4. Вывод
• Оба белка имеют «общей» только небольшую зону
похожих последовательностей. Поэтому
использование bestfit больше подходит для
построения локального выравнивания.
• Мы нашли такое локальное выравнивание, которое
соответствует возможному структурному
выравниванию.
• Структурная «похожесть» может свидетельствовать
о domain/function similarity.
7. Bl2seq оценка
• Bits score – оценка выравнивания в
соответствии с количеством совпадений,
«похожести» и т.д.
• Expected-score (E) – Вероятность
случайности выравнивания. Чем ближе к 0,
тем больше вероятность, что наше
выравнивание верно.
8. Оптимизация времени вычислений
при парном выравнивании
Алгоритм FASTA
Нахождение оптимального выравнивания требует значительных
затрат времени
k – длина
диагоналей
b – фактор
отступа от
диагонали
9. • Basic Local Alignment Search Tool
• Чувствителен также, как FastA, но намного
быстрее.
• Также, как FASTA, требует параметр k (длина
слова).
– Белки k= 3 letter words
– ДНК k= 11 letter words.
Алгоритм BLAST
10. 1. Поиск идентичныхпохожих участков
2. Попытка «удлинить» эти участки насколько
возможно (т.е. пока score растёт)
В результате: High-scoring Segment Pairs (HSPs)
THEFIRSTLINIHAVEADREAMESIRPATRICKREAD
INVIEIAMDEADMEATTNAMHEWASNINETEEN
Алгоритм BLAST (шаг 1)
11. Попытка соединить соседние HSPs путем
выравнивания последовательностей
между ними:
THEFIRSTLINIHAVEADREA____M_ESIRPATRICKREAD
INVIEIAMDEADMEATTNAMHEW___ASNINETEEN
Алгоритм BLAST (шаг 2)
12. Blast
• Blast – это семейство программ: BlastN, BlastP,
BlastX, tBlastN
• BlastN - ДНК vs ДНК
• BlastP – белок vs белок
• BlastX - translated ДНК vs белок
• tBlastN - белок vs translated ДНК
Query: ДНК Белок
Database: ДНК Белок
17. ДНК
ДНК состоит из двух цепей нуклеотидов,ДНК состоит из двух цепей нуклеотидов,
соединённых попарносоединённых попарно::
ADENINEADENINE –– THYMINETHYMINE
CYTOSINECYTOSINE -- GUANINEGUANINE
Правило комплементарностиПравило комплементарности
22. • Генетический код избыточен – почти все
аминокислоты кодируются более, чем 1 кодоном
(тройка нуклеотидов)
• Последовательность ДНК может меняться, в то
время, как последовательность белка остается
постоянной.
Ser-Tyr….
UCAUAC UCUUAC UCGUAC U……
Поиск гомологов
23. • Нуклеотиды – 4-х буквенный алфавит.
• Аминокислоты – 20-и буквенный алфавит
Две случайные последовательности ДНК будут
идентичны ~ 25%.
Две случайные белковые последовательности будут
идентичны ~ 5%.
Поиск гомологов
24. Матрицы для сравнения белков более
чувствительны, чем матрицы для ДНК.
Базы данных ДНК намного больше белковых
→ будут случайные совпадения.
Поиск гомологов
28. Основные предположения
• Гены фиксированы, сохранены у очень
широкого круга биологических видов, у
совершенно различных представителей
«древа жизни».
• Фиксированный генетический код для
белков вероятно несёт похожие, зачастую
идентичные функции.
29. Например:
• Гистоны: небольшие белки,
присутствуют у всех
эукариот.
Демонстрируют выраженное
постоянство последовательности в
MSA
Постоянство структуры и
функции (упаковка DNA)
30. Почему множественное выравнивание?
Позволяет дать характеристику семействам
белков, найти общие участки, гомологов.
Например: семейство Serine protease:
семейство, отвечающее за катализ,
гидролиз пептидных связей.
• Одинаковые активные центры ?
• Общие участка последовательности?
31. • MSA – это первый, предварительный шаг к
анализу в области молекулярной эволюции и
построения эволюционных деревьев.
