La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

III LEZIONE Allineamento di sequenze Allineamento globale e allineamento locale Allineamento di sequenze a coppie o multiplo Ricerca di similarita’ BLAST.

Presentazioni simili


Presentazione sul tema: "III LEZIONE Allineamento di sequenze Allineamento globale e allineamento locale Allineamento di sequenze a coppie o multiplo Ricerca di similarita’ BLAST."— Transcript della presentazione:

1

2 III LEZIONE Allineamento di sequenze Allineamento globale e allineamento locale Allineamento di sequenze a coppie o multiplo Ricerca di similarita’ BLAST

3 Alessandro Coppe

4 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 L’omologia e’ una proprieta’ qualitativa, non si puo’ misurare. La similarita’ tra sequenze si osserva, l’omologia tra sequenze si puo’ ipotizzare in base alla similarita’ osservata. Percentuale di similarita’ Ricerca di similarita’

5 OMOLOGIA E OMOPLASIA Omologia similarita’ dovuta a derivazione dallo stesso antenato comune Omoplasia similarita’ dovuta a convergenza, stessa pressione selettiva su due linee evolutive puo’ condurre a caratteri simili ORTOLOGIA E PARALOGIA OMOLOGIA ANTENATO COMUNE ORTOLOGIAPARALOGIA PROCESSO DI SPECIAZIONEDUPLICAZIONE GENICA Descrivo le relazioni tra geni di una famiglia intraorganismo (paralogia) o tra diversi organismi (ortologia )

6

7 Inverso complementare G A C T T G A T C A A G T C C T G A A C T A G T T C A G G A C T T G A A G T T C A G T C A A G T C Reverse Complement

8 Analisi di sequenze - Traduzione Il codice genetico Senza sovrapposizione  triplette  codoni 20 amminoacidi e 4 nucleotidi  4, 4 2, 4 3 =64  piu’ parole del necessario  degenerazione (tutti i codoni hanno un significato  alcuni aa sono specificati da piu’ codoni. Numero di codoni per aa: da 1 a 6 Vacillamento nella terza posizione.

9 Es. Serina CodonetRNAanticodone UCU o UCCtRNAser1AGG + vacillamento UCA o UCGtRNAser2AGU + vacillamento AGU o AGCtRNAser3UCG + vacillamento Codoni di STOP:UAG, UGA e UAA Diversi codici genetici Codice genetico mitocondriale di animali AUA  Met invece di Ile UGA  Trp invece di STOP AGA e AGG  STOP invece di Arg (UAA, UAG, AGA, AGG) Altri codici in micoplasmi, protozoi e funghi.

10 Mascheramento 25% del genoma degli eucarioti e formata da DNA altamente ripetitivo Ripetizioni in tandem, DNA a sequenza semplice (LCR regioni a bassa complessita’) Sequenza delle ripetizioni e’ specie specifica Primati: alpha satellite 340 basi Minisatellite (6 bp) telomeri Microsatellite (unita’<4 bp, <150 ripetizioni)

11 ALLINEAMENTO DI SEQUENZE Procedura per comparare due o piu’ sequenze, volta a stabilire un insieme di relazioni biunivoche tra coppie di residui delle sequenze considerate che massimizzino la similarita’ tra le sequenze stesse

12 Allineare due sequenze (proteine o acidi nucleici) Cosa vuol dire allineare due sequenze? seq1: TCATG seq2: CATTG TCAT-G.CATTG 4 caratteri uguali 1 inserzione/delezione

13 Cosa vuol dire allineare due sequenze? Scrivere due sequenze orizzontalmente in modo da avere il maggior numero di simboli identici o simili in registro verticale anche introducendo intervalli (gaps – inserzioni/delezioni – indels)

14 ALLINEAMENTO DI SEQUENZE A COPPIE AGTTTGAATGTTTTGTGTGAAAGGAGTATACCATGAGATGAGATGACCACCAATCATTTC ||||||||||||||||||| |||||||| ||| | |||||| ||||||||||||||||| AGTTTGAATGTTTTGTGTGTGAGGAGTATTCCAAGGGATGAGTTGACCACCAATCATTTC MULTIPLO KFKHHLKEHLRIHSGEKPFECPNCKKRFSHSGSYSSHMSSKKCISLILVNGRNRALLKTl KYKHHLKEHLRIHSGEKPYECPNCKKRFSHSGSYSSHISSKKCIGLISVNGRMRNNIKT- KFKHHLKEHVRIHSGEKPFGCDNCGKRFSHSGSFSSHMTSKKCISMGLKLNNNRALLKRl KFKHHLKEHIRIHSGEKPFECQQCHKRFSHSGSYSSHMSSKKCV KYKHHLKEHLRIHSGEKPYECPNCKKRFSHSGSYSSHISSKKCISLIPVNGRPRTGLKTs

