生物序列的相似性搜索blast简介及其应用市公开课一等奖百校联赛特等奖课件.pptx

生物序列相同性搜索 blast介绍及其应用6月科教信息科1第1页q序列数据保留格式与相关数据库资源q在数据库中进行序列相同性搜索q多序列比对q进化树构建与分子进化分析qMotif寻找与序列模式识别qRNA二级结构，蛋白质二、三级结构预测q基因芯片数据分析生物信息学常见应用与软件2第2页内容提要1.基本概念 相同性，同源性2.Blast介绍 Blast资源和相关问题3.Blast应用 网络版，单机版4.深入了解Blast(改进程序，算法基础)5.其它序列相同性搜索工具（fasta）3第3页生物序列相同性相同性相同性(similarity)：是指一个很直接数量关系数量关系，比如部分相同或相同百分比或其它一些适当度量。比如说，A序列和B序列相同性是80，或者4/5。这是个量化关系。当然可进行本身局部比较。4第4页同源性同源性(homology)：指从一些数据中推断出两个基因或蛋白质序列具而共同祖先结论，属于质判断质判断。就是说A和B关系上，只有是同源序列，或者非同源序列两种关系。而说A和B同源性为80都是不科学。生物序列同源性5第5页相同性和同源性关系序列相同性和序列同源性有一定关系，普通来说序列间相同性越高话，它们是同源序列可能性就序列间相同性越高话，它们是同源序列可能性就更高更高，所以经常能够经过序列相同性来推测序列是否同源。正因为存在这么关系，很多时候对序列相同性和同源性就没有做很显著区分，造成经常等价混用两个名词。所以有出现A序列和B序列同源性为80一说。6第6页序列相同性比较和序列同源性分析序列相同性比较和序列同源性分析序列相同性比较：序列相同性比较：就是将待研究序列与DNA或蛋白质序列库进行比较，用于确定该序列生物属性，也就是找出与此序列相同已知序列是什么。完成这一工作只需要使用两两序列比较算法。惯用程序包有BLAST、FASTA等；序列同源性分析：序列同源性分析：是将待研究序列加入到一组与之同源，但来自不一样物种序列中进行多序列同时比较，以确定该序列与其它序列间同源性大小。这是理论分析方法中最关键一步。完成这一工作必须使用多序列比较算法。惯用程序包有CLUSTAL等；7第7页Blast介绍（一）BLAST 是由美国国立生物技术信息是由美国国立生物技术信息中心（中心（NCBI）开发一个基于）开发一个基于序列相同序列相同性性数据库搜索程序。数据库搜索程序。BLAST是是“局部相同性基本查询工局部相同性基本查询工具具”(Basic Local Alignment Search Tool)缩写。缩写。8第8页 Blast 是一个序列相同性搜索程序包，其是一个序列相同性搜索程序包，其中包含了很多个独立程序，这些程序是依中包含了很多个独立程序，这些程序是依据查询对象和数据库不一样来定义。比如据查询对象和数据库不一样来定义。比如说查询序列为核酸，查询数据库亦为核酸说查询序列为核酸，查询数据库亦为核酸序列数据库，那么就应该选择序列数据库，那么就应该选择blastn程序。程序。下表列出了主要下表列出了主要blast程序。程序。Blast介绍（二）9第9页主要blast程序程序名查询序列数据库搜索方法Blastn核酸核酸w核酸序列搜索逐一核酸数据库中序列Blastp蛋白质蛋白质w蛋白质序列搜索逐一蛋白质数据库中序列Blastx核酸蛋白质w核酸序列6框翻译成蛋白质序列后和蛋白质数据库中序列逐一搜索。Tblastn蛋白质核酸w蛋白质序列和核酸数据库中核酸序列6框翻译后蛋白质序列逐一比对。TBlastx核酸核酸w核酸序列6框翻译成蛋白质序列，再和核酸数据库中核酸序列6框翻译成蛋白质序列逐一进行比对。10第10页Blast相关问题w怎么取得blast服务,怎么使用问题？w为何使用blast，能够取得什么样信息？w其它问题：实际使用时选择哪种方式（网络，当地化），参数选择，结果解释11第11页Blast资源1.NCBI主站点：http:/www.ncbi.nlm.nih.gov/BLAST/(网络版)ftp:/ftp.ncbi.nlm.nih.gov/blast/(单机版)2.其它站点：http:/ http:/www.fruitfly.org/blast/（果蝇）12第12页Blast结果给出信息 Blast结果会列出跟查询序列相同性比较高，符合限定要求序列结果，依据这些结果能够获取以下一些信息。1.查询序列可能含有某种功效2.查询序列可能是起源于某个物种3.查询序列可能是某种功效基因同源基因这些信息都能够应用到后续分析中。13第13页两种版本Blast比较（一）w网络版本 包含NCBI在内很多网站都提供了在线blast服务，这也是我们最经惯用到blast服务。网络版本blast服务就有方便，轻易操作，数据库同时更新等优点。