• База для филогенеза – данные молекулярной
биологии или морфологические данные
32. Подходы в MSA
2 разных подхода:
– 1D sequence based – сравнение
последовательностей.
– 2D-3D based – выравнивание, базирующееся на
структуре
33. MSA algorithm
• Попарное выравнивание всех последовательностей
(pairwise alignment).
• Кластерный анализ данных парного выравнивания
для получения иерархии выравниваний (guide tree).
• Построение множественного выравнивания (MSA)
пошагово в соответствии с guide tree; сначала
выравнивают наиболее похожие пары, затем
добавляют остальные и т.д.
34. Multiple Alignment - алгоритм
(1) Парное выравнивание (подготовка guide tree)
6 pairwise alignments
then cluster analysis
(2) Множественное выравнивание, следуя древу из п. 1.
successive alignments
35. Комментарии
• Парное выравнивание - оптимальный алгоритм.
• Множественное выравнивание не является
оптимальным алгоритмом. Вполне могут
существовать и лучшие выравнивания!
• Редакторы выравниваний могут быть полезны для
корректировки
36. GCG
Pileup: глобальный MSA.
pileup @[list of sequence names]
pileup @hemoglobin_list
1. The @ sign means that the file contains a list of names.
2. The list can include names from the user’s directory or code names
(accession numbers) from the GCG databases.
38. GCG
PileUp creates a multiple sequence alignment from a group of related
sequences using progressive, pairwise alignments. It can also plot a
tree showing the clustering relationships used to create the alignment.
1 IPNS_STRJU 329 aa
2 IPNS_STRCL 329 aa
3 IPNS_CEPAC 338 aa
4 IPNS_NOCLA 328 aa
What is the gap creation penalty (* 8 *) ?
What is the gap extension penalty (* 2 *) ?
This program can display the clustering relationships graphically.
Do you want to:
A) Plot to a FIGURE file called "pileup.figure"
B) Plot graphics on HP7550 attached to /dev/tty15
C) Suppress the plot
Please choose one (* A *): c
What should I call the output file name (* ipns.msf *) ?
Determining pairwise similarity scores...
1 x 2 4.43
1 x 3 3.12
1 x 4 4.12
2 x 3 2.94
2 x 4 4.05
3 x 4 3.09
Aligning...
Total sequences: 4
Alignment length: 338
CPU time: 00.21
Output file:/data/users/racheli/others/racheli/ipns.msf
Regular GCG syntax:
Default parameters,
output file, etc
40. GCG
Prettybox: генерирует графический файл из
файла MSA
prettybox [MSA file]{*}
prettybox hemoglobins.msf{*}
1. The “{*}” is a syntax sign meaning all the sequences in
the MSA file.
2. Can also calculate the consensus sequence.
42. ClustalW
• Очень известная и широко распространённая
программа: UNIX, Internet, Windows.
• Выполняет MSA; может строить филогенетические
деревья.
• Входной файл – формат multi-fasta.
43. ClustalW
• tofasta @list
>IPNS_STRJU P18286
MPILMPSAEVPTIDISPLSGDDAKAKQRVAQEINKAARGSGFFYASNHGVDVQLLQDVVN
EFHRNMSDQEKHDLAINAYNKDNPHVRNGYYKAIKGKKAVESFCYLNPSFSDDHPMIKSE
TPMHEVNLWPDEEKHPRFRPFCEDYYRQLLRLSTVIMRGYALALGRREDFFDEALAEADT
LSSVSLIRYPYLEEYPPVKTGADGTKLSFEDHLDVSMITVLYQTEVQNLQVETVDGWQDI
PRSDEDFLVNCGTYMGHITHDYFPAPNHRVKFINAERLSLPFFLNAGHNSVIEPFVPEGA
AGTVKNPTTSYGEYLQHGLRALIVKNGQT
>IPNS_STRCL P10621
MPVLMPSAHVPTIDISPLFGTDAAAKKRVAEEIHGACRGSGFFYATNHGVDVQQLQDVVN
EFHGAMTDQEKHDLAIHAYNPDNPHVRNGYYKAVPGRKAVESFCYLNPDFGEDHPMIAAG
TPMHEVNLWPDEERHPRFRPFCEGYYRQMLKLSTVLMRGLALALGRPEHFFDAALAEQDS
LSSVSLIRYPYLEEYPPVKTGPDGQLLSFEDHLDVSMITVLFQTQVQNLQVETVDGWRDI
PTSENDFLVNCGTYMAHVTNDYFPAPNHRVKFVNAERLSLPFFLNGGHEAVIEPFVPEGA
SEEVRNEALSYGDYLQHGLRALIVKNGQT
input file:
Multi-fasta
Making the file in unix
48. Consensus Sequence
Мы можем вывести consensus sequence из
результатов MSA.
