Ricerca di similarit

1
Ricerca di similarità

• SIMILARITA ??? OMOLOGIA
• OMOLOGIA proprieta di caratteri (sequenze)
  dovuta alla loro derivazione dallo stesso
  antenato comune
• SIMILARITA grado di somiglianza tra 2 sequenze
• La similarita osservata tra due sequenze PUO
  indicare che esse siano omologhe, cioe
  evolutivamente correlate
• La similarita e una proprieta quantitativa, si
  puo misurare
• Lomologia e una proprieta qualitativa
• Percentuale di omologia

2
Omologia e Analogia, Ortologia e
Paralogia OMOLOGIA (ANTENATO COMUNE) ORTOLOGIA
PARALOGIA Processo di speciazione Duplicazi
one genica Descrivo le relazioni tra geni di
una famiglia intraorganismo (paralogia) o tra
diversi organismi (ortologia)
3
(No Transcript)
4

• MATRICI PAM
• (Dayhoff et al. 1978)
• PAM Point Accepted Mutation
• Matrici compilate in base allanalisi delle
  sostituzioni osservate in un dataset costituito
  da diversi gruppi di sequenze di proteine
  omologhe
• 1572 sostituzioni osservate in 71 allineamenti di
  71 gruppi di sequenze altamente simili (85)
• Lalta conservazione tra le sequenze considerate
  rendeva non necessaria la correzione per multiple
  hits (es. A-gtG-gtA o A-gtG-gtN)
• Lanalisi di questi allineamenti ha mostrato che
  diverse sostituzioni amminoacidiche vengono
  osservate con frequenze diverse.

5
MATRICI PAM Le sostituzioni che non influiscono
pesantemente sulla funzione della proteina sono
accettate dalla selezione (Point Accepted
Mutation ? mutazione puntiforme accettata ?
PAM) La frequenza osservata per ciascuna
specifica sostituzione (es. A? N) puo essere
usata per stimare la probabilita della
transizione corrispondente in un allineamento di
proteine omologhe. Le probabilita di tutte le
possibili sostituzioni sono riportate nella
matrice PAM La distanza evolutiva di 1 PAM indica
la probabilita che un residuo muti durante una
distanza evolutiva in cui viene accettata una
mutazione su 100 residui)
6

• MATRICI PAM
• Dopo aver raccolto le frequenze di mutazione
  corrispondenti a 1 PAM, le matrici per distanze
  evolutive superiori possono essere estrapolate
  dalla matrice PAM1 ? matrice PAM250
• Le matrici PAM sono utili quando si comparano
  proteine molto simili.
• E necessario che i programmi per la ricerca di
  similarita siano efficaci anche quando si
  analizzano sequenze non molto conservate.

7

• Matrici BLOSUM
• (Henikoff and Henikoff, 1992)
• Matrici di sostituzione derivate dallanalisi di
  oltre 2000 blocchi di allineamenti multipli di
  sequenze, che riguardavano regioni conservate di
  sequenze correlate.
• Per ridurre il contributo di coppie di
  amminoacidi di proteine altamente correlate,
  gruppi di sequenze molto simili sono state
  trattate come se fossero sequenze singole ed e
  stato calcolato il contributo medio di ciascuna
  posizione.
• Utilizzando diversi cut-off per il raggruppamento
  di sequenze simili si sono ottenute diverse
  matrici BLOSUM.
• BLOSUM62, BLOSUM80,

8
Lutilizzo della matrice di similarita
appropriata per ciascuna analisi e cruciale per
avere buoni risultati.Infatti relazioni
importanti da un punto di vista biologico possono
essere indicate da una significativita
statistica anche molto debole.
9
Allineamento GLOBALE e LOCALEGLOBALE ?
considera la similarita tra due sequenze in
tutta la loro lunghezzaLOCALE ? considera solo
specifiche REGIONI simili tra alcune parti delle
sequenze in analisi
10
Algoritmo di Needleman Wunsch ? allineamento
globaleAlgoritmo di Smith Waterman?
allineamento locale.
11

