Transcript Métodos Heurísticos Ventajas Desventajas

Métodos
Heurísticos
Ventajas: Más rápido
Desventajas: Sub-óptimo
Las más conocidas
FAST: Lipman, Pearson (1985)
BLAST (Basic Local Alignment Search Tool):
Altschul et al. (1990)
FAST
• FASTP (proteínas)
• FASTN (ADN)
• FASTA (proteínas y ADN)
• TFASTA (una proteína contra una base de datos de ADN)
• LFASTA (devuelve más de un alineamiento local)
Algoritmo FASTP
• Secuencias s y t
• |s| = m, |t| = n
• ktup (1 ó 2 para proteínas)
• Tabla de búsqueda (lookup table, ej: hash)
• Vector indexado por offsets e inicializado en 0.
Ejemplo (pág. 87)
s = HARFYAAQIVL
t = VDMAAQIA
s =
t =
1
2
3
4
5
6
7
8
9
10
11
H
A
R
F
Y
A
A
Q
I
V
L
1
2
3
4
5
6
7
8
V
D
M A
A
Q
I
A
A
F
H
I
L
Q
R
V
Y
otras
2,6,7
4
1
9
11
8
3
10
5
-
Tabla de búsqueda
s =
1
2
3
4
5
6
7
8
9
10
11
H
A
R
F
Y
A
A
Q
I
V
L
A 2,6,7
s =
F 4
H 1
t =
1
2
3
4
5
6
7
8
9
10
11
H
A
R
F
Y
A
A
Q
I
V
L
1
2
3
4
5
6
7
8
V
D
M
A
A
Q
I
A
I 9
Vector de Offsets
L 11
Q 8
R 3
V 10
Y 5
otras -
t =
1
2
3
4
5
6
7
8
V
D
M
A
A
Q
I
A
|
+9
|
|
|
|
|
|
-2 -3 +2 +2
+2 +1
+3 +2
|
-6
-2 offsets
-1
t =
1
2
3
4
5
6
7
8
V
D
M
A
A
Q
I
A
|
+9
|
|
|
|
|
|
-2 -3 +2 +2
+2 +1
+3 +2
|
-6
-2
-1
offsets
Vector de offsets:
-7
-6
1
-5
-4
-3
-2
-1
1 2 1
0
+1
+2
+3
1 4 1
+4
+5
+6
+7
+8
+9
1
+10
Scoring
• Se unen aquellas k-tuplas que están en la misma
diagonal no muy lejos entre sí formando regiones.
• Se le da un puntaje a cada región dependiendo de los
match y mismatch de cada uno.
• Las 5 mejores regiones se les da un nuevo puntaje
utilizando una matriz de sustitución.
Matrices de Sustitución
• La elección puede influir fuertemente en el resultado
del análisis.
• Representan una teoría particular de evolución.