15 Allineamento GLOBALE o LOCALE GLOBALEconsidera la similarita’ tra due sequenze in tutta la loro lunghezza LOCALE considera solo specifiche REGIONI simili tra alcune parti delle sequenze in analisi Global alignment LTGARDWEDIPLWTDWDIEQESDFKTRAFGTANCHK ||. | | |.|.| || || | || TGIPLWTDWDLEQESDNSCNTDHYTREWGTMNAHKAG Local alignment LTGARDWEDIPLWTDWDIEQESDFKTRAFGTANCHK ||||||||.|||| TGIPLWTDWDLEQESDNSCNTDHYTREWGTMNAHK

16

17 Significato dell’allineamento L’allineamento tra due sequenze biologiche è utile per scoprire informazione funzionale, strutturale ed evolutiva

18 Fibrosi Cistica: ereditarietà Nei primi ani 80 è stato ipotizato che la fibrosi cistica fosse una malattia autosomica recessiva Una mutazione specifica era presente nel 70% dei pazienti con FC Similarità tra il gene che causa la FC e il gene per una ATP binding protein

19 Fibrosi Cistica e il gene CFTR :

20 Fibrosi Cistica e la proteina CFTR : CFTR (Cystic Fibrosis Transmembrane conductance Regulator) ptoteina che agisce nella mambrana cellualre di cellule epiteliali che secernono muco

21 AACCGAAGGACTTTAATC AAGGCCTAACCCCTTTGTCC AA..CCGAAGGACTTTAATC AACCGAAGGACT TTAATC || |..||...||||...| | |||.|| ||..|| AAGGCTAAACCCCTTTGTCC A AGGCCTAACCCCTTTGTC Fattibile solo per poche sequenze molto brevi! Possono esistere piu’ allineamenti “equivalenti” seq1 AACCGTTGACTTTGACC Seq2ACCGTAGACTAATTAACC AACCGTTGACT..TTGACC | ||||.|||| ||.||| A.CCGTAGACTAATTAACC Allineamento manuale basato sulla massimizzazione del numero residui identici allineati

22 Un metodo molto semplice ed utile per la comparazione di due sequenze e’ quello della MATRICE DOTPLOT A|X X X T| X X G| X T| X X A T C A C T G T A C| X | | | | | | | A|X X X A T C A - - G T A C| X T| X X A|X X X A T C A G T A

23 MISURE DI IDENTITA’ E DI SIMILARITA’ Si può misurare la similarità tra due sequenze in due diversi modi: Basato sulla percentuale di identità Basato sulla conservazione

24 MISURE DI IDENTITA’ E DI SIMILARITA’ Il modo piu’ semplice per definire le relazioni di similarita’ tra nucleotidi e’ basato solo su IDENTITA’ e DIVERSITA’. La piu’ semplice matrice di similarita’ per i nucleotidi e’ la “UNITARY SCORING MATRIX”, matrice che assegna punteggio 1 a coppie di residui identici e 0 ai mismatches. A C G T A | C | G | T | Possono esserci altri criteri per dare un peso diverso da zero a matches tra residui non identici (ad.es. Pesare in modo diverso transizioni e transversioni)

25 Percent Sequence Identity The extent to which two nucleotide or amino acid sequences are invariant A C C T G A G – A G A C G T G – G C A G 70% identical mismatch indel

26 MISURE DI IDENTITA’ E DI SIMILARITA’ E’ possibile misurare la similarita’ tra aminoacidi tenendo conto delle loro proprieta’ chimico-fisiche ad. es. l’ acido glutammico e’ piu’ simile all’acido aspartico che alla fenilalanina Un altro modo per misurare la similarita’ tra aminoacidi e’ fondato sulle frequenze osservate di specifiche sostituzioni aminoacidiche in opportuni gruppi di allineamenti. La similarita’ tra due specifici aminoacidi, diciamo A e G, e’ proporzionale alla frequenza con cui si osserva la sostituzione A->G. Le MATRICI DI SOSTITUZIONE piu’ conosciute ed utilizzate sono le matrici PAM (o Dayhoff Mutation Data (MD) Matrices) e le matrici BLOSUM.

