序列比對(duì)（序列比對(duì)）

簡(jiǎn)介

序列比對(duì)

將兩個(gè)或多個(gè)序列排列在一起，表明其相似之處。序列中可以插入間隔（通常用短橫線“-”表示）。對(duì)應(yīng)的相同或相似的符號(hào)（在核酸中是A,T（或U）,C,G，在蛋白質(zhì)中是氨基酸殘基的單字母表示）排列在同一列上。

這一方法常用于研究由共同祖先進(jìn)化而來的序列，特別是如蛋白質(zhì)序列或DNA序列等生物序列。在比對(duì)中，錯(cuò)配與突變相應(yīng)，而空位與插入或缺失對(duì)應(yīng)。序列比對(duì)還可用于語言進(jìn)化或文本間相似性之類的研究。

術(shù)語“序列比對(duì)”也指構(gòu)建上述比對(duì)或在潛在的不相關(guān)序列的數(shù)據(jù)庫(kù)中尋找significantalignments。

統(tǒng)計(jì)檢驗(yàn)

序列比對(duì)實(shí)際上是根據(jù)特定數(shù)學(xué)模型找出序列之間最大匹配殘基數(shù)。而序列比對(duì)數(shù)學(xué)模型一般用來描述序列中每一個(gè)子字符串之間的匹配情況。通過改變某些參數(shù)可以得到不同比對(duì)結(jié)果，例如空位法分值大小。此外，序列長(zhǎng)度差異和字母表復(fù)雜度也會(huì)影響比對(duì)結(jié)果。合理調(diào)節(jié)參數(shù)，會(huì)減少空位數(shù)目，得到較好的結(jié)果，而放寬對(duì)空位罰分的限制，理論上任意序列都可以得到某個(gè)對(duì)比結(jié)果。因此序列比對(duì)的結(jié)果并不能作為兩者之間一定存在同源關(guān)系的依據(jù)。

常用序列比對(duì)程序通常給出一些統(tǒng)計(jì)值??，用來表示結(jié)果的可信度。BLAST程序中使用的統(tǒng)計(jì)值由概率p和期望值e。概率p表示比對(duì)結(jié)果得到的分?jǐn)?shù)值的可信度。一般來說，p越接近于0，則比對(duì)結(jié)果的可信度越大。期望值e描述搜索某一特定數(shù)據(jù)庫(kù)時(shí)，隨機(jī)出現(xiàn)的匹配序列數(shù)目。

雙序列比對(duì)

序列比對(duì)的理論基礎(chǔ)是進(jìn)化學(xué)說，如果兩個(gè)序列之間具有足夠的相似性，就推測(cè)二者可能有共同的進(jìn)化祖先，經(jīng)過序列內(nèi)殘基的替換、殘基或序列片段的缺失、以及序列重組等遺傳變異過程分別演化而來。序列相似和序列同源是不同的概念，序列之間的相似程度是可以量化的參數(shù)，而序列是否同源需要有進(jìn)化事實(shí)的驗(yàn)證。在殘基－殘基比對(duì)中，可以明顯看到序列中某些氨基酸殘基比其它位置上的殘基更保守，這些信息揭示了這些保守位點(diǎn)上的殘基對(duì)蛋白質(zhì)的結(jié)構(gòu)和功能是至關(guān)重要的，例如它們可能是酶的活性位點(diǎn)殘基，形成二硫鍵的半胱氨酸殘基，與配體結(jié)合部位的殘基，與金屬離子結(jié)合的殘基，形成特定結(jié)構(gòu)motif的殘基等等。但并不是所有保守的殘基都一定是結(jié)構(gòu)功能重要的，可能它們只是由于歷史的原因被保留下來，而不是由于進(jìn)化壓力而保留下來。因此，如果兩個(gè)序列有顯著的保守性，要確定二者具有共同的進(jìn)化歷史，進(jìn)而認(rèn)為二者有近似的結(jié)構(gòu)和功能還需要更多實(shí)驗(yàn)和信息的支持。通過大量實(shí)驗(yàn)和序列比對(duì)的分析，一般認(rèn)為蛋白質(zhì)的結(jié)構(gòu)和功能比序列具有更大的保守性，因此粗略地說，如果序列之間的相似性超過30%，它們就很可能是同源的。

全局比對(duì)