不过缺点是不利于操作大批量数据，同时也不能自己定义搜索数据库。14第14页w单机版 单机版blast能够经过NCBIftp站点取得，有适合不一样平台版本（包含linux，dos等）。取得程序同时必须获取对应数据库才能在当地进行blast分析。单机版优点是能够处理大批数据，能够自己定义数据库，不过需要花费当地机大量资源，另外操作也没有网络版直观、方便，需要一定计算机操作水平。两种版本Blast比较（二）15第15页当地WEB版Blast 在NCBIFTP上，在blast程序目录下，还提供了一个供用户在自己服务器上建立Blast网页服务软件包(wwwblast)。使用该软件包，用户能够建立一个简易进行Blast运算网站供试验室人员使用。用于搜索数据库一样能够灵活定义。16第16页Blast程序评价序列相同性两个数据Score：使用打分矩阵对匹配片段进行打分，这是对各对氨基酸残基（或碱基）打分求和结果，普通来说，匹配片段越长、相同性越高则Score值越大。E value:在相同长度情况下，两个氨基酸残基（或碱基）随机排列序列进行打分，得到上述Score值概率大小。E值越小表示随机情况下得到该Score值可能性越低。17第17页NCBI提供Blast服务登陆ncbiblast主页核酸序列蛋白序列翻译序列底下有其它一些针对特殊数据库和查看以往比对结果等18第18页Blast任务提交表单（一）1.序列信息部分填入查询（query）序列序列范围（默认全部）选择搜索数据库假如接收其它参数默认设置，点击开始搜索19第19页Blast任务提交表单（二）设置搜索范围，entrez关键词，或者选择特定物种2.设置各种参数部分一些过滤选项，包含简单重复序列，人类基因组中重复序列等E值上限窗口大小假如你对blast命令行选项熟悉话，能够在这里加入更多参数20第20页Blast任务提交表单（三）3.设置结果输出显示格式选择需要显示选项以及显示文件格式显示数目Alignment显示方式筛选结果E值范围其它一些显示格式参数点击开始搜索21第21页提交任务返回查询号（request id）能够修改显示结果格式修改完显示格式后点击进入结果界面22第22页结果页面（一）图形示意结果23第23页结果页面（二）目标序列描述部分带有genbank链接，点击能够进入对应genbank序列匹配情况，分值，e值24第24页结果页面（三）详细比对上序列排列情况25第25页一个详细例子（blastp）假设以下为一未知蛋白序列query_seq MSDNGPQSNQRSAPRITFGGPTDSTDNNQNGGRNGARPKQRRPQGLPNNTASWFTALTQHGKEELRFPRGQGVPINTNSGPDDQIGYYRRATRRVRGGDGKMKELSPRWYFYYLGTGPEASLPYGANKEGIVWVATEGALNTPKDHIGTRNPNNNAATVLQLPQGTTLPKGFYAEGSRGGSQASSRSSSRSRGNSRNSTPGSSRGNSPARMASGGGETALALLLLDRLNQLESKVSGKGQQQQGQTVTKKSAAEASKKPRQKRTATKQYNVTQAFGRRGPEQTQGNFGDQDLIRQGTDYKHWPQIAQFAPSASAFFGMSRIGMEVTPSGTWLTYHGAIKLDDKDPQFKDNVILLNKHIDAYKTFPPTEPKKDKKKKTDEAQPLPQRQKKQPTVTLLPAADMDDFSRQLQNSMSGASADST QA 我们经过blast搜索来获取一些这个序列信息。26第26页详细步骤1.登陆blast主页 http:/www.ncbi.nlm.nih.gov/BLAST/2.依据数据类型，选择适当程序3.填写表单信息4.提交任务5.查看和分析结果27第27页分析过程（一）1.登陆ncbiblast主页2.选择程序，因为查询序列是蛋白序列能够选择blastp，点击进入也能够选择tblastn作为演示，我们这里选blastp28第28页分析过程（二）3.填入序列（copypaste）Fasta格式，或者纯序列4.选择搜索区域，这里我们要搜索整个序列，不填5.选择搜索数据库，这里我们选nr(非冗余蛋白序列库)。是否搜索保守区域数据库（cdd），蛋白序列搜索才有。我们选上29第29页分析过程（三）6.限制条件，我们限制在病毒里面找。7.其它选项保持默认值打分矩阵30第30页分析过程（四）8.输出格式选项保持默认值9.点击开始搜索31第31页分析过程（五）10.查询序列一些相关信息在cdd库里面找到两个保守区域，点击能够进入32第32页分析过程（六）图形结果33第33页分析过程（七）匹配序列列表34第34页分析过程（八）详细匹配情况35第35页为何使用单机版Blast？1.特殊数据库要求。2.包括序列隐私与价值。3.