The consensus sequence содержит наиболее
часто встречающийся символ в кажной
колонке выравнивания.
A T C T T G T
A A C T T G T
A A C T T C T
A A C T T G T
Ещё пара терминов……
49. Профиль (Profile)
Также возможно вывести статистическую модель,
описывающую MSA. Профиль содержит
информацию о символах в каждом столбце
выравнивания.
A T C T T G T
A A C T T G T
A A C T T C T
1 2 3 4 5 6
A 1 0.67 0 0 . .
T 0 0.33 1 1 . .
C 0 0 0 0 . .
G 0 0 0 0 . .
50. Profile vs. Consensus
Consensus: каждая позиция отражает
наиболее часто встречающийся символ.
Profile: каждая позиция отражает частоту
символа в данной позиции.
51. Profile vs. Consensus
Данный MSA будет иметь одинаковый
consensus
A A C T T G C
A A G T C G T
C A C T T C T
A A C T T G T
A A C T T G T
A A C T T C T
A A C T T G T
52. Profile vs. Consensus
Но разный профиль
A A C T T G C
A A G T C G T
C A C T T C T
A A C T T G T
A A C T T G T
A A C T T C T
1 2 3 4 5 6
A 0.66 1 0 0 . .
T 0 0 0 1 . .
C 0.33 0 0.66 0 . .
G 0 0 0.33 0 . .
1 2 3 4 5 6
A 1 1 0 0 . .
T 0 0 0 1 . .
C 0 0 1 0 . .
G 0 0 0 0 . .
53. Psi Blast (NCBI)
Position Specific Iterated –
автоматизированный поиск по профилю
Regular blast
Construct profile from
blast results
Blast profile search
Final results
56. Проблема формулировки выводов при
использовании МSA:
1. Сайт выглядит общим (фиксированным)
из-за того, что это – близкородственные
последовательности?
2. Сайт выглядит общим из-за того, что это
– исключительно, жизненно важный
сайт?
58. Цели филогенетического исследования
• Реконструкция корректных генеалогических связей
между биологическими объектами
• Оценка времени расхождения организмов
• Определение порядка эволюционных событий в процессе
эволюции
60. Типы данных ?
Molecular (DNA, RNA, proteins)
Morphological (soft tissue, hard tissue,
extant, extinct)
61. Преимущества молекулярных данных
• Наследуемость.
• Недвусмысленность в описании молекулярных характеристик
• Поддаются количественному анализу
• Оценка гомологии легче, чем морфологические исследования
• Данных много
62. Древо видов и генов
• Древо видов – эволюционные взаимосвязи
между видами (видообразование).
• Древо генов.
Page, R.D.M. and Cotton, J.C. (2000) GeneTree: a tool for exploring gene family
evolution. In D. Sankoff, and J. Nadeau, (eds.), Comparative Genomics: Empirical
and Analytical Approaches to Gene Order Dynamics, Map Alignment, and the
Evolution of Gene Families. Kluwer Academic Publishers, Dordrecht, pp. 525-536.
Figure 2: (a) Incongruent gene and
species trees. This incongruence can
be explained by hypothesizing a gene
duplication (h) at the base of the gene
tree (b).
The presence of only a single gene (a-
d) extant in each of the present-day
species
(1-4) requires postulating three gene
losses. (c) The corresponding
reconciled tree.