全局比對(duì)是指將參與比對(duì)的兩條序列里面的所有字符進(jìn)行比對(duì)。全局比對(duì)主要被用來尋找關(guān)系密切的序列。由于這些序列也都很易通過本地比對(duì)方法找到，現(xiàn)在全局比對(duì)也有些被認(rèn)為只是一種技巧。另外，全局比對(duì)在應(yīng)用于分子進(jìn)化時(shí)也有些問題（比如domainShuffling-見下)，這也限制了這種方法的可用性。

局部比對(duì)

1981年，由F.Smith和M.Waterman首次提出局部比對(duì)算法，動(dòng)態(tài)規(guī)劃方法通過較少的改動(dòng)便可以用來識(shí)別匹配的子序列，并且忽略匹配區(qū)域之前或之后的失配和空位；局部比對(duì)時(shí)，表中小于零的位置用零代替。主要用來考察兩序列的某些特殊片段。

運(yùn)算過程

全局比對(duì)是從頭到尾全程比較，考慮序列的整體相似性。全局多序列比對(duì)可以鑒別或證明新序列與已有序列家族的同源性；幫助預(yù)測(cè)新蛋白質(zhì)序列的二級(jí)和三級(jí)結(jié)構(gòu)；是進(jìn)行分子進(jìn)化分析的重要前提。局部比對(duì)考慮序列部分區(qū)域的相似性。局部比對(duì)的生物學(xué)基礎(chǔ)是：蛋白質(zhì)功能位點(diǎn)由較短的序列片斷組成，盡管在序列的其它部位可能有插入、刪除或突變，但是這些序列片斷具有相當(dāng)大的保守性。此時(shí)，局部比對(duì)往往比全局比對(duì)具有更高的靈敏度，其結(jié)果更具有生物意義。局部多序列比對(duì)可以用來刻畫蛋白質(zhì)家族和超家族。

重要性

生物信息學(xué)的研究重點(diǎn)主要體現(xiàn)在基因組學(xué)和蛋白質(zhì)學(xué)兩方面，具體地說就是從核酸和蛋白質(zhì)序列出發(fā),分析序列中表達(dá)結(jié)構(gòu)和功能的生物信息。生物信息學(xué)的基本任務(wù)是對(duì)各種生物分析序列進(jìn)行分析,也就是研究新的計(jì)算機(jī)方法,從大量的序列信息中獲取基因結(jié)構(gòu)、功能和進(jìn)化等知識(shí)。而在序列分析中,將未知序列同已知序列進(jìn)行相似性比較是一種強(qiáng)有力的研究手段，從序列的片段測(cè)定,拼接,基因的表達(dá)分析,到RNA和蛋白質(zhì)的結(jié)構(gòu)功能預(yù)測(cè)。物種親緣樹的構(gòu)建都需要進(jìn)行生物分子序列的相似性比較。生物信息學(xué)中的序列比對(duì)算法的研究具有非常重要的理論意義和實(shí)踐意義。

多序列比對(duì)

為了便于描述，操作者對(duì)多序列比對(duì)過程給出下面的定義。把多序列比對(duì)看作一張二維表，表中每一行代表一個(gè)序列，每一列代表一個(gè)殘基的位置。將序列依照下列規(guī)則填入表中：（a）一個(gè)序列所有殘基的相對(duì)位置保持不變；（b）將不同序列間相同或相似的殘基放入同一列，即盡可能將序列間相同或相似殘基上下對(duì)齊（表1）。操作者稱比對(duì)前序列中殘基的位置為絕對(duì)位置。如序列Ⅰ的第3位的殘基是甘氨酸G，則絕對(duì)位置Ⅰ3就是甘氨酸，而不能變成任何其它氨基酸。相應(yīng)地，操作者稱比對(duì)后序列中殘基的位置為相對(duì)位置。顯然，同一列中所有殘基的相對(duì)位置相同，而每個(gè)殘基的絕對(duì)位置不同，因?yàn)樗鼈儊碜圆煌男蛄小Ｐ枰f明的是，絕對(duì)位置是序列本身固有的屬性，或者說是比對(duì)前的位置，而相對(duì)位置則是經(jīng)過比對(duì)后的位置，也就比對(duì)過程賦予它的屬性。

表1多序列比對(duì)的定義，表示五個(gè)短序列（I-V）的比對(duì)結(jié)果。通過插入空位，使5個(gè)序列中大多數(shù)相同或相似殘基放入同一列，并保持每個(gè)序列殘基順序不變。