Ejemplos:
• PAM (Point Accepted Mutation) – PAM1, PAM 250
•BLOSUM (BLOcks SUbstitution Matrix) – BLOSUM62
BLOSUM62
A
A
R
N
D
4 -1 -2 -2
C
Q
E
0 -1 -1
G
H
I
L
K
M
F
P
S
T
W
Y
0 -2 -1 -1 -1 -1 -2 -1
1
0 -3 -2
V
B
Z
0 -2 -1
X
*
0 -4
R -1
5
0 -2 -3
1
0 -2
0 -3 -2
2 -1 -3 -2 -1 -1 -3 -2 -3 -1
0 -1 -4
N -2
0
6
1 -3
0
0
1 -3 -3
0 -2 -3 -2
D -2 -2
1
6 -3
0
2 -1 -1 -3 -4 -1 -3 -3 -1
C
0 -3 -3 -3
0
1
0 -4 -2 -3
3
0 -1 -4
0 -1 -4 -3 -3
4
1 -1 -4
9 -3 -4 -3 -3 -1 -1 -3 -1 -2 -3 -1 -1 -2 -2 -1 -3 -3 -2 -4
Q -1
1
0
0 -3
5
2 -2
0 -3 -2
1
0 -3 -1
0 -1 -2 -1 -2
0
3 -1 -4
E -1
0
0
2 -4
2
5 -2
0 -3 -3
1 -2 -3 -1
0 -1 -3 -2 -2
1
4 -1 -4
G
0 -2
H -2
0
0 -1 -3 -2 -2
1 -1 -3
0
6 -2 -4 -4 -2 -3 -3 -2
0 -2
0 -2 -2 -3 -3 -1 -2 -1 -4
8 -3 -3 -1 -2 -1 -2 -1 -2 -2
2 -3
0
0 -1 -4
I -1 -3 -3 -3 -1 -3 -3 -4 -3
4
2 -3
1
0 -3 -2 -1 -3 -1
3 -3 -3 -1 -4
L -1 -2 -3 -4 -1 -2 -3 -4 -3
2
4 -2
2
0 -3 -2 -1 -2 -1
1 -4 -3 -1 -4
K -1
2
0 -1 -3
M -1 -1 -2 -3 -1
1
1 -2 -1 -3 -2
5 -1 -3 -1
0 -1 -3 -2 -2
0 -2 -3 -2
1
2 -1
5
0 -2 -1 -1 -1 -1
F -2 -3 -3 -3 -2 -3 -3 -3 -1
0
0 -3
0
6 -4 -2 -2
...
1
0
1 -1 -4
1 -3 -1 -1 -4
3 -1 -3 -3 -1 -4
Continuado...
• El mejor de estos puntajes es utilizado como el score
inicial (initial score).
• Para las secuencias con los mejores puntajes, se calcula
un score optimizado generando una alineamiento exacto
usando programación dinámica restringido a una franja
alrededor del alineamiento inicial.
• ktup alto favorece la selectividad, ktup bajo
incrementa sensibilidad.
Salida (output)
fasta -E 2.0 -f -16 -g -4 -s dna.mat -O clase.txt VipRo.txt
m15pla~1.seq 6
VipRo.txt, 160 aa vs m15pla~1.seq library
532 residues in
1 sequences
results sorted and z-values calculated from opt score
1 scores better than 1 saved, ktup: 6, variable pamfact
dna.mat matrix, gap penalties: -16,-4
joining threshold: 47, optimization threshold: 32, width: 16
scan time: 0:00:00
The best scores are:
initn init1 opt
m15pla~1
159 159 194
>> m15pla~1
initn: 159 init1: 159 opt: 194
59.048% identity in 105 nt overlap
(532 nt)
30
40
50
60
70
80
VipRo. GAGAGCTGGCTAACTTAATTAATGTATGTGTATATCCTGATAAA---TGAATGCATTCT:::..: : .:::
:: : ::: :
AATATNNCTGGGNAAAANGGGAGGGAATTTTG
10
20
30
90
100
110
120
130
140
VipRo. TTATGATACTTTCTACCGTATGAATCTTTTGGGAAGAACGCGACTTTGTAGGGGCGGGAG
X::::..: :.: .::.: ::: :: :: :::.: :: : :: :.:: :::::::::X
TTATGNNAATNTTNACNGGATGGATTTTCGGGGNAAAAAGAGAATNTGAAGGGGCGGGAA
40
50
60
70
80
90
150
160
VipRo. CCGATAGAGGCCAGA
:....: :::.. ::
CNNNNAAAGGNNGGAGAAAATTTAAAGNTAAGTTTTCAATNCCATTNACCNTTTTGGTTN
100
110
120
130
140
150
Library scan:
0:00:00
total CPU time:
0:00:00
BLAST
• BLASTP
• BLASTN
• BLASTX (ADN contra una base de datos de proteínas)
• TBLASTN (proteína contra una base de datos de ADN)
• TBLASTX
Algoritmo BLAST
• Secuencias s y t
• |s| = m, |t| = n
• word: default ADN =11, default proteínas = 3
Paso 1 - Indexación
• Se generan un índice a cada word de la secuencia s
y de todas las secuencias t de la base de datos:
s = TCATATCACGGCCC... Con w = 11
words:
TCATATCACGG
CATATCACGGC
ATATCACGGCC
...
