序列比較

1、7、比對(duì)的統(tǒng)計(jì)學(xué)顯著性、比對(duì)的統(tǒng)計(jì)學(xué)顯著性對(duì)于任何序列比對(duì)，我們可以計(jì)算其相似性得分，但重要的是需要判定這個(gè)分值是否足夠高，是否具有顯著意義（KarlinAltschul，1990；AlexrovSolovyev，1998），是否能夠提供進(jìn)化同源性的證據(jù)。由于隨機(jī)因素的影響，非同源的序列也可能具有較高的相似性得分。不幸的是，沒有一種數(shù)學(xué)理論方法描述全局序列比對(duì)的期望得分的分布，無法直接分析統(tǒng)計(jì)顯著性，需進(jìn)行間接分析。下面介紹幾種顯著性檢

2、驗(yàn)的方法（王槐春，1994）。序列相似的顯著性檢驗(yàn)的典型方法是將兩條待比較的序列分別隨機(jī)打亂，再使用相同的程序與打分函數(shù)（或打分矩陣）進(jìn)行比對(duì)，計(jì)算這些隨機(jī)序列的相似性得分。重復(fù)這一過程（通常為50?100次），得到隨機(jī)序列比對(duì)得分的正態(tài)分布曲線，用?和?分別表示其平均值與標(biāo)準(zhǔn)差。設(shè)原來兩條序列的比對(duì)得分為x，利用下式計(jì)算大于或等于x的比對(duì)得分概率：z=(x?)?(332)z值的單位為SD。根據(jù)正態(tài)分布，當(dāng)z值為3.1、4.3和5.2時(shí)

3、，相似性得分為x的隨機(jī)出現(xiàn)概率分別為103、105和107?？梢愿鶕?jù)z值判斷兩個(gè)序列相似得分的顯著性。一般假定當(dāng)z值大于5時(shí)，兩條被比較的序列在進(jìn)化上是相關(guān)的；當(dāng)z值在3?5之間時(shí)，如果兩者有其他方面相似的證據(jù)（如功能相似），則兩條序列也是同源的；如果z值小于3，則表示兩條序列不同源。許多序列比較軟件都帶有計(jì)算z值的程序，可直接用于評(píng)價(jià)序列比對(duì)的顯著性。判斷兩條序列比對(duì)顯著性的另一個(gè)常用方法是分析其中的一條序列（稱為靶序列）對(duì)數(shù)據(jù)庫檢索

4、的相似性得分的分布情況，即所檢測(cè)出的其他類似序列的個(gè)數(shù)與得分大小，并根據(jù)結(jié)構(gòu)域或功能的有無設(shè)立陽性對(duì)照和陰性對(duì)照。如果靶序列所檢出序列的分布狀態(tài)與陽性對(duì)照序列的檢測(cè)結(jié)果相近，而陰性對(duì)照序列不能或僅檢出很少有關(guān)的序列，則可以斷定要比較的那兩條序列的比對(duì)結(jié)果是有統(tǒng)計(jì)意義的。這種方法稱為相似性得分分布分析方法，常用于數(shù)據(jù)庫相似性檢索的顯著性評(píng)價(jià)，可以確定一些微弱的序列相似性的顯著性。karlin和Altschul(KarlinAltschul

5、1990)提出一種基于概率論的顯著性分析方法，他們推導(dǎo)出一個(gè)精確的公式，計(jì)算兩條序列比對(duì)得分大于兩條隨機(jī)序列比對(duì)得分的概率。根據(jù)這一公式，比對(duì)得分是將第一條序列的任意一個(gè)片段與第二條序列的任意一個(gè)片段進(jìn)行比對(duì)的最高得分（比較過程中不引入空位），稱為最大片段得分，比對(duì)的片段稱為高得分片段對(duì)（HSP）。HSP通常用改進(jìn)得Smithwaterman算法或簡(jiǎn)單地使用大的空位罰分方法獲得。KarlinAltschul的計(jì)算公式如下：P(Sx)=1

6、exp(Ke?x)(333)其中P(Sx)是最大片段得分大于x的概率，K和?是兩個(gè)參數(shù)，它們的值取決于打分函數(shù)和序列中各種字符出現(xiàn)的頻率。該方法只限于不引入空位的序列比較得分的顯著性計(jì)算。把一個(gè)已知得比對(duì)分值S同預(yù)期的分布相關(guān)聯(lián)可以計(jì)算出P值，從而給出這個(gè)分值的比對(duì)顯著性。通常，P值越趨近于零，分值越有意義。把比對(duì)局限于沒有空位的基礎(chǔ)之上，使問題大大簡(jiǎn)化，但是卻脫離分子生物學(xué)的實(shí)際情況。要建立一個(gè)插入和缺失的精確模型需要引入空位，但如果

7、空位相對(duì)較少，在這些空位之間仍然可以獲得高分值區(qū)域，有代表性的是可能會(huì)獲得緊密相鄰的HSP。在這種情況下，從總體上去評(píng)估它的顯著性是較為合理的，也許，每個(gè)片段并不顯得很重要，但是幾個(gè)片段同時(shí)出現(xiàn)就不太像是偶然事件了。KarlinAltschul加和統(tǒng)計(jì)學(xué)可以計(jì)算N個(gè)HSP的統(tǒng)計(jì)值，這個(gè)方法的實(shí)質(zhì)是把N個(gè)最佳片段的分值進(jìn)行加總，從而計(jì)算事件偶然發(fā)生的可能性，其它一些論據(jù)也被用來確認(rèn)這些分值只是在片段與比對(duì)一致的情況下進(jìn)行加總。雖然加總的分