多序列比較對(duì)的算法復(fù)雜性

多序列比對(duì)的計(jì)算量相當(dāng)可觀，因此有必要分析以下技術(shù)的復(fù)雜性。雙序列比對(duì)所需要的計(jì)算時(shí)間和內(nèi)存空間與這兩個(gè)序列的長(zhǎng)度有關(guān)，或者說正比于這兩個(gè)序列長(zhǎng)度的乘積，用O（m1m2）表示。其中m1、m2是指兩條序列的長(zhǎng)度。三序列比對(duì)則可以理解為將雙序列比對(duì)的兩維空間擴(kuò)展到三維，即在原有二維平面上增加一條坐標(biāo)軸。這樣算法復(fù)雜性就變成了O（m1m2m3），其中m3表示第三條序列的長(zhǎng)度。

隨著序列數(shù)量的增加，算法復(fù)雜性也不斷增加。操作者用O（m1m2m3…mn）表示對(duì)n個(gè)序列進(jìn)行比對(duì)時(shí)的算法復(fù)雜性，其中mn是最后一條序列的長(zhǎng)度。若序列長(zhǎng)度相差不大，則可簡(jiǎn)化成O（mn），其中n表示序列的數(shù)目，m表示序列的長(zhǎng)度。顯然，隨著序列數(shù)量的增加，序列比對(duì)的算法復(fù)雜性按指數(shù)規(guī)律增長(zhǎng)。

降低算法復(fù)雜性，是研究多序列比對(duì)的一個(gè)重要方面。為此，產(chǎn)生了不少很有實(shí)用意義的多序列比對(duì)算法。這些方法的特點(diǎn)是利用啟發(fā)式（Heuristics）算法降低算法復(fù)雜性，以獲得一個(gè)較為滿意但并不一定是最優(yōu)的比對(duì)結(jié)果，用來找出子序列、構(gòu)建進(jìn)化樹、查找保守序列或序列模板，以及進(jìn)行聚類（clustering）分析等。有的算法將動(dòng)態(tài)規(guī)劃和啟發(fā)性算法結(jié)合起來。例如，對(duì)所有的序列進(jìn)行兩兩比對(duì)，將所有的序列與某個(gè)特定的序列進(jìn)行比對(duì)，根據(jù)某種給定的親源樹進(jìn)行分組比對(duì)，等等。必須指出，上述方法求得的結(jié)果通常不是最優(yōu)解，至少需要經(jīng)過n-1次雙序列比對(duì)，其中n為參與比對(duì)的序列個(gè)數(shù)。

多序列比對(duì)方法

下面介紹比對(duì)采用的幾種常用方法。

手工比對(duì)方法

手工比對(duì)方法在文獻(xiàn)中經(jīng)?？吹?。因?yàn)殡y免加入一些主觀因素，手工比對(duì)通常被認(rèn)為有很大的隨意性。其實(shí)，即使用計(jì)算機(jī)程序進(jìn)行自動(dòng)比對(duì)，所得結(jié)果中的片面性也不能予以忽視。在運(yùn)行經(jīng)過測(cè)試并具有比較高的可信度的計(jì)算機(jī)程序基礎(chǔ)上，結(jié)合實(shí)驗(yàn)結(jié)果或文獻(xiàn)資料，對(duì)多序列比對(duì)結(jié)果進(jìn)行手工修飾，應(yīng)該說是非常必要的。

多序列比對(duì)的軟件已經(jīng)有許多，其中一些帶有編輯程序。最好的辦法是將自動(dòng)比對(duì)程序和編輯器整合在一起。為了便于進(jìn)行交互式手工比對(duì)，通常使用不同顏色表示具有不同特性的殘基，以幫助判別序列之間的相似性。顏色的選擇十分重要，如果使用不當(dāng)，看起來不很直觀，就會(huì)使比對(duì)結(jié)果中一些有用的信息丟失。相反，如果選擇得當(dāng)，就能從序列比對(duì)結(jié)果中迅速找到某些重要的結(jié)構(gòu)模式和功能位點(diǎn)。例如，如果用某種顏色表示一組高度保守的殘基，則某個(gè)序列的某一位點(diǎn)發(fā)生突變時(shí)，則由于顏色不同，就可以很快找出。顏色的選擇可以根據(jù)主觀愿望和喜好，但最好和常規(guī)方法一致。用來構(gòu)筑三維模型的按時(shí)氨基酸殘基組件和三維分子圖形軟件所用的顏色分類方法，比較容易為大家接受（表2）。