27 Matrici di sostituzione Le matrici di sostituzione si basano su evidenze biologiche Gli allineamenti possono essere pensati come sequenze che differiscono a causa di mutazioni Alcune di queste mustazioni hanno effetti trascurabili sulla struttura/funzione della proteina

28 Esempio di matrice di sostituzione ARNK A5-2 R-7 3 N--70 K---6 Nonostante K e R siano due amminoacidi diversi, hanno uno score positivo. Perchè? Sono entrambi amminoacidi carichi positivamente.

29 MATRICI PAM (Dayhoff et al. 1978) Sono basate sul concetto di mutazione puntiforme accettata, Point Accepted Mutation (PAM). Le prime matrici PAM sono state compilate in base all’analisi delle sostituzioni osservate in un dataset costituito da diversi gruppi di proteine omologhe, ed in particolare su 1572 sostituzioni osservate in 71 gruppi di sequenze di proteine omologhe con similarita’ molto alta (85% di identita’). La scelta di proteine molto simili era motivata dalla semplicita’ dell’allineamento, senza necessita’ di introdurre correzioni per le multiple hits (sostituzioni come A->G->A or A->G->N). L’analisi degli allineamenti mostro’ come diverse sostituzioni aminoacidiche si presentassero con frequenze anche molto differenti: le sostituzioni che non alterano seriamente la funzione della proteina, quelle “accettate” dalla selezione, si osservano piu’ di frequente di quelle distruttive.

30 MATRICI PAM La frequenza osservata per ciascuna specifica sostituzione (es. A  G) 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 Matrici BLOSUM (Henikoff and Henikoff, 1992) Matrici di sostituzione derivate dall’analisi 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, …

31 MATRICI BLOSUM (Henikoff and Henikoff, 1992) Blocks Substitution Matrix Score derivati da frequenze di sostituzioni in blocchi di allineamenti locali in proteine correlate Il nome della matricindica la distanza evolutiva –BLOSUM62 è stata creata usando sequenze che non avevano più del 62% di identità

32 PAMX PAMx = PAM1x –PAM250 = PAM1250 PAM250 è una matrice molto usata: Ala Arg Asn Asp Cys Gln Glu Gly His Ile Leu Lys... A R N D C Q E G H I L K... Ala A Arg R Asn N Asp D Cys C Gln Q Trp W Tyr Y Val V

33 BLOSUM 80 A R N D C Q E G H I L K M F P S T W Y V B Z X * A 7 R -3 9 N D C Q E G H I L K M F P S T W Y V B Z X *

34 L’utilizzo 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. Sequenze poco divergenti     molto divergenti BLOSUM80BLOSUM62BLOSUM45 PAM1 PAM120PAM250

35 GAP PENALTY SIMILARITY SCORE MATCHES MISMATCHES GAPS CALCOLO DEL PUNTEGGIO PER UN ALLINEAMENTO Data una coppia di sequenze Sa e Sb Per ogni coppia di elementi a i e b j di Sa e Sb si definisce un punteggio s(a i,b j ) s(a i,b j ) =  se a i = b j s(a i,b j ) =  se a i  b j, con  >  Ad ogni ogni gap viene assegnato un punteggio dato da: W k =  +  (k-1) Dove W k e’ una funzione lineare che assegna una penalita’ constante alla presenza del gap ( , ad es. -10) e una penalita’ proporzionale alla lunghezza del gap meno uno.  (gap opening penalty, GOP)  (gap extension penalty, GEP) Il punteggio complessivo risultera’:  (s(a i,b j ) ) +  ( W k )

36 CALCOLO DEL PUNTEGGIO PER UN ALLINEAMENTO Sequenze:Possibile allineamento: ATTCCGAG AGAC Assegno i seguenti punteggi: Match: +2 Mismatch: -1 GOP: -5 GEP: -2 MATCHES33 x 2 = 6 MISMATCHES1 1 x –1 = -1 SIMILARITY SCORE 6 –1 = 5 GAPS1 (lungo 4 nucleotidi)  GOP + GEP X 3 GOP-5 GEP-2 x 3 GAP PENALTY-5 + (3 x –2) = -11 PUNTEGGIO FINALE5 – 11 = -6 ATTCCGAG | || A----GAC

37 ALGORITMI PER L’ALLINEAMENTO DI SEQUENZE Algoritmo di Needleman & Wunsch  allineamento globale Algoritmo di Smith & Waterman  allineamento locale

38 Siamo a manhattan! Abbiamo molte cose da visitare e solo strade a senso unico. Vogliamo determinare il percorso che ci porta da un estremo all’altro del quartiere e che ci premette di visitare il massimo numero di attrazioni Manhattan Tourist Problem (MTP)