8、值分布與HSP分值最大值有差異，仍然可以得到解析解。上述幾種方法需要經(jīng)過計(jì)算才能進(jìn)行顯著性的判斷，有經(jīng)驗(yàn)的專家往往能夠直接進(jìn)行顯著性判斷。Doolitter（Doolittle1987）提出如下的經(jīng)驗(yàn)法則：①如果兩個(gè)序列的長(zhǎng)度都大于100，在適當(dāng)?shù)丶尤肟瘴恢?，它們配?duì)的相同率達(dá)到25%以上，字母表中的字符組成，k大于2，通過插入操作，使得各序列s1s2...sk的長(zhǎng)度一樣，從而形成這些序列的多重比對(duì)。如果將各序列在垂直方向排列起來，則

9、可以根據(jù)每一列觀察各序列中字符的對(duì)應(yīng)關(guān)系，如圖313。通過序列的多重比對(duì)，可以得到一個(gè)序列家族的序列特征。當(dāng)給定一個(gè)新序列時(shí)，根據(jù)序列特征，判斷這個(gè)序列是否屬于該家族。對(duì)于多序列比對(duì)，現(xiàn)有的大多數(shù)算法都基于漸進(jìn)的比對(duì)的思想，在序列兩兩比對(duì)的基礎(chǔ)上逐步優(yōu)化多序列比對(duì)的結(jié)果。進(jìn)行多序列比對(duì)后可以對(duì)比對(duì)結(jié)果進(jìn)行進(jìn)一步處理，例如構(gòu)建序列模式的profile，將序列聚類構(gòu)建分子進(jìn)化樹等等。1、SP（SumofPairs）模型）模型在多重比對(duì)中，首

10、先要對(duì)所得到的比對(duì)進(jìn)行評(píng)價(jià)，以確定其優(yōu)劣。例如，對(duì)圖313中的8個(gè)序列進(jìn)行比對(duì)，可以得到另外兩種結(jié)果，如圖3.14所示。那么，這樣的三個(gè)多重比對(duì)，哪一個(gè)更好呢？這就需要有一種方法來評(píng)價(jià)一個(gè)多重比對(duì)。評(píng)價(jià)一個(gè)多重序列比對(duì)比評(píng)價(jià)序列兩兩比對(duì)結(jié)果更復(fù)雜。這里，我們假設(shè)得分（代價(jià)）函數(shù)具有加和性，即多重比對(duì)的得分是各列得分總和。因此，我們首先考慮如何給比對(duì)的每一列打分，然后將各列的和加起來，成為一個(gè)總得分。在處理每一列時(shí)，自然的處理方式是尋找一

11、個(gè)具有k個(gè)變量的打分函數(shù)（k是參與多重比對(duì)的序列的個(gè)數(shù)），而每一個(gè)變量或者是一個(gè)來自特定字母表中的字符，或者是一個(gè)空白。我們很難得到這樣一種具有k個(gè)變量的表達(dá)式函數(shù)。另一方面，這種隱式函數(shù)不具有統(tǒng)一的形式，隨著k的變化，函數(shù)的表現(xiàn)形式也發(fā)生變化，不利于計(jì)算機(jī)處理。可以考慮使用顯式函數(shù)，在實(shí)現(xiàn)時(shí)，用一個(gè)k維數(shù)組來表示該顯式函數(shù)（類似于打分矩陣），指定對(duì)應(yīng)于k個(gè)變量各種組合的函數(shù)值。這帶來一個(gè)問題，即所需的數(shù)組空間很大，而且隨著k的變化，數(shù)

12、據(jù)結(jié)構(gòu)也要隨之動(dòng)態(tài)變化。我們所期望的函數(shù)在形式上應(yīng)該簡(jiǎn)單，具有統(tǒng)一的形式，不隨序列的個(gè)數(shù)而發(fā)生形式變化。根據(jù)得分函數(shù)的意義，函數(shù)值應(yīng)獨(dú)立于各參數(shù)的順序，即與待比較的序列先后次序無關(guān)。另外，對(duì)相同的VTISCTGSSSNIGAGNHVKWYQQLPGVTISCTGSSSNIGAG?NHVKWYQQLPGVTISCTGTSSNIGSITVNWYQQLPGVTISCTGTSSNIGS??ITVNWYQQLPGLRLSCSSSGFIFSSYAM

13、YWVRQAPGLRLSCSSSGFIFSS?YAMYWVRQAPGLSLTCTVSGTSFDDYYSTWVRQPPGLSLTCTVSGTSFDD??YYSTWVRQPPGPEVTCVVVDVSHEDPQVKFNWYVDGPEVTCVVVDVSHEDPQVKFNWYVDG??ATLVCLISDFYPGAVTVAWKADSATLVCLISDFYPGA??VTVAWKADS??AALGCLVKDYFPEPVTVSWNSGAALGCLVKDY