表2氨基酸分組方法和代表性顏色

*表中采用的分組方法和用來區(qū)分不同組別的顏色與模型構(gòu)件和三維圖形軟件中所用方法一致。

多序列比對(duì)程序的另一個(gè)重要用途是定量估計(jì)序列間的關(guān)系，并由此推斷它們?cè)谶M(jìn)化中的親緣關(guān)系?？梢酝ㄟ^計(jì)算完全匹配的殘基數(shù)目或計(jì)算完全匹配殘基和相似殘基的數(shù)目得到這種定量關(guān)系。這一方法除了可以大略了解序列間的親緣關(guān)系外，也可用來評(píng)估比對(duì)質(zhì)量。如果序列的相似性值低于預(yù)料值，那么有可能是序列間親緣關(guān)系較遠(yuǎn)，也可能是比對(duì)中有錯(cuò)誤之處。

現(xiàn)有的軟件包用的基本上是可用鼠標(biāo)點(diǎn)擊的窗口界面，其中序列編輯器位于窗口中央。這樣的軟件包將在以后章節(jié)中詳細(xì)介紹。

使用這些軟件操作者將會(huì)看到，那些長(zhǎng)度相仿且相似性程度較高的序列，采用自動(dòng)比對(duì)方法將會(huì)得到相當(dāng)滿意的結(jié)果；而當(dāng)序列長(zhǎng)度相差較大而相似性程度較低時(shí)，采用自動(dòng)方法得出的結(jié)果則不很理想。此時(shí)，手工序列編輯器就接顯得十分有用。通過手工調(diào)整，可使結(jié)果變得接近實(shí)際。此外，采用多種不同的方法進(jìn)行分析，再將結(jié)果綜合，是一種行之有效的方法。為更好地理解多序列比對(duì)的原理和規(guī)則，應(yīng)該盡可能學(xué)會(huì)手工比對(duì)的方法，并把比對(duì)結(jié)果與計(jì)算機(jī)自動(dòng)比對(duì)得到的結(jié)果加以比較。

同步法

同步法實(shí)質(zhì)是把給定的所有序列同時(shí)進(jìn)行比對(duì)，而不是兩兩比對(duì)或分組進(jìn)行比對(duì)。其基本思想是將一個(gè)二維的動(dòng)態(tài)規(guī)劃矩陣擴(kuò)展到三維或多維。矩陣的維數(shù)反映了參與比對(duì)的序列數(shù)。這類方法對(duì)于計(jì)算機(jī)的系統(tǒng)資源要求較高，通常是進(jìn)行少量的較短的序列的比對(duì)。

步進(jìn)法

這類方法中最常用的就是Clustal，它是由Feng和Doolittle于1987年提出的（Feng和Doolittle，1987）。由于對(duì)于實(shí)際的數(shù)據(jù)利用多維的動(dòng)態(tài)規(guī)劃矩陣來進(jìn)行序列的比對(duì)不太現(xiàn)實(shí)，因此大多數(shù)實(shí)用的多序列比對(duì)程序采用啟發(fā)式算法，以降低運(yùn)算復(fù)雜度。Clustal的基本思想是基于相似序列通常具有進(jìn)化相關(guān)性這一假設(shè)。比對(duì)過程中，先對(duì)所有的序列進(jìn)行兩兩比對(duì)并計(jì)算它們的相似性分?jǐn)?shù)值，然后根據(jù)相似性分?jǐn)?shù)值將它們分成若干組，并在每組之間進(jìn)行比對(duì)，計(jì)算相似性分?jǐn)?shù)值。根據(jù)相似性分?jǐn)?shù)值繼續(xù)分組比對(duì)，直到得到最終比對(duì)結(jié)果。比對(duì)過程中，相似性程度較高的序列先進(jìn)行比對(duì)，而距離較遠(yuǎn)的序列添加在后面。作為程序的一部分，Clusal可以輸出用于構(gòu)建進(jìn)化樹的數(shù)據(jù)。

Clustal程序有許多版本，CLUSTALW（Thompson等，1994），根據(jù)對(duì)親緣關(guān)系較近的序列間空位情況，確定如何在親緣關(guān)系較遠(yuǎn)的序列之間插入空位。同樣，相似性較高的序列比對(duì)結(jié)果中的殘基突變信息，可用于改變某個(gè)特殊位置空位罰分值的大小，推測(cè)該位點(diǎn)的序列變異性。