39 Imagine seeking a path (from source to sink) to travel (only eastward and southward) with the most number of attractions (*) in the Manhattan grid Sink * * * * * * * ** * * Source

40 MTP: An Example j coordinates i coordinates 13 source sink

41 MTP: Greedy Algorithm Is Not Optimal promising start, but leads to bad choices! source sink 18 22

42 MTP: An Example j coordinates i coordinates 13 source sink

43 ALGORITMO DI NEEDLEMAN & WUNSCH PER L’ALLINEAMENTO GLOBALE Questo metodo permette di determinare l’allineamento globale ottimale attraverso un’interpretazione computazionale della matrice dotplot. L’idea e’ di calcolare ricorsivamente l’allineamento ottimo per sottosequenze via via piu’ lunghe, cosa possibile in virtu’ dell’indipendenza e dell’additivita’ dei punteggi. Le sequenze vengono comparate attraverso una matrice 2D, le celle rappresentanti matches hanno punteggio 1; 0 per i mismatches. L’algoritmo prevede una serie di somme successive dei punteggi contenuti nelle celle, che da’ luogo ad una matrice di punteggi, la cui analisi permette la costruzione dell’allineamento. Iniziando dalla casella piu’ in basso e piu’ a destra ( M(y,z) ), il valore massimo contenuto nella caselle della riga y e della colonna z viene sommato a quello nelle caselle della linea i=y-1 e della colonna j=z-1. Alla fine delle iterazioni il punteggio della cella piu’ in alto a sinistra rappresenta il punteggio totale dell’allineamento, senza considerare le gap penalties.

44 AT -- CTGATC TGCT A C elements of v elements of w -- A j coords: i coords: 0 0 (0,0)  (1,0)  (2,1)  (2,2)  (3,3)  (3,4)  (4,5)  (5,5)  (6,6)  (7,6)  (8,7)

45

46 Needleman-Wunsch FASE 1 R F C W T Y P D W K F W T P D P Y D A W Identificazione residui identici Needleman-Wunsch FASE 2 R F C W T Y P D W K F W T P D P Y D A W Somme successive

47 Needleman-Wunsch FASE 4 RFCWTYPD----WK -F-WT-PDPYDAW- Deduzione allineamento ottimale Needleman-Wunsch FASE 3 R F C W T Y P D W K F W T P D P Y D A W Tracciare i percorsi massimali

48 Allineamento locale. Perchè? Un gene in due specie diverse possono presentare delle brevi regioni di similarità pur essendo diversi nelle restanti regioni Esempio: I geni Homeobox hanno una regione chiamata homeodomain che è altamente conservata tra le specie. Un all’ineamento globale non sarebbe in grado di individuare questi domini

49 ALGORITMO DI SMITH & WATERMAN PER L’ALLINEAMENTO LOCALE Lo scopo degli algoritmi di allineamento locale di due sequenze e’ trovare la regioni piu’ lunga della prima sequenza che produce un allineamento ottimale, dati certi parametri, con una regione della seconda.

50 ALGORITMO DI SMITH & WATERMAN PER L’ALLINEAMENTO LOCALE Lo scopo degli algoritmi di allineamento locale di due sequenze e’ trovare la regioni piu’ lunga della prima sequenza che produce un allineamento ottimale, dati certi parametri, con una regione della seconda. Per misurare la bonta’ degli allineamenti si definiscono due funzioni: SIMILARITY SCORE, dipende dal PUNTEGGIO PER IL MATCH di residui ad es. 2 match, -1 mismatch (oppure A con A +2, A con G +1, …) GAP PENALTY W=a+b(k-1) ) a = GOP gap opening penalty b = GEP gap extension penalty ES: ATTCCGAG match +2, mismatch –1, GOP -5, GEP -2 | || A----GAC MATCHES 3 x 2 = 6 MISMATCHES 1 x –1 = -1 GAPS 1 lungo 4 nucleotidi -5 + (3 x –2) Anche il metodo di Smith and Waterman utilizza una matrice per comparare le due sequenze, in cui il valore numerico contenuto in ciascuna cella rappresenta il punteggio dell’allineamento locale ha inizio dai due residui corrispondenti. Cosi’, l’identificazione dei punteggi piu’ alti nella matrice permette di trovare i migliori allineamenti locali tra le due sequenze.

