Post on 23-Jan-2016
Alineamiento de dos secuencias
Alineamiento de dos secuenciasPara alinear dos secuencias de longitud n y m, respectivamente, se
colocan una encima de la otra de manera que el número de símbolos coincidentes sea máximo. Si es necesario, se introducen huecos (gaps).
* Un sistema de puntuación
Alineamiento de dos secuencias
indel
Alineamiento de dos secuencias
Las tres posibilidades: match, mismatch, gap
En cada una de las posiciones de un alineamiento de secuencias se puede encontrar:
Un símbolo idéntico (match) que se ha conservado a lo largo de la evolución
Un símbolo distinto (mismatch) que ha sido sustituido (o que ha mutado) a lo largo de la evolución
Un hueco (gap), que es el resultado de la desaparicón (deletion) de un símbolo en una secuencia o de la inserción (insertion) de un símbolo en la otra. Como ambos casos son indistinguibles, también se les llama indels.
Alineamiento de dos secuenciasUn alineamiento global se extiende por toda la longitud de la secuencia
Un alineamiento local se limita a una región concreta de la secuencia
1.- Alineamiento global
2.- Alineamiento local
3.- Alineamiento semiglobal
Un alineamiento semiglobal se produce entre el final de una secuencia y el inicio de otra
Tipos de alineamiento de dos secuencias
Alineamiento de dos secuencias
Alineamiento global
Es especialmente adecuado cuando:
• Se comparan genes o proteínas con una misma función• Las secuencias tienen aproximadamente la misma longitud• Las secuencias están estrechamente relacionadas• Los dominios conservados se encuentran en el mismo orden
Un alineamiento global intenta alinear cada residuo de una secuencia con un residuo (o un indel) de la otra.
Un alineamiento global permite (1) establecer relaciones de homología y (2) hacer un análisis filogenético.
Para hacer un alineamiento global se utiliza el algoritmo de Needleman y Wunsch
Alineamiento de dos secuencias
En un alineamiento local, una o más regiones de una secuencia se alinean con una o más regiones de la
otra.
Es especialmente adecuado cuando:
• Se comparan secuencias muy divergentes (de igual longitud o no)• No se conoce el orden de los dominios conservados• Se compara ADNc (o ESTs) con el ADN genómico
Para hacer un alineamiento local se utiliza el algoritmo de Smith y Waterman
Alineamiento local
Un alineamiento local permite (1) detectar pequeñas regiones conservadas de similitud local (centros activos, dominios proteicos, exones), (2) distinguir entre exones e intrones y (3) ensamblar contigs a partir de fragmentos más pequeños
Alineamiento de dos secuencias
Alineamiento semiglobal
Es especialmente adecuado cuando:
• Se comparan secuencias de muy distinta longitud• El final de una secuencia se solapa con el inicio de la otra• Los dominios conservados se encuentran en el mismo orden
Para hacer un alineamiento semiglobal se utiliza una variante del algoritmo de Smith y Waterman que no aplica
penalizaciones ni al principio ni al final de la secuencia
Un alineamiento semiglobal permite (1) ensamblar contigs a partir de fragmentos más pequeños y (2) comparar ADNc (o
ESTs) con el ADN genómico para establecer la estructura del gen
Un alineamiento semiglobal se utiliza para alinear secuencias con una longitud muy distinta
Alineamiento de dos secuencias
Ejemplo de alineamientos semiglobales
Alineamiento de dos secuencias
Búsqueda de secuencias en BD
Alineamiento de dos secuencias
Estrategias para alinear dos secuencias
Existen diversos métodos para el alineamiento de dos secuencias:
1.- El algoritmo de fuerza bruta
2.- Matrices de puntos (dot-plots)
3.- El algoritmo de programación dinámica
4.- Métodos heurísticos (FASTA, BLAST)
Alineamiento de dos secuencias
O (2n × 2m)
Alineamiento de dos secuencias
A lo bestia: el algoritmo de fuerza bruta
Alineamiento de dos secuenciasTrata de encontrar la secuencia común de mayor tamaño (LCS)
entre dos secuencias X e Y de longitudes m y n, respectivamente.