Clustal是免費(fèi)軟件，很容易從互聯(lián)網(wǎng)上下載，和其它軟件一起，廣泛用于序列分析。Clustal所支持的數(shù)據(jù)格式包括EMBL/SwissProt、NBRF/PIR、Pearson/FastA、GCG/MSF，以及Clustal本身定義的格式。它的輸出格式可以是Clustal格式，也可以是可用于GDE、Phylip、GCG等軟件的格式。

主條目：多重序列比對(duì)

多序列比對(duì)是成對(duì)比對(duì)的延伸，是為了在一次比對(duì)里面處理多于兩條的的序列。多序列比對(duì)方法試圖比對(duì)一個(gè)指定序列集合里面的所有序列，這可以幫助確定這些序列的共同區(qū)段。進(jìn)行多序列比對(duì)有幾種方法，最常用的一種是Clustal程序集，它使用漸進(jìn)多序列比對(duì)算法。Clustal在cladistics中被用來建立進(jìn)化樹，在PSI-BLAST和HiddenMarkovmodel-(HMM-)中用來建立序列檔案以在序列數(shù)據(jù)庫(kù)中搜索更遠(yuǎn)的同源序列。

多序列比對(duì)編程實(shí)現(xiàn)困難。被歸為NP難題的一種。

算法

實(shí)際操作中利用計(jì)算機(jī)程序?qū)崿F(xiàn)序列比對(duì)的基本算法。序列比對(duì)不僅需要考慮子序列之間的匹配，而且需要對(duì)整個(gè)序列進(jìn)行比較。也就是說，必須考慮兩個(gè)序列中所有殘基的匹配。這就意味著，不可能使所有殘基都能嚴(yán)格匹配。在這種情況下，序列比對(duì)中確定空位的過程變得十分復(fù)雜。

在進(jìn)行序列兩兩比對(duì)時(shí)，有兩方面問題直接影響相似性分值：取代矩陣和空位罰分。

取代矩陣

粗糙的比對(duì)方法僅僅用相同/不同來描述兩個(gè)殘基的關(guān)系，顯然這種方法無法描述殘基取代對(duì)結(jié)構(gòu)和功能的不同影響效果，纈氨酸對(duì)異亮氨酸的取代與谷氨酸對(duì)異亮氨酸的取代應(yīng)該給予不同的打分。因此如果用一個(gè)取代矩陣??來描述氨基酸殘基兩兩取代的分值會(huì)大大提高比對(duì)的敏感性和生物學(xué)意義。雖然針對(duì)不同的研究目標(biāo)和對(duì)象應(yīng)該構(gòu)建適宜的取代矩陣，但國(guó)際上常用的取代矩陣有PAM和BLOSUM等，它們來源于不同的構(gòu)建方法和不同的參數(shù)選擇，包括PAM250、BLOSUM62、BLOSUM90、BLOSUM30等。對(duì)于不同的對(duì)象可以采用不同的取代矩陣以獲得更多信息，例如對(duì)同源性較高的序列可以采用BLOSUM90矩陣，而對(duì)同源性較低的序列可采用BLOSUM30矩陣。

空位罰分

空位罰分是為了補(bǔ)償插入和缺失對(duì)序列相似性的影響，由于沒有什么合適的理論模型能很好地描述空位??問題，因此空位罰分缺乏理論依據(jù)而更多的帶有主觀特色。一般的處理方法是用兩個(gè)罰分值，一個(gè)對(duì)插入的第一個(gè)空位罰分，如10－15；另一個(gè)對(duì)空位的延伸罰分，如1－2。對(duì)于具體的比對(duì)問題，采用不同的罰分方法會(huì)取得不同的效果。

對(duì)于比對(duì)計(jì)算產(chǎn)生的分值，到底多大才能說明兩個(gè)序列是同源的，對(duì)此有統(tǒng)計(jì)學(xué)方法加以說明，主要的思想是把具有相同長(zhǎng)度的隨機(jī)序列進(jìn)行比對(duì)，把分值與最初的比對(duì)分值相比，看看比對(duì)結(jié)果是否具有顯著性。相關(guān)的參數(shù)E代表隨機(jī)比對(duì)分值不低于實(shí)際比對(duì)分值的概率。對(duì)于嚴(yán)格的比對(duì)，必須E值低于一定閾值才能說明比對(duì)的結(jié)果具有足夠的統(tǒng)計(jì)學(xué)顯著性，這樣就排除了由于偶然的因素產(chǎn)生高比對(duì)得分的可能。