 3-3 T 4-4 A 5-5 C 6-6

24 Ausgefüllte DP Matrix Scoreschema: match = 1, mismatch = 1, gap_oeffnen = 0, gap_erweitern = 1. F(i, j) A C C G T T A G T T A C

25 Traceback Scoreschema: match = 1, mismatch = 1, gap_oeffnen = 0, gap_erweitern = 1. F(i, j) A C C G T T A G T T A C

26 Software Demo bioinformer

27 Rekursion für globales Alignment F(i, 0) = F(0, i) = i g F(i 1, j)+g F(i, j) = max F(i 1, j 1)+s(i, j) F(i, j 1)+g Traceback: Von der unteren rechten Zelle bis zur oberen linken.

28 Rekursion für lokales Alignment F(i, 0) = F(0, i) = 0 F(i 1, j)+g F(i 1, j 1)+s(i, j) F(i, j) = max F(i, j 1)+g 0 Traceback: Vom Maximum bis Null Bemerke: Diese Rekursion funktioniert nur, wenn der Score für ein zufälliges Paar von Nukleotiden < 0.

29 Software Demo bioinformer

30 Eindeutigkeit? > 1 co-optimale Pfade durch Programmiermatrix bei lokalen Alignments: > 1 Startpunkte in Programmiermatrix

31 Raum- & Zeitbedarf Zeit Raum O(m n) O(m n)

32 Score in Linearem Raum A B C D Zeit Raum O(m n) O(m); m = min(m, n)

33 Optimales Multiples Alignment N A V DPQV AG N A V G A D P Q V

34 Paarweises Alignieren von Alignments Betrachte zwei Alignments; A T A - Sie können auf drei verschiedene Weisen aligniert werden: A A- -A A A- -A T -T T Was ist der Score?

35 Paarsummen-Score Score einer Spalte im multiplen Alignment ist die Summe der paarweisen Scores Beispiel: Match = 1, Mismatch = -1, Gap = -1; Score von A A - - ist = 3. Alignment zweier ignoriert bei der Scoreberechnung. Keine Spalte aus Gaps.

36 Reihenfolge Reihenfolge der paarweisen Alignments beeinflusst Ergebnis Regel des progressiven Alignments: aligniere zuerst die ähnlichsten Sequenzen

37 Progressives Alignment S1 S2 S3 S4 S5 Paarweise Phase S1 S2 S3 S4 S5 S1 S2 S3 S4 S S2 S3 S1 S5 S2 S3 S1 S5 S4 Multiple Phase S2 S3 S1 S5 S4 Abstand S2 S3 S1 S5 Neue Gap

38 Globales schnelles Alignment: MUMmer Identifiziere alle Maximal Unique Matches (MUMs) MUM: Exakter Match zwischen zwei Genomen, der nicht erweitert werden kann Beispiel G 1 =GGCAATTAGG, G 2 =TGCAATCAGG Finde längste ansteigende Subsequenz von MUMs Fülle die Lücken zwischen den MUMs

39 Sortier-Schritt von MUMmer Genom A Genom B Genom A Genom B

40 Software Demonstration: MUMmer Vergleiche zwei Escherichia coli Stämme K12: 4.6 Mb O157H7: 5.5 Mb mummer -mum -b -c ecoli_k12.fasta ecoli_o157h7.fasta > mummer.mums mummerplot mummer.mums -p mummer.ps -t postscript

41 MUMmer Ergebnis E. coli O157H7 (Mb) E. coli K12 (Mb)

42 BLAST Programme Programm Query Subject (Database) blastn N N blastp P P blastx N P tblastn P N tblastx N N Merke: Proteine sind besser konserviert als Nukleotide.

43 BLAST Algorithmus I Query A B Subject C Subject MSP 1 MSP 2 MSP: Maximal Scoring Pair

44 MSP 1 MSP 2 PAARWEISES ALIGNMENT MULTIPLES ALIGNMENT SCHNELLES ALIGNMENT BLAST Algorithmus II Query A B Subject C Subject query pattern, subject text Query präprozessieren (hauptsächlich) In Subject nach k-mers suchen Ursprünglich (1990) ungapped wie nützlich ist das?

45 Beispiel-Anwendung vonsblast Schneide bei 3.0 Mb 1 kb aus K12 Suche Treffer Wortliste E. coli O157H7 (Mb) E. coli K12 (Mb)

46 Beispiel mit NCBI-BLAST Gapped seit 1997 makeblastdb -in ecoli_o157h7.fasta -out ecoli_o157h7 -dbtype nucl blastn -query ecoli_k12_1.fasta -db ecoli_o157h7 -outfmt 6

47 Literatur Optimales Alignment: Haubold & Wiehe, 2. Kapitel Schnelles Alignment: Haubold & Wiehe, 4. Kapitel Multiples Alignment: Haubold & Wiehe, 5. Kapitel

48 Zusammenfassung Scoring DNA Protein Algorithmus: Optimal Global Lokal Varianten Multiples Alignment: alles paarweise; Paarsummen-Score Schnelles Alignment: Exaktes Matching zur Verkleinerung des Suchraums Global: MUMmer Lokal: BLAST