Se determinan todas las subsecuencias posibles de X (2m) y se comparan con todas las subsecuencias posibles de Y (2n)
En total, hay que hacer 4(m+n) comparaciones
En la práctica, resulta imposible, tanto por el tiempo que se necesita como por los recursos de memoria que le harían falta al ordenador
Con gaps, hay que repetir los cálculos 2N veces para examinar la presencia de gaps en todas las
posiciones posibles de las dos secuencias
Según Waterman (1989) comparar dos secuencias de 300 aminoácidos requiere examinar 1088 posibilidades, casi el mismo
número de partículas elementales que hay en el Universo.
Con alineamientos locales es aún peor
Alineamiento de dos secuenciasO (m × n)
Alineamiento de dos secuencias
Dot-plot (Gibbs and McIntyre, 1970)
Alineamiento de dos secuencias
2.- Se escribe la secuencia A en la fila superior y la secuencia B (longitud = n) en la columna de la izquierda.
El algoritmo
3.- Se construye una matriz con m columnas y n filas (m n).
4.- Se compara cada letra de la secuencia A con cada letra de la secuencia B. Si coinciden los caracteres se marca esa posición con un punto. Si no, se deja en blanco.
1.- Se necesitan dos secuencias: A (de longitud = m) y B (de longitud = n).
Alineamiento de dos secuencias
Construcción de la matriz
Alineamiento de dos secuencias
Rellenado de la matriz
Alineamiento de dos secuencias
Características del dot plot
Es un método visual que detecta todas las coincidencias posibles entre dos secuencias. Es tarea
del investigador determinar cuáles son relevantes.
No proporciona un alineamiento de las secuencias pero nos da una
idea de qué regiones deberían estar alineadas después de utilizar cualquiera de los otros métodos y nos puede ayudar a decidir cuál
es el alineamiento óptimo.
Detecta relaciones entre las secuencias, o dentro de una misma
secuencia que, de otra forma, serían muy difíciles de encontrar
Alineamiento de dos secuenciasSecuencia horizontal: gen/proteína c2 del fago P22Secuencia vertical: gen/proteína cI del fago
Como sólo hay 4 nucleótidos, aparecen muchas coincidencias por mero azar que generan ruido
DNA
Como hay 20 aminoácidos, hay muchas menos coincidencias por
azar y presenta mucho menos ruido
Proteína
DNA vs. proteína
Alineamiento de dos secuencias
Filtrado de los datos
Se puede eliminar el ruido mediante un filtrado- Secuencia horizontal: gen c2 del fago P22- Secuencia vertical: gen cI del fago
Sin filtrar Tras aplicar un filtro
Alineamiento de dos secuencias
Reducción del ruido: filtrado mediante ventanas deslizantes
Se colocará un punto en la posición correspondiente al centro de la ventana cuando entre ambas
ventanas exista, como mínimo, el número de coincidencias indicado
por el parámetro r.
La ventana deslizante se define mediante dos parámetros:
- TAMAÑO (t): es el número de símbolos que abarca la ventana. Suele ser 15 en el caso del DNA y 2 ó 3 en el caso de proteínas.
- RIGOR (r): es el mínimo número de coincidencias que debe haber entre las
dos ventanas para colocar un punto en la matriz
(t = 11 y r = 7)
Ventanas deslizantes
Alineamiento de dos secuencias
Ejemplo de la reducción del ruido
Secuencia horizontal: gen c2 del fago P22
Secuencia vertical: gen cI del fago
(t = 1 y r = 1)
(sin filtrado)
(t = 11 y r = 7) (t = 23 y r = 15)
Alineamiento de dos secuencias
Valores apropiados para los parámetros de filtrado
En general, hay que utilizar una ventana del tamaño del elemento que quiero localizar
- Al comparar secuencias de ácidos nucleicos:
- Se utilizan ventanas largas y con rigor elevado (t = 15 y r = 10, por ejemplo)
- Al comparar secuencias de proteínas:
- Muchas veces no se filtra la matriz (t = 1 y r = 1).