• Ricerca di similarità
• Tra una sequenza ...
• e
• ...un database di sequenze
• La similarita e una proprieta statistica, che
  si evince dalla comparazione di sequenze A COPPIE
• Ad ogni comparazione si da un punteggio, che
  aumenta con laumentare della similarita
• Si puo discriminare tra matches reali e
  artefatti stimando la probabilita che il match
  osservato venga ottenuto per caso

12

• Ricerca di similarità
• Tra una sequenza e un database di sequenze
• Ovvero, data una sequenza, ci sono cose simili
  nel database? Ovviamente si cerca di recuperare
  informazioni ottenute magari per altre specie o
  altri geni per capire il tratto di DNA che si sta
  studiando.
• Per capire la funzione del gene oppure di fare
  analisi filogenetiche.
• Perché trovare somiglianze?
• ? Ho trovato un nuovo gene o proteina?
• ? Il gene ha somiglianze con qualche altro gene
  nella stessa specie o in altre specie?
• ? Devo trovare le regione di sovrapposizione tra
  sequenze contigue
• ? Voglio studiare levoluzione di popolazioni o
  specie

13
PROGRAMMI PER LA RICERCA DI SIMILARITA FastA
(Lipman and Pearson, 1985) Il primo algoritmo
usato per database similarity searching. Fa uno
scanning del database selzionato e cerca brevi
parole (K-tuples) in comune tra la sequenza in
analisi e sequenze dal database (lunghezza 1 o 2
per aa, fino a 5 per nucleotidi). Tutte le parole
identificate si trovano sulle diagonali di una
immaginaria matrice di comparazione. Le diagonali
che presentano la massima densita di K-tuples
vengono selezionate ed indicano le regioni con la
massima similarita locale. Negli steps
successivi, i punteggi di similarita per
ciascuna regione vengono ricalcolati dopo
linserzione di brevi gaps o sostituzioni,
attraverso lutilizzo della matrice di
similarita appropriata.
14
La diagonale con il punteggio piu alto
rappresenta la regione primaria di similarita.
In seguito, se possibile, eventuali regioni
selezionate in precedenza vengono ricongiunte
alla regione primaria per formare un unio
allineamento. Fase di ottimizzazione. Le
sequenze del database vengono ordinate secondo
punteggi di similarita decrescenti con la
sequEnza in analisi.
15
PROGRAMMI PER LA RICERCA DI SIMILARITA BLAST
Basic Local Alignment Search Tool (Altschul
1990) L algoritmo di BLAST e euristico, ricerca
nel database parole di lunghezza almeno W con
un punteggio di similarita di almeno T una
volta allineate con la sequenza query (HSP,
High Scoring Pairs). Le parole selezionate
vengono estese, se possibile, fino a raggiungere
un punteggio superiore a S oppure un E-value
inferiore al limite specificato. Come si
attribisce il punteggio di similarita ad uno
specifico allineamento ? Come somma dei punteggi
di ciascuna posizione
16

• Il punteggio di un match si calcola utilizzando
  le MATRICI DI SOSTITUZIONE
• Es. BLOSUM 62 matrice 20x20 in cui ad ogni
  possibile identita o sostituzione viene
  assegnato un punteggio che si basa sulle
  frequenze con cui queste si presentano in
  allineamenti di proteine correlate
• Unitary scoring matrix (identity matrix)
• PAM
• Le matrici PAM sono basate su allineamenti
  globali di sequenze strettamente correlate
• PAM1 e la matrice calcolata con sequenze che
  presentano l1 di divergenza. Le altre sono
  estrapolate da PAM1
• BLOSUM
• Le matrici BLOSUM sono basate su allineamenti
  locali.
• BLOSUM 62 calcolata a partire dallallineamento
  di sequenza con almeno il 62 di divergenza
• Tutte le matrici BLOSUM sono basate su
  osservazioni, niente estrapolazione
• PSSM (position-specific scoring matrices)
• http//www.blc.arizona.edu/courses/bioinformatics/
  book_pages/pro-pssms.html