63. Ортологи и паралоги
• Гены-паралоги –
событие дупликация
(α and β)
• Гены-ортологи –
событие
видообразования (α in
the two species and β in
the two species)
α
βα
βαβα
Duplication
Speciation
Species a Species b
65. Филогенетическое дерево
Филогения - раздел биологии, изучающий
родственные взаимоотношения разных
групп живых организмов. Филогению
отображается обычно в виде
"эволюционных древ" или систематических
названий.
67. Терминология
Узел (node) — точка разделения предковой последовательности
(вида, популяции) на две независимо эволюционирующие.
Соответствует внутренней вершине графа, изображающего
эволюцию.
Лист (leaf, OTU – оперативная таксономическая единица) —
реальный (современный) объект; внешняя вершина графа.
Ветвь (branch) — связь между узлами или между узлом и
листом; ребро графа.
Корень (root) — общий предок.
Клада (clade) - группа двух или
более таксонов или последователь-
ностей ДНК, которая включает как
своего общего предка, так и всех его
потомков.
69. Какие бывают деревья?
Бинарное (разрешённое)
(в один момент времени может
произойти только одно событие )
Небинарное (неразрешённое)
(может ли в один момент времени
произойти два события? )
Время
70. Какие бывают деревья?
Укорененное дерево (rooted tree)
отражает направление эволюции
Неукорененное (бескорневое) дерево
(unrooted tree) показывает
только связи между узлами
Время
Если число листьев равно n, существует (2n-3)!!
разных бинарных укоренных деревьев.
По определению, (2n-3)!! = 1·3 ·... ·(2n-3)
Существует (2n-5)!! разных бескорневых
деревьев с n листьями
86. Mon-Hum
MonkeyHumanSpinachMosquito Rice
Дистанция между человеком и обезьяной минимальна. Эти
группы объединяются в Monkey-Human, а все остальные
дистанции пересчитываются
Dist[Spinach, MonHum] = (Dist[Spinach, Monkey] +
Dist[Spinach, Human])/2 = (91 + 86)/2 = 88.5
90. Как выбирать последовательности для дерева?
Кроме случаев очень близких последовательностей,
проще работать с белками (а не с ДНК)
Придерживайтесь небольшой выборки (< 50
последовательностей)
Избегайте:
– фрагментов;
– Ксенологов (горизонтальный перенос генов);
– рекомбинантных последовательностей;
– многодоменных белков и повторов
Используйте outgroup (последовательность,
ответвившаяся от общего предка заведомо (но
минимально!) раньше разделения интересующих групп-
клад)
91. Самое главное – хорошее
выравнивание!
Максимальный вклад в финальное дерево:
нельзя построить хорошее дерево по
плохому выравниванию
Блоки, содержащие много гэпов, плохо
выровненные N- и C- концы можно просто
вырезать.
92. Основные алгоритмы построения
филогенетических деревьев
Методы, основанные на
оценке
расстояний (матричные
методы):
• UPGMA (кластеризация)
• Neighbor-joining
• Минимальная
эволюция
Наибольшего
правдоподобия,
Maximal likelihood, ML
Используется модель эволюции
и строится дерево, которое наиболее
правдоподобно при данной модели
Максимальной экономии
(бережливости),
maximal parsimony, MP
Выбирается дерево с минимальным количеством
мутаций, необходимых для объяснения данных
94. Как понимать расстояние между объектами?
• Как время, в течение которого они эволюционировали
• Как число «эволюционных событий» (мутаций)
В первом случае объекты образуют
ультраметрическое пространство
(если все объекты наблюдаются в одно время, что, как правило, верно)
Но время непосредственно измерить невозможно
95. Гипотеза «молекулярных часов»
(E.Zuckerkandl, L.Pauling, 1962)
За равное время во всех ветвях эволюции
данного генабелка накапливается равное
число мутацийЕсли гипотеза молекулярных часов
принимается, число различий между
выровненными
последовательностями можно
считать примерно
пропорциональным времени.
Отклонения от
ультраметричности можно считать
случайными. Эволюция
реконструируется в виде
ультраметрического дерева.