- Si intento buscar dominios cortos con similitud parcial en secuencias largas usaré una ventana larga y un rigor medio (t = 20 y r = 5, por ejemplo)
- A la hora de filtrar se pueden utilizar matrices de puntuación o se puede tener en cuenta la similitud entre las cadenas laterales de los aminoácidos.
- Si se filtra, se utilizan ventanas cortas con un rigor muy pequeño: (t = 2 y r = 2), (t = 3 y r = 2)
Alineamiento de dos secuenciasComparación de una secuencia
(DNA o proteína) consigo misma
Alineamiento de dos secuencias
- Aparece una diagonal de lado a lado
- Hay simetría respecto a esa diagonal
- Las líneas paralelas a ambos lados de la diagonal corresponden a repeticiones de la secuencia.
- Las áreas con alta densidad de puntos son repeticiones cortas de un mismo nucleótido o aminoácido (regiones de poca complejidad)
- Se ve mejor con un filtrado
Comparación de una secuencia consigo misma (1)
- Las repeticiones invertidas o las secuencias palindrómicas aparecen como líneas perpendiculares a la diagonal principal
(Receptor LDL humano)
Alineamiento de dos secuenciasRegión de poca
complejidad
Comparación de una secuencia consigo misma (2)
Receptor LDL humano
(sin filtrar)
(t = 1 y r =1) (t = 23 y r =7)
Factor de transcripción
humano
Receptor LDL humano (filtrado)
Regiones repetidas
Repeticiones invertidas
(t = 1 y r =1)
Alineamiento de dos secuenciasProteína SLIT de Drosophila melanogaster
Secuencias repetidas
- En el extremo amino hay 4 regiones repetidas, ricas en leucina (A)
- Hay otro dominio que se repite unas 6 veces en un tramo pequeño y otra vez más cerca del extremo carboxilo (B). Es el dominio EGF.
Alineamiento de dos secuencias
Repetición en tándem
Repetición en tándem de un
fragmento de la secuencia
…ABCDEFGEFGHIJKLMNO…
Alineamiento de dos secuencias
En las repeticiones invertidas (inverted repeats), dos segmentos distintos de la doble hélice se leen igual, pero en sentidos opuestos:
Repeticiones invertidas
5' AGAACAnnnTGTTCT 3'3' TCTTGTnnnACAAGA 5'
Alineamiento de dos secuencias
Repeticiones invertidas
- Secuencias implicadas en la unión de los factores de transcripción
- Estructuras secundarias (stem-loop) del RNA (horquillas de terminación de la transcripción)
- Transposones de plantas
Las repeticiones invertidas se pueden encontrar en:
- Genes de retrovirus insertados en el genoma del huésped
- Genes duplicados
Alineamiento de dos secuenciasHorquilla de terminación en la secuencia del gen UTP-
glucosa-1-fosfato uridililtransferasa de Bacillus subtilis
- En las regiones con apareamientos locales (estructuras stem-loop) la secuencia directa coincide con la de la hebra complementaria escrita en sentido inverso
Repeticiones invertidas
Alineamiento de dos secuencias
Secuencias palindrómicas
En las secuencias palindrómicas, la secuencia de una hebra se lee igual que la de su hebra complementaria:
5' GGCC 3'3' CCGG 5'
Alineamiento de dos secuencias
Secuencias palindrómicas
- Secuencias reconocidas por enzimas de restricción:
Las secuencias palindrómicas se pueden encontrar en:
Alineamiento de dos secuencias
Regiones con poca complejidad
Receptor LDL humano
- Las regiones de baja complejidad aparecen como zonas con una elevada densidad de puntos
Alineamiento de dos secuencias
Regiones con poca complejidad
Proteína P21997 (UniProtKB/Swiss-Prot)
- En las regiones de poca complejidad hay un aminoácido que se repite mucho más de lo normal. En este caso es la prolina.