17
Sequenze poco divergenti ? ? ? ? ? molto
divergenti PAM1 BLOSUM62 BLOSUM45
BLOSUM80 PAM120 PAM250
I gaps hanno punteggio negativo. gap penalty
Wab(k-1) a gap opening penalty bk
gap extension fino a lunghezza k
18
La SIGNIFICATIVITA di un allineamento si calcola
come P value o E valueP value e la probabilita
di ottenere un allineamento con punteggio uguale
o migliore di quello osservatoSi calcola
mettendo in relazione il punteggio osservato (S)
con la distribuzione attesa di HSP quando si
comparano sequenze random della stessa lunghezza
e composizione di quella in analisi (query
sequence)Piu il Pvalue e vicino a 0 piu e
significativo2x10-245 e meglio do 0.001 !!!E
value e il numero atteso di allineamenti con
punteggio uguale o migliore di quello
osservatoPiu e basso piu e buono
19
BLAST Peptide Sequence Databases nr All
non-redundant GenBank CDS translationsPDBSwissPr
otPIRPRF month All new or revised
GenBank CDS translationPDBSwissProtPIRPRF
released in the last 30 days. swissprot
Last major release of the SWISS-PROT protein
sequence database (no updates) Drosophila genome
Drosophila genome proteins provided by
Celera and Berkeley Drosophila Genome Project
(BDGP). yeast Yeast (Saccharomyces
cerevisiae) genomic CDS translations ecoli
Escherichia coli genomic CDS translations pdb
Sequences derived from the 3-dimensional
structure from Brookhaven Protein Data Bank
kabat kabatpro Kabat's database of
sequences of immunological interest alu
Translations of select Alu repeats from REPBASE,
suitable for masking Alu repeats from query
sequences. It is available by anonymous FTP from
ncbi.nlm.nih.gov (under the /pub/jmc/alu
directory).
20
BLAST Nucleotide Sequence Databases nr
All GenBankEMBLDDBJPDB sequences (but no EST,
STS, GSS, or phase 0, 1 or 2 HTGS sequences). No
longer "non-redundant". month All new or
revised GenBankEMBLDDBJPDB sequences released
in the last 30 days. Drosophila genome
Drosophila genome provided by Celera and Berkeley
Drosophila Genome Project (BDGP). dbest
Database of GenBankEMBLDDBJ sequences from EST
Divisions dbsts Database of
GenBankEMBLDDBJ sequences from STS Divisions
htgs Unfinished High Throughput Genomic
Sequences phases 0, 1 and 2 (finished, phase 3
HTG sequences are in nr) gss Genome Survey
Sequence, includes single-pass genomic data,
exon-trapped sequences, and Alu PCR sequences.
yeast Yeast (Saccharomyces cerevisiae)
genomic nucleotide sequences E. coli
Escherichia coli genomic nucleotide sequences
pdb Sequences derived from the
3-dimensional structure from Brookhaven Protein
Data Bank kabat kabatnuc Kabat's
database of sequences of immunological interest
vector Vector subset of GenBank(R), NCBI,
in ftp//ncbi.nlm.nih.gov/blast/db/ mito
Database of mitochondrial sequences alu
Select Alu repeats from REPBASE, suitable for
masking Alu repeats from query sequences. It is
available by anonymous FTP from ncbi.nlm.nih.gov
(under the /pub/jmc/alu directory). See "Alu
alert" by Claverie and Makalowski, Nature
vol. 371, page 752 (1994). epd Eukaryotic
Promotor Database found on the web at
http//www.genome.ad.jp/dbget-bin/www_bfind?epd
21
BLAST PROGRAMMI   blastp compares an amino
acid query sequence against a protein sequence
database   blastn compares a nucleotide
query sequence against a nucleotide sequence
database   blastx compares a nucleotide
query sequence translated in all reading frames
against a protein sequence database   tblastn
compares a protein query sequence against a
nucleotide sequence database dynamically
translated in all reading frames   tblastx
compares the six-frame translations of a