Укоренённое дерево называется
ультраметрическим, если
расстояние от корня до любого из
листьев одинаково.
96. UPGMA
Unweighted Pair Group Method with Arithmetic Mean
разновидность кластерного метода
Расстояние между кластерами вычисляется как среднее
арифметическое всевозможных расстояний между
последовательностями из кластеров
97. Недостатки UPGMA
Алгоритм строит ультраметрическое дерево – скорость эволюции
предполагается одинаковой для всех ветвей дерева. Использовать
этот алгоритм имеет смысл только в случае ультраметрических
данных (справедливости «молекулярных часов»).
Реальное дерево UPGMA
98. Метод ближайших соседей
(Neighbor-joining, NJ)
Строит неукоренённое дерево
Может работать с большим количеством данных
Достаточно быстрый
Если есть недвусмысленное с точки зрения
эксперта дерево, то оно будет построено.
99. Метод Neighbor-joining
Рисуем «звездное» дерево и будем «отщипывать» от него по паре
листьев
Пусть ui = Σk Mik/(n-2) — среднее расстояние от листа i до других
листьев
1. Рассмотрим все возможные пары листьев. Выберем 2 листа i и j с
минимальным значением величины
Mij – ui –uj
т.е. выбираем 2 узла, которые близки друг к другу, но далеки ото всех
остальных.
100. Метод ближайших соседей (Neighbor-joining, NJ)
2. Кластер (i, j) – новый узел дерева
Расстояние от i или от j до узла (i,j):
D(i, (i,j)) = 0,5·(Mij + ui – uj)
D(j, (i,j)) = 0,5· (Mij + uj – ui)
т.е. длина ветви зависит от среднего расстояния
до других вершин
3. Вычисляем расстояние от нового кластера до всех других
M(ij)k = Mik+Mjk – Mij
2
5. В матрице М убираем i и j и добавляем (i, j).
Повторяем, пока не останутся 3 узла ...
101. Input:
MSA для n последовательностей,
одна последовательность для каждого
вида.
AAAAATC
AAAAAAG
CCCCCCG
AAAAATC
AAAAAAG
CCCCCCG
Длинная ветвь –
непохоже на правду
Длинная ветвь -
Похоже на правду
Методы, основанные на последовательностях:
Maximum Likelihood (ML), Maximum Parsimony (MP)
102. Как изобразить дерево?
Топология дерева
Топология дерева — только листья, узлы, (корень)
и связывающие их ветви
(топология не зависит от способа изображения дерева)
A
B
C
D
E A BC D E
Два изображения одной и той же топологии
103. Bacterium 1
Bacterium 3
Bacterium 2
Eukaryote 1
Eukaryote 4
Eukaryote 3
Eukaryote 2
Bacterium 1
Bacterium 3
Bacterium 2
Eukaryote 1
Eukaryote 4
Eukaryote 3
Eukaryote 2
Филограммы – длины ветвей
пропорциональны
эволюционному расстоянию.
Кладограммы и филограммы
Кладограммы – только
топологя. Длины ветвей не
учитываются
6
3
1
2
4
6
2
4
5
3
Как можно нарисовать построенное дерево?
104. Какие on-line программы строят
деревья?
ClustalW. “Tree type” – nj, phylip: строит
только методом NJ, но результат – в
разных форматах, no bootstraps
Phylip (Felsenstein, 1993) – пакет программ
для построения филогенетических
деревьев (stand-alone)
On-line (partly): например,
http://bioweb.pasteur.fr/seqanal/phylogeny/phylip-uk.html
PAUP (Phylogenetic Analysis Using Parsimony)
106. Эволюция – исторический процесс.
Из 8,200,794,532,637,891,559,375 деревьев для 20 OTUs, 1
является верным и 8,200,794,532,637,891,559,374
неверны.
Truth is one, falsehoods are many.
108. GCG
• Строковый поиск: простой текстовый
поиск по локальной базе данных.
• Поиск в определениях или в аннотациях.
• Определения содержат минимальное
количество информации для каждой
статьи: доступ, имя организма, имя гена,
длина последовательности, дата.