- En el dot plot, estas regiones aparecen como cuadrados con una elevada densidad de puntos.
Alineamiento de dos secuencias
Comparación de dos secuencias similares
(de DNA o de proteína), pero no idénticas
Alineamiento de dos secuenciasSe coloca la secuencia A en la parte superior y la secuencia
B en el costado izquierdo. Se coloca un punto allí donde ambas coordenadas contengan un mismo símbolo.
Es un método visual que detecta rápidamente todas las coincidencias
- Las regiones similares aparecen como diagonales (puede haber más de una)
- Los indel provocan desplazamientos de la diagonal (en sentido vertical u horizontal)
- Las transposiciones y las secuencias repetidas aparecen como diagonales paralelas a la principal
- Las repeticiones inversas y las secuencias palindrómicas aparecen como líneas perpendiculares a la diagonal principal
- Las regiones con poca complejidad aparecen como regiones con una elevada densidad de puntos
Lo que se puede detectar con un dot-plot
Alineamiento de dos secuencias
Dominios conservados
- La diagonal principal corresponde a las regiones similares que pueden alinearse
- Los huecos corresponden a las regiones que no son similares y que no podrían alinearse
Diagonal principal
Huecos- Con frecuencia, estas regiones corresponden a dominios proteicos conservados
Alineamiento de dos secuencias
Indels (insertion/deletions)
- Un indel provoca un desplazamiento de la diagonal
- El desplazamiento de la diagonal es paralelo a la secuencia que presenta la inserción
- Comparando cDNA con el DNA genómico, se pueden identificar los intrones y los exones
Región insertada
Alineamiento de dos secuencias
Secuencia repetida en tándem
Región repetida
Región repetida
Región repetida
- Una región repetida provoca un solapamiento en las diagonales
Alineamiento de dos secuencias
Repetición invertida o secuencia palindrómica
- Una repetición invertida o una secuencia palindrómica provoca una línea perpendicular a la diagonal
Alineamiento de dos secuencias
Comparación de una secuencia de proteína con su gen de ADN
Alineamiento de dos secuencias
Identificación de los intrones y exones
- Secuencia horizontal: gen J05545.1 - Secuencia vertical: proteína P60204 (una calmodulina)
- Al comparar un gen con su producto proteico se pueden diferenciar los exones y los intrones.
* En rojo: exones.
* En azul: intrones.
- También se pueden diferenciar intrones y exones al comparar un cDNA, una EST (expressed sequence tag) o un mRNA con el DNA genómico
Alineamiento de dos secuencias
El programa Dotlet
http://myhits.isb-sib.ch/cgi-bin/dotlet
Alineamiento de dos secuencias
El programa Dnadot
http://www.vivo.colostate.edu/molkit/dnadot/
Alineamiento de dos secuencias
El programa Dotter
Descárgate el programa (varias plataformas)
http://sonnhammer.sbc.su.se/Dotter.html
Alineamiento de dos secuencias
El programa Dottup
http://emboss.bioinformatics.nl/cgi-bin/emboss/dottup
Alineamiento de dos secuenciashttp://mobyle.pasteur.fr/cgi-bin/portal.py?#forms::dottup
El programa Dottup
Alineamiento de dos secuenciashttp://mobyle.pasteur.fr/cgi-bin/portal.py?#forms::dotmatcher
El programa Dotmatcher
Alineamiento de dos secuencias
El programa Dothelix
http://www.genebee.msu.su/services/dhm/advanced.html
Alineamiento de dos secuenciashttp://www.cbs.dtu.dk/services/MatrixPlot/
El programa MatrixPlot