DOT PLOT: VISUALIZACIÓN DE LA SIMILITUDENTRE DOS SECUENCIAS

COMPARACION DE DOS ATPASAS DE PECES

El DOT PLOT permite una visualización rápidade la similitud entre dos secuencias

Inconvenientes:

No identifica directamente los fragmentos similares

No permite cuantificar el grado de similitud

Ventajas:

Nos muestra inversiones y estructuras repetidas

Computacionalmente eficiente

ALINEAMIENTO:

ALINEAR DOS SECUENCIAS CONSISTE EN IDENTIFICAR

LAS CORRESPODENCIAS RESIDUO-RESIDUO ENTRE

AMBAS

EL ALINEAMIENTO ES LA HERRAMIENTA BÁSICA

EN BIOINFORMATICA

necesitamos criterios para distinguir entreBuenos alineamientos y malos alineamiento

Distancia de Hamming: dadas dos cadenas deigual longitud, se define como el número deposiciones no coincidentes (mismatches)

Distancia se Levenshtein: dadas dos cadenas, no necesariamente de la misma longitud, se define como el número de operaciones de edición(inserción, deleción, alteración) necesarias paraconvertir una en otra

Scores

Las distancias son medidas de la disimilaridadentre secuencias

El score es una medida de la similaridad entre secuencias

El score tiene introducir una penalización por introducir espacios (gap penalty)

La puntuación asignada a residuos coincidentesno tiene por qué ser igual en todos los casos, ydicha puntuación debería tener un sentido biológico

¿Cuál es la mejor ruta entre Malmo y Tromso?

Algoritmos de programacióndinámica

global

local

Para un score x, la probabilidad de observar unscore ≥x es:P(score≥x)=1-exp(-ke–λx)

Relación distante10-5 -10-1

relacionadas10-50 -10-10

casi idénticas10-100 -10-50

Probablemente no relacionadas

P≤10-1

exactoP≤10-100

Distribución de valor extremo

Z-score = (score-media)/dev estandar

Probablemente significativo

Z≥5

Similitud observada equivalente a la aleatoria

Z=0

Indistinguible del azarE > 1

No descartar homología

0.02<E <1

Probablementehomólogas

E≤0.02

E-value de un alineamiento encontrado en una base de datos,es el número esperado de secuencias que por azar dar un scoreigual o mayor al obtenido. Resulta de multiplicar P por el tamaño de la base de datos

Zona difusa18-25%

Indistinguible del azar<18%

Alta probabilidad deEstructura y funciónsimilar

45-25%

Muy probablementeIdéntica función

<45%

Interpretación del nivel de similaridad entredos protéinas

Significación de alineamientos

Técnica de Montecarlo:Barajar secuencias>Repetir alineamiento>Apuntar score

Interpretación de la homología

• Regla de Doolitle para proteínas(Doolitle’s rule of thumb)

Si dos secuencias son >100 aa y su identidad es:

– > 25%, probablemente están relacionadas

– 15-25 % (twilight zone), podrían estar relacionadas, pero habría que demostrarlo con otras pruebas

– <15 %, probablemente no están relacionadas

Interpretación de la homología

• Los alineamientos son fáciles con secuencias muy parecidas

• Por debajo de un umbral, los alineamientos pueden no tener un significado biológico

– Twilight zone

• Por debajo de este umbral hay que disponer de más información (estructura, etc.)

Filtros

Se aplican filtros para evitar el efecto de:

Regiones de baja complejidad (filtros SEG y DUST)

Secuencias repetidas (filtros específicos)

Regiones coil-coil (filtro COILS)

Conceptos básicos• Homología (homology):

• Concepto cualitativo

• Implica la existencia de una relación evolutiva

• Similitud (similarity):• Concepto cuantitativo

• Concepto o cantidad que expresa cómo de parecida es una cosa a otra:

• Identidad (DNA y proteínas)

• Conservación funcional (prot.)

Reeck et al. 1987 "Homology" in proteins and nucleic acids : a terminology muddle and a way out of it. Cell 50: 667

Principales algoritmos para alineamientos• Para alineamientos múltiples

• Métodos progresivos– Alinean las secuencias más parecidas y luego van incorporando el

resto poco a poco – Más rápidos, aunque menos precisos que en prog. dinámica– Producen un buen alineamiento, pero que no es necesariamente el

óptimo

– Ej. Clustal, PILEUP, T-Coffee

• Métodos iterativos– Rápidos y precisos– Construyen un alineamiento inicial que se revisa progresivamente para

conseguir mejorar la puntuación

– Ej. Multalin, Dialign

Clustal

• Dos versiones:– Clustal W: en servidor web– Clustal X: con interfaz gráfica para Windows

• Método:– Se alinean separadamente todos los pares de secuencias y calcula una

matriz de distancias que indica la divergencia entre cada par de secuencias

– A partir de la matriz de distancias se calcula un “arbol guía” (Neighbor-Joining)

– Las secuencias se alinean progresivamente siguiendo el orden de lasramas del arbol guía

• Características:– Fortalezas:

• Alta velocidad– Problemas:

• Alineamiento depende de las secuencias iniciales• No se puede corregir en el alineamiento la adición inicial de gaps

Operational options

Output options

Input options, matrix choice, gap opening penalty

Gap information,output tree type

File input in GCG, FASTA, EMBL, GenBank, Phylip, or several other formats

Secuencias no alineadas

Misma región, después del alineamiento

Multalin

• Disponible en servidores Web; también versión local, pero sin interfaz gráfica

• Método:– Alinea progresivamente, primero por pares y luego grupos de

secuencias, y calcula sus puntuaciones– Recalcula las puntuaciones de los alineamientos de cada dos

secuencias durante la producción del alineamiento– Los alineamientos recalculados se incorporan al alineamiento global– El programa para cuando nos e mejoran las puntuaciones

• Características:– Puede producir mejores alineamientos que algoritmos progresivos– Problemas:

• Requiere mucha computación

Editores de alineamientos

• Sirven para

– Editar manualmente un alineamiento

– importar o exportar datos

– Mejorar la presentación visual de los alineamientos

AGTVATVSCAGTSATHACIGRCARGSCIGEMARLACIGDYARWSC

.........

IGTVARVSC <= Ejemplo de secuencia consenso

Secuencias consenso

Ejemplo:AGTVATVSC AGTSATHAC IGRCARGSC IGEMARLAC IGDYARWSC

......... IGTVARVSC <= Ejemplo de secuencia consenso

podríamos generar el siguiente patrón:[AI]-G-X-X-A-[RT]-[SA]-C

Expresiones regulares

prosite

Perfiles

Permiten mejorar alinen secuencias distantes

Position-specific scoring matrix

Dominios yFamilias de proteínas

REDES NEURONALES

Modelos ocultos de MarkovHMM

PSI-BLAST