Paso 2 – Búsqueda Inicial
• Cada word de la secuencia s es comparada con el índice de
la base de datos y se le da un score.
• ADN: match = +1, mismatch = -3
Proteínas: Se utiliza una matriz de sustitución
• Se descartan aquellas words con puntaje menor a un
umbral T (ADN = 0, proteínas = 11)
• Los resultantes se los llama HSPs (High-scoring Segment
Pair).
s = TCAGATCACGG...
t = TGTCAGCTAACGGCC...
Alineamientos:
TCAGATCACGG
|
| |
Score: -21
TGTCAGCTAAC
word s: TCAGATCACGG
word t:
TGTCAGCTAAC
GTCAGCTAACG
TCAGCTAACGG
...
TCAGATCACGG
|
|
Score: -25
GTCAGCTAACG
TCAGATCACGG
|||| | ||||
TCAGCTAACGG
Score: 3
HSP
Paso 3 – Extensión
• Se extienden los HSP en ambas direcciones...
• ...hasta que el score llega a un umbral.
s = TCAGATCACGG...
t = TGTCAGCTAACGGCC...
Alineamientos:
Original:
Extensión:
TCAGATCACGG
TCAGATCACGG
TCAGATCACGGC
TCAGATCACGGCC
TCAGATCACGGCCCAACGGACCTGAGG
|||| | ||||
|||| | ||||||
||||
|||||
TCAGCTAACGG
TCAGCTAACGGCCGTTACGATGCTAAA
TCAGCTAACGG
TCAGCTAACGGC
TCAGCTAACGGCC
Score: 3
4
5
-29
||
Paso 4 – Inserción de gaps
• Los gaps son agregados para conectar HSPs.
• Un gap será agregado si el costo de unir dos HSPs es
positivo.
Expect (E)
• E = la frecuencia esperada de un score en la base de datos.
• Un match solo será mostrado si su E es menor que un
umbral.
Salida (output)
BLASTN 2.0.11 [Jan-20-2000]
Reference:
Altschul, Stephen F., Thomas L. Madden, Alejandro A. Schäffer,
Jinghui Zhang, Zheng Zhang, Webb Miller, and David J. Lipman (1997),
"Gapped BLAST and PSI-BLAST: a new generation of protein database
search
programs", Nucleic Acids Res. 25:3389-3402.
Query=
(160 letters)
Database: tcruzi
206 sequences; 160,103 total letters
Distribution of 41 Blast Hits on the Query Sequence
Score
E
Sequences producing significant alignments:
(bits) Value
SIRE
317
5e-89
VIPPAPER
287
5e-80
VIP5P
287
5e-80
...
SIRE
Length = 435
Score = 317 bits (160), Expect = 5e-89
Identities = 160/160 (100%)
Strand = Plus / Plus
Query: 1
Sbjct: 1
...
ttaggagcttgtgaaaagaatgatcgtgggagagctggctaacttaattaatgtatgtgt 60
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
ttaggagcttgtgaaaagaatgatcgtgggagagctggctaacttaattaatgtatgtgt 60
Mejora a BLAST
• En lugar de extender (paso 3) todos los HSPs solamente se
extienden aquellos que estén en la misma diagonal y a
distancia A.
PSI-BLAST
PSI-BLAST: Position Specific Iterated-BLAST
1.
BLAST.
2.
Aquellos hits por arriba de un cierto umbral son utilizados para construir un
alineamiento múltiple.
3.
Se arma una matriz de sustitución específica para cada posición con el
alineamiento múltiple.
4.
BLAST con esta nueva matriz.
5.
Se agregan los nuevos hits y se repite el proceso.