51 Origine (0,0) Le linee tratteggiate rappresentano I free rides che partono dall’origine (0,0) verso tutti gli altri Yeah, a free ride! ALLINEAMENTO LOCALE: Free Rides

52 RICERCA DI SIMILARITÀ Una sequenza “da sola” non e’ informativa, deve essere analizzata comparativamente al contenuto dei database perche’ possano essere formulate delle ipotesi sulla sue relazioni evolutive con sequenze simili o sulla sua funzione. Domande cui si puo’ rispondere con una ricerca di similarita’: Data una sequenza, ci sono cose simili nel database? Ho trovato un nuovo gene o una nuova proteina? Il gene ha somiglianze con qualche altro gene nella stessa specie o in altre specie? Fare ipotesi sulla funzione di una proteina Trovare le regione di sovrapposizione tra sequenze contigue Trovare la regione genomica codificante un trascritto Studiare l’evoluzione di popolazioni o specie

53 BLAST Basic Local Alignment Search Tool (Altschul 1990) L’ algoritmo di BLAST e’ euristico e opera: 1Tagliando le sequenze da comparare in piccoli pezzi (parole) 2Ignorando tutte le coppie di parole (sequenza query/database) la cui comparazione da’ un punteggio inferiore ad un limite fissato 3Cercando di estendere tutte le hits rimanenti sino a che l’allineamento locale raggiunge un certo punteggio Dati una SEQUENZA QUERY ed un DATABASE DI SEQUENZE, BLAST 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.

54

55 1- Seeding In sequenze di DNA W = 7 In sequenze proteiche W = 2-3

56 Two-hits algorithm Le word-hits tendono a clusterizzare lungo le diagonali L’algoritmo two-hits richiede che le word-hits siano entro una distanza prestabilita

57 2 - Extension La fase successiva comporta l’estensione dei seed L’estensione avviene in entrambe le direzioni Blast ha un meccanismo per decidere quando fermare l’estensione

58 The quick brown fox jumps over the lazy dog. The quiet brown cat purrs when she sees him. The quick brown fox jump The quiet brown cat purr <- score <- drop off score 3 - Evaluation

59 La SIGNIFICATIVITA’ di un allineamento si calcola come P value o E value P value e’ la probabilita’ di ottenere un allineamento con punteggio uguale o migliore di quello osservato Si 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’ significativo 2x e’ meglio do !!! E value e’ il numero atteso di allineamenti con punteggio uguale o migliore di quello osservato Piu’ e’ basso piu’ e’ buono

60

61 Usare BLAST OPZIONI Sequenza querynucleotidica proteica (sequenza in formato FASTA, GenBank Accession numbers o GI numbers) Databasedatabase di seq. nucleotidiche database di seq. proteiche ProgrammaStandard BLAST (blastn) Standard protein BLAST (blastp) translated blast (blastx, tblastn, tblastx) MEGABLAST PSI-BLAST PHI-BLAST + altre opzioni … Blast selection table

62 Usare BLAST database di seq. nucleotidiche nr All GenBank+EMBL+DDBJ+PDB sequences (but no EST, STS, GSS, or phase 0, 1 or 2 HTGS sequences). No longer "non-redundant". est Database of GenBank+EMBL+DDBJ sequences from EST division. est_human est_mouse htgs Unfinished High Throughput Genomic Sequences yeast Saccharomyces cerevisiae genomic nucleotide sequences mito Database of mitochondrial sequences vector Vector subset of GenBank(R), NCBI, in month All new or revised GenBank+EMBL+DDBJ+PDB sequences alu Select Alu repeats from REPBASE, suitable for masking Alu repeats from query sequences. dbsts Database of GenBank+EMBL+DDBJ sequences from STS division. chromosome Searches Complete Genomes, Complete Chromosome, or contigs form the NCBI Reference Sequence project.

63 Usare BLAST PROGRAMMI Blastn Nucleotide query - Nucleotide db Blastp Protein query - Protein db Translating BLAST attraverso la traduzione concettuale della query sequence o dei database permette di comparare una sequenza nucleotidica con database di proteine o viceversa. Translated query - Protein db blastx Protein query - Translated db tblastn Translated query - Translated db tblastx 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 E-value, piccola dimensione della parola e filtering PSI-BLAST Find members of a protein family or build a custom position- specific score matrix PHI-BLAST Find proteins similar to the query around a given pattern


Scaricare ppt "III LEZIONE Allineamento di sequenze Allineamento globale e allineamento locale Allineamento di sequenze a coppie o multiplo Ricerca di similarita’ BLAST."

Presentazioni simili


Annunci Google