批量处理4.其它原因？单机版Blast使用（一）36第36页单机版Blast基本操作过程1.下载单机版Blast程序ftp:/ftp.ncbi.nlm.nih.gov/blast/executables/目录下，下载对应操作系统版本。2.解压程序包(blast-2.28-ia32-linux.tar.gz)命令是:$tar zxvf blast-2.28-ia32-linux.tar.gz单机版Blast使用（二）37第37页下载正确Blast程序包blast:在当地运行blast程序包wwwblast:在当地服务器建立blast服务网站netblast:blast客户端程序，直接链接至NCBIBLAST服务器，使用BLAST服务，不需浏览器。38第38页下载正确Blast程序包 Blast程序包名字上还包含了该程序包运行硬件和操作系统环境：硬件环境（硬件环境（CPU）操作系统操作系统sparcpowerPCia32ia64amd64mipsalphalinuxmacoxsolarisirixaixfreebsdwin32hpux39第39页3.获取Blast数据库a.直接从ncbi下载ftp:/ftp.ncbi.nlm.nih.gov/blast/db/b.用Blast程序包提供formatdb工具自己格 式化序列数据成数据库。假设有一序列数据（sequence.fa，多序列，fasta格式），欲自己做成Blast数据库，经典命令以下：单机版Blast使用（三）40第40页核酸序列：$./formatdb i sequence.fa p F o T/F n db_name蛋白序列：$./formatdb i sequence.fa p T o T/F n db_name单机版Blast使用（四）41第41页4.执行Blast比对取得了单机版Blast程序，解压开以后，假如有了对应数据库（db），那么就能够开始执行Blast分析了。单机版Blast程序包，把基本blast分析，包含blastn，blastp，blastx等都整合到了blastall一个程序里面。单机版Blast使用（五）42第42页以下是一个经典blastn分析命令：(待分析序列seq.fa，数据库nt_db)$./blastall p blastn i seq.fa -d nt_db w 7 e 10 o 程序名 输入 数据库 窗口 e值 输出seq.blastn.out 该命令意思是，对seq.fa文件中核酸序列对nt_db数据库执行blastn搜索，窗口大小是7，e值限制是10，输出结果保留到文件seq.blastn.out 中。单机版Blast使用（六）43第43页5.Blastall惯用参数-p 程序名应该是blastn，blastp，blastx，tblastn，tblastx中一个-d 数据库名称，默认nr-i 查询序列文件，默认stdin-e E值限制，默认10-o 结果输出文件，默认stdout-F 过滤选项，默认T-a 选择进行运算CPU个数单机版Blast使用（七）44第44页深入深入Blast1.blast22.Megablast3.Psi-blast4.其它(rpsblast,blastclust等)45第45页Blast2 两个序列blast比对，给定两个序列，相互进行blast比对。能快速检验两个序列是否存在相同性片断或者是否一致。这比起全序列比对要快很多。46第46页Megablast wmegablast采取了贪婪算法(greedy algorithm),它连接了多个查询序列进行一次搜索比对，这么节约了很多搜索数据库时间。主要针对核酸序列。是blast经过优化后，适合用于因为测序或者其它原因形成轻微差异序列之间比较，比普通相同性搜索程序要快10倍，能够很快完成两组大数据比对。47第47页PSI-blast Position specific iterative BLAST(PSI-BLAST)位点特异迭代blast搜索，主要针对蛋白序列。第一次blast搜索后，结果中最相同序列重新构建PSSM(位点特异性打分矩阵)，然后再使用该矩阵进行第二轮blast搜索，再调整矩阵，搜索，如此迭代。最终高度保守区域就会得到比较高分值，而不保守区域则分数降低，趋近0。这么能够提升提升blast搜索灵敏度。搜索灵敏度。48第48页Blast算法基础w基本思想是：经过产生数量更少但质量更加好增强点来提升速度。wBALST算法是建立在严格统计学基础之上。它集中于发觉含有较高相同性局部比对，且局部比对中不能含有空位（blast2.0引入了允许插入gap算法）。w因为局部比正确限制条件，在大多数情况下比对会被分解为若干个显著HSP(High-score Sequence Pairs)。49第49页Blast算法流程50第50页1.首先确定一个终止值S、步长参数w和一个阈值T。然后软件会在考虑搜索背景性质基础上计算出适当S值。使要比正确序列中包含一个分值大于SHSP。Blast算法（一）51第51页Blast算法（二）2.引入邻近字串思想：不需要字串确切地匹配，当有一个字串分值高于T时，BALST就宣称找到了一个选中字串。为了提升速度，允许较长字串长度W。W值极少改变，这么，T值就成为权衡速度和敏感度参数。52第52页Blast算法（三）3.一个字串选中后，程序会进行没有空位局部寻优，比正确最低分值是S，当比对延伸时会碰到一些负分值，使得比正确分值下降，当下降分值小于S时，命中延伸就会终止。这么系统会降低消耗于毫无指望选中延伸时间，使系统性能得以改进。53第53页w在1997年提出了对BLAST程序改进算法，提升了搜索速度、敏感度和实用性。n可处理间隔(gap)gapped BLAST算法nPSI-BLAST算法l对一个选中字串长度标准延伸 l利用profile(表头文件)数据结构来进行搜索Blast改进（一）54第54页w以两个步长各为w字串开始搜索。w若两个字窜在序列上不重合，而且位于同一对角线上，而且距离在A之内，则将这两个字串联起来作为搜索起点。w执行通常BLAST算法，使用一个不一样记分方式，依据高度显著比对(HSPs)最高分值建立一个最初profile。Blast改进（二）55第55页w依据该profile重复利用BLAST算法对数据库进行搜索，这一步实际上是依据表头文件统计结果扩展局部比对。这一过程是重复进行，直到再没有发觉新有意义匹配为止。因为在每一轮都会有新片段加入，所以在操作过程中profile需要在每一个循环结束之后更新。Blast改进（三）56第56页57第57页数据库搜索工具sensitivity与selectivitySensitivity:尽可能多地搜索到含有一定相同性序列能力。Selectivity:尽可能准确地搜索到对研究目标有用相同性序列能力。58第58页其它序列相同性搜索工具 fasta FastA算法是由Lipman和Pearson于1985年发表（Lipman和Pearson，1985）。FastA基本思绪是识别与识别与代查序列相匹配很短序列片段代查序列相匹配很短序列片段，称为k-tuple。以下链接是EBI提供fasta服务。http:/www.ebi.ac.uk/fasta33/59第59页帮助信息各个参数选项填入搜索序列60第60页w基本思想是：一个能够揭示出真实序列关系比对最少包含一个两个序列都拥有字(片断)，把查询序列中所用字编成索引，然后在数据库搜索时查询这些索引，以检索出可能匹配，这么那些命中字很快被判定出来。FASTA算法基础61第61页1.确定参数ktup，在两个序列中查找长度为ktup、相匹配片段(增强点)。为了提升速度，能够经过查询表格或hash表来完成，然后在表格中搜索与另一条序列相匹配、长度为ktup片段。FASTA算法（一）62第62页2.在同一条对角线中临近增强点成为一个增强段。每一个增强点都赋予一个正分值，一个增强段中相邻两个增强点之间不匹配区域赋予一定负值。一个增强段对应于一段相匹配子序列，分值最高段被标识为init1。FASTA算法（二）63第63页3.引 入 indel。把 那 些 没 有 重 合(non-overlap)增强段拼接起来(增强段分值之和减去空位处罚)。分值最高区域记为initn。FASTA算法（三）64第64页4.对最有可能匹配序列深入评分：以增强段init1所在对角线为中心，划分出一个较狭窄对角线带，利用S-W算法，来取得分值最高局部比对，记作opt。FASTA算法（四）65第65页5.决定采取initn或opt分值，前者敏感度低但速度快。FASTA对每一个检索到比对都提供一个统计学显著性评定，以判断该比正确意义。FASTA算法（五）66第66页67第67页注意wFASTA对DNA序列搜索结果要比对蛋白质序列搜索结果更敏感。它对数据库每一次搜索都只有一个最正确比对，一些有意义比对可能被错过。68第68页两个保守区域信息返回69第69页Dot matrix分析70第70页用Dot matrix分析基因中重复序列71第71页使用Dotter在斑马鱼序列contig中定位ddah基因位置72第72页A dot-matrix program with dynamic threshold control suited for genomic DNA and protein sequence analysisErik L.L.Sonnhammer and Richard DurbinGene 167(2):GC1-10(1995)http:/www.cgr.ki.se/cgr/groups/sonnhammer/Dotter.html73第73页