UNIVERSITATEAPOLITEHNICA TIMIŞOARA

UNIVERSITATEAPOLITEHNICA TIMIŞOARA

MASTER SIIS MASTER SIIS

Sisteme Informatice în Îngrijirea Sisteme Informatice în Îngrijirea Sănătății Sănătății

1

www.medinfo.umft.ro/www.medinfo.umft.ro/dimdim/bioinformatica.htm/bioinformatica.htm

2

BIOINFORMATICABIOINFORMATICA

Prof Dr George I MihalaProf Dr George I Mihalaşş

UMF Victor BabeşUMF Victor Babeş

3

CURSUL 9CURSUL 9

4

ALINIEREA MULTIPLĂALINIEREA MULTIPLĂ

MSAMSA

““MULTIPLE SEQUENCE MULTIPLE SEQUENCE ALIGNEMENT”ALIGNEMENT”

5

Scop şi Motivaţie Scop şi Motivaţie pentru MSApentru MSA

PROBLEMA:

Fiind date:- un set de mai mult de 2 secvenţe- o metodă de scor pentru o aliniere,

să se determine corespondenţele între secvenţe astfel încât scorul de aliniere să fie maxim.

6

•Motivaţie:

– Stabilirea datelor de intrare pentru analiza filogenetică

– Determinarea istoriei evolutive a unui set de secvenţe (în ce punct au apărut anumite mutaţii?)

– Descoperirea unui “motiv” comun într-un set de secvenţe (ex secvenţe de ADN care leagă aceeaşi proteină)

– Caracterizarea unui set de secvenţe (ex o familie de proteine)

– Construcţia profilelor pentru căutarea bazelor de date de secvenţe (PSI-BLAST)

7

Ex: Aliniere Multiplă a Domeniului SH3Ex: Aliniere Multiplă a Domeniului SH3

• Domeniu scurt (60 AA)

• Prezent în enzime (kinaze, fosfolipaze etc)

• Cca 300 în genomul uman

8

ReprezentReprezentăriări• Pe coloane

• Cu simboluri

9

Scoruri pentru MSAScoruri pentru MSA

• Ipoteză: coloanele individuale ale unei alinieri sunt independente

• Formulă:

• Metode:– Suma perechilor (SP)

– Entropia minima

10

Suma perechilorSuma perechilor

• Calculează suma scorurilor din alinierea perechilor

11

ExempluExemplu

• 5 secvențe ADN și matricea de substituție

• Calculul sumei S(3)

Notăm: S12 = s(m31, m3

2)

S(3) = S12 + S13 + S14 + S15 + + S23 + S24 + S25 + + S34 + S35 + + S45 =

= s(g,a) + s(g,a) + s(g,-) + s(g,c) +

+ s(a,a) + s(a,-) + s(a,c) + + s(a,-) + s(a,c) + + s(-,c) =

= (-1 -1 -3 -2) + (+4 -3 -2) + (-3 -2) + (-3) = -7 -1 -5 -3 = -16

12

Entropia Minimă (i)Entropia Minimă (i)

• Ideea de bază: încercarea de minimizare a entropiei fiecărei coloane

• [sunt “bune” coloanele ce pot fi comunicate cu puţini biţi]

• Teoria informaţiei: codul optim foloseşte

- log2 p

biţi pentru a codifica un mesaj cu probabilitatea p.

13

Entropia Minimă (ii)Entropia Minimă (ii)

• Mesajul este considerat pe coloană• Entropia unei coloane este:

14

Programare dinamicăProgramare dinamică

• Generalizare a alinierii a două secvenţe– Se consideră o matrice de dimensiune “k” pt k secvenţe

– Fiecare element reprezintă scorul pentru k secvenţe (în loc de două)

• Pentru k secvenţe de lungime n, complexitatea spaţiului este O(nk)

15

Metode Euristice de AliniereMetode Euristice de Aliniere

• Alinierea Progresivă: construcţia unei succesiuni de alinieri perechi:– Abordare “stea”

– Abordare “arbore” (CLUSTALW)

• Rafinare iterativă – dat fiind o aliniere multiplă:– Se elimină o secvenţă care se realiniază la profilul altor

secvenţe

– Se repetă până la convergenţă

16

MMatricea coeficienatricea coeficienților în ților în alinierea progresivăalinierea progresivă

• Pași în Alinierea Progresivă – se aliniază secv. X1 cu X2 (notat Y) profilul Xp2

– se aliniază profilul Xp2 cu X3 (notat Y) profilul Xp3

– se aliniază profilul Xp3 cu X4 (notat Y) profilul Xp4 …

– OBS: matricea de substituție conține și“conservarea gap-urilor”

– Ex: fie secvențele c g g a – t g

– t g a - - t t

– a c g t -

17

Modelul “stea”Modelul “stea”• Se dau k secvenţe a fi aliniate: X1, …, Xk

• Se alege o secvenţă Xc ca şi “centru”

• Pentru fiecare Xi ≠ Xc se determină între Xi şi Xc o aliniere optimală

• Se reunesc alinierile perechi• Rezultatul – alinierea multiplă rezultă din agregare• Alegerea centrului:

– Se încearcă fiecare secvenţă ca centru, se ia cea mai bună aliniere multiplă

– Se calculează toate alinierile perechi şi se alege şirul Xc care maximizează

18

Ex: modelul “stea” (i)Ex: modelul “stea” (i)

19

Ex: modelul “stea” (ii)Ex: modelul “stea” (ii)

20

Modelul “arbore”Modelul “arbore”

• Ideea de bază: se organizează alinierea folosind un “arbore ghid” (guide tree)– Frunzele reprezintă secvenţele

– Nodurile interne reprezintă alinieri

• Alinierile se determină pornind de la bază în sus– Alinierea multiplă rezultă la rădăcina arborelui

• O variantă uzuală: CLUSTALW (Thompson, 1994)

21

Ex: modelul arboreEx: modelul arbore

22

Alinierea Progresivă în CLUSTALWAlinierea Progresivă în CLUSTALW

• În funcţie de nodul intern din arbore, putem avea de aliniat:– O secvenţă cu o secvenţă

– O secvenţă cu un profil (aliniere parţială)

– Un profil cu un profil

• În toate cazurile putem folosi DP – Programarea Dinamică– Pentru cazul profilelor se recomanda scorul SP

23

24

PAUZAPAUZA

25