Alignement de s

1
Alignement de séquences biologiquesLaurent
DuretPôle Bioinformatique Lyonnaishtt//pbil.
univ-lyon1.fr/alignment.html
2
Objectifs poursuivis

• Les alignements permettent de comparer des
  séquences biologiques. Cette comparaison est
  nécessaire dans différents types détudes 
• Identification de gènes homologues
• Recherche de contraintes fonctionnelles communes
  à un ensemble de gènes ou de protéines.
• Prédiction de fonction
• Prédiction de structure (ARN, protéine) (Cf
  Deléage, Gaspin)
• Reconstitution des relations évolutives entre
  séquences (phylogénie) (Cf Gouy).
• Choix d'amorces PCR
• ...

3
Alignement représentation

• Les résidus (nucléotides, acides-aminés) sont
  superposés de façon à maximiser la similarité
  entre les séquences.
• G T T A A G G C G G G A A A
• G T T G C G A G G A C A
• Mutations
• Substitution (mismatch)
• Insertion
• Délétion
• Insertions ou délétions indels (gap).

4
Quel est le bon alignement ?

• G T T A C G A G T T A C G A
• G T T - G G A G T T G - G A
• OU
• G T T A C - G A
• G T T - - G G A
• Pour le biologiste, généralement, le bon
  alignement est celui qui représente le scénario
  évolutif le plus probable

5
Fonction de score de similarité

• G T T A A G G C G G G A A A
• G T T G C G A G G A C A
• Score
• Exemple
• identité 1
• mismatch 0
• gap -1
• Score 10 - 4 6

6
Modèle d'évolution (ADN)

• Transition A lt-gt G T lt-gt C
• Transversions autres substitutions
• p(transition) gt p(transversion)
• G T T A C G A G T T A C G A
• G T T - G G A G T T G - G A
• .

7
Modèle d'évolution (protéines)

• Code génétique
• Asp (GAC, GAU) ? Tyr (UAC, UAU) 1 mutation
• Asp (GAC, GAU) ? Cys (UGC, UGU) 2 mutations
• Asp (GAC, GAU) ? Trp (UGG) 3 mutations
• Propriétés physico-chimiques des acides-aminés
  (acidité, hydrophobicité, encombrement stérique,
  etc.)
• Matrices de Dayhoff (PAM), BLOSUM mesures des
  fréquences de substitutions dans des alignements
  de protéines homologues
• PAM 60, PAM 120, PAM 250 (extrapolations à partir
  de PAM 15)
• BLOSUM 80, BLOSUM 62, BLOSUM 40 (basé sur des
  alignements de blocs)

Substitutions conservatrices
8
Pondération des gaps

• TGATATCGCCA TGATATCGCCA
• TGAT---TCCA TGAT-T--CCA
• Gap de longueur k Pénalités linéaires w do
  de k
• do pénalité pour l'ouverture d'un gap
• de pénalité pour l'extension d'un gap

9
Pondération des gaps (plus réaliste)

• Estimation des paramètres sur des alignements
  "vrais" (par exemple basés sur l'alignement de
  structures connues)
• Gap de longueur k
• Pénalités logarithmiques w do de log(k)
• w f(log(k), log(PAM), résidus, structure)
• PAM la probabilité d'un gap augmente avec la
  distance évolutive
• Résidus, structure la probabilité d'un gap est
  plus forte dans une boucle (hydrophile) que dans
  le cœur hydrophobe des protéines

10
Similarité globale, locale
11
Similarité, homologie

• Deux séquences sont homologues ssi elles dérivent
  d'un ancêtre commun
• 30 d'identité entre deux protéines gt homologie,
  sauf si
• Fragment similaire court (lt 100 aa)
• Biais compositionnel (régions de faible
  complexité, par exemple riche en Pro, Ala)

12
Algorithmes d'alignement de deux séquences

• Algorithme de programmation dynamique
• Alignement global Needleman Wunsh
• Alignement local Smith Waterman
• Heuristiques
• FASTA
• BLAST

13
Alignement multiple programmation dynamique

• La généralisation de lalgorithme NW au
  traitement simultané de plus de deux séquences
  est théoriquement possible mais inexploitable en
  pratique.
• Pour un alignement de n séquences le nombre de
  chemins possibles pour chaque case est de 2n 1.
• On a une croissance exponentielle du temps de
  calcul et de l'espace mémoire requis en fonction
  du nombre de séquences.
• Utilisation de méthodes heuristiques.

14
Alignement progressif

• Approche consistant à construire itérativement
  lalignement multiple en groupant des alignements
  de paires de séquences.
• Ce genre de méthodes comporte trois étapes 
• Lalignement des paires de séquences.
• Le groupement des séquences.
• Le groupement des alignements (alignement
  progressif).
• CLUSTAL (Higgins, Sharp 1988, Thompson et al.,
  1994), le programme dalignements multiples le
  plus utilisé à lheure actuelle utilise cette
  approche.
• MULTALIN, PILEUP, T-Coffee

15
(No Transcript)
16
Pénalités en fonction de la position

• CLUSTAL introduit des pondérations qui sont
  dépendantes de la position des gaps.
• Diminution de la pénalité à lemplacement de gaps
  préexistants.
• Augmentation de la pénalité au voisinage (8
  résidus) de gaps préexistants.
• Réduction de la pénalité au niveau de régions
  contenant des suites dacides aminés hydrophiles
  ( 5 résidus).
• Modification spécifiques en fonction des acides
  aminés présents (e.g., la pénalité est plus
  faible avec Gly, Asn, Pro).
• Ces pondérations sont prises en compte au moment
  du groupement des alignements.

17
Alignement progressif pas toujours optimal

• Un seul des ces trois alignements est optimal

18
T-CoffeeNotredame, Higgins, Heringa (2000) JMB
302205
19
T-CoffeeNotredame, Higgins, Heringa (2000) JMB
302205 http//igs-server.cnrs-mrs.fr/cnotred/

• Alignement progressif
• Lors des alignements intermédiaire, prise en
  compte de tous les alignements deux à deux
  (globaux et locaux)
• Possibilité d'incorporer d'autres informations
  (structure, etc.)

20
Alignements globaux, alignements par bloc
21
DialignMorgenstern et al. 1996 PNAS 9312098

• Recherche de blocs similaires (? exact) sans gap
  entre les séquences
• Sélection de la meilleure combinaison possible de
  blocs similaires (uniformes ou non) consistents
  heuristique (Abdeddaim 1997)
• Alignement ancré sur les blocs
• Plus lent que alignement progressif, mais
  meilleur alignement quand les séquences
  contiennent de grands indels ne cherche pas à
  aligner des régions non-alignables

22
Alignements locaux

• MEME
• MATCH-BOX
• PIMA

23
Bilan

• ClustalW
• Dialign
• T-coffee
• MEME

24
Éditeur d alignement multiple
25
Cas particuliers

• Alignement de séquences ADN codantes
• L F L F
• CTT TTC CTT TTC
• CTC --- --- CTC
• L - - L
• alignement des séquences protéiques
• traduction-inverse de l'alignement protéique en
  alignement nucléique
• Alignement cDNA / génomique SIM4
• Alignement protéine / génomique WISE2

26
Limitation des comparaisons deux à deux (BLAST,
FASTA, ...)

• Seq A CGRRLILFMLATCGECDTDSSE
  HICCIKQCDVQDIIRVCC
• 
  
• Insuline CGSHLVEALYLVCGERGFFYTP
  EQCCTSICSLYQLENYCN
• 
  
• Seq B YQSHLLIVLLAITLECFFSDRK
  KRQWISIFDLQTLRPMTA
• Comparaisons 2 à 2
• Insuline / Seq A 25 d'identité
• Insuline / Seq B 25 d'identité

27
Alignement de séquences de la famille des
insulines

• 
  B-chain
  A-chain
  
• INSL4 Q14641 ELRGCGPRFGKHLLSYCPMPEKTFTTTPGG...
  x58 ....SGRHRFDPFCCEVICDDGTSVKLCT
• INSL3 P51460 REKLCGHHFVRALVRVCGGPRWSTEA.......
  x51 ....AAATNPARYCCLSGCTQQDLLTLCPY
• RLN1 P04808 VIKLCGRELVRAQIAICGMSTWS..........x
  109 ....PYVALFEKCCLIGCTKRSLAKYC
• BBXA P26732 VHTYCGRHLARTLADLCWEAGVD..........x
  25 ........GIVDECCLRPCSVDVLLSYC
• BBXB P26733 ARTYCGRHLADTLADLCF--GVE..........
  x23 ........GVVDECCFRPCTLDVLLSYCG
• BBXC P26735 SQFYCGDFLARTMSILCWPDMP...........x
  25 ........GIVDECCYRPCTTDVLKLYCDKQI
• BBXD P26736 GHIYCGRYLAYKMADLCWRAGFE..........x
  25 ........GIADECCLQPCTNDVLLSYC
• LIRP P15131 VARYCGEKLSNALKLVCRGNYNTMF........
  x58 ........GVFDECCRKSCSISELQTYCGRR
• MIP I P07223 RRGVCGSALADLVDFACSSSNQPAMV......