nucleotide query sequence against the six-frame
translations of a nucleotide sequence database.
Please note that tblastx program cannot be used
with the nr database on the BLAST Web page.
22
Nucleotide BLAST Standard nucleotide-nucleotide
BLAST blastn Input sequenza in formato FASTA,
GenBank Accession numbers o GI numbers Comparazion
e con DATABASE NUCLEOTIDICI nr, dbEST,
... MEGABLAST usa un algoritmo greedy (ingordo)
veloce ed ottimizzato per comparare sequenze che
differiscono poco Search for short nearly exact
matches blastn con parametri scelti in modo da
ottimizzare la ricerca di matches quasi esatti e
brevi. Questi si trovano spesso per caso, percio
utilizza alto Evalue, piccola dimensione della
parola e filtering.
23
Protein BLAST Standard protein-protein BLAST
blastp Input sequenza in formato FASTA, GenBank
Accession numbers o GI numbers Comparazione con
DATABASE PROTEICI nr(translated), swissprot,
... PSI-BLAST - Position Specific Iterated BLAST
usa una ricerca iterativa in cui le sequenze
trovate con la prima ricerca vengono utilizzate
per costrutire un modello per i punteggi di
similarita da utilizzare per le ricerche
successive. I risultati di ciascuna iterazione
vengono utilizzati per rifinire il profilo.
Questa strategia aumenta la sensibilita della
ricerca e la sua predittivita in termini
funzionali. Di solito si usano matrici di
sostituzione AxA dove A e la dimensione
dellalfabeto. PSI-BLAST usa Una matrice QxA
dove Q e la lunghezza della query sequence in
ogni posizione, il costo di una lettera dipende
dalla posizione stessa e dalla lettera nella
query sequence. PHI-BLAST - Pattern Hit Initiated
BLAST
24
Translating BLAST Translating BLAST attraverso la
traduzione concettuale della query sequence o dei
database permette di comparare una seqeunza
nucleotidia con database di proteine o
viceversa. Translated query - Protein db blastx
? la query (seq. Nucleotidica) viene tradotta in
tutti i sei possibili frames e la sequenza
proteica ottenuta viene comparata con i database
di proteine. Protein query - Translated db
tblastn ? protein query sequence comparata con la
traduzione dei database nucleotidici Translated
query - Translated db tblastx ? query seq.
nucleotidica tradotta comparata con la traduzione
dei database nucleotidici
25
Search for conserved domains
Search the Conserved Domain Database using
RPS-BLAST Search by domain architecture DART
CD-Search compares a protein sequence against
the Conserved Domain Database with the RPS-BLAST
program. This database currently contains domains
derived from two popular collections, Smart
and Pfam, plus contributions from colleagues at
NCBI. This allows known functional and structural
domains to be identified on protein query
sequences.
26
Pairwise BLAST Comparazione tra due sequenze
utilizzando lalgoritmo di BLAST blastn - for
nucleotide - nucleotide comparisons blastp - for
protein - protein comparisons tblastn - compares
the protein "Sequence 1" against the nucleotide
"Sequence 2" which has been translated in all six
reading frames blastx - compares the nucleotide
"Sequence 1" against the protein "Sequence
2" tblastx - compares nucleotide "Sequence 1"
translated in all six reading frames against the
nucleotide "Sequence 2" translated in all six
reading frames.
27
Genomic BLAST pages Human Genome Microbial
Genomes Arabidopsis thaliana Other eukaryotes
Specialized BLAST pages VecScreen - BLAST-based
detection of vector contamination IgBLAST -
Analysis of immunoglobulin sequences in GenBank
OLD Finished and Unfinished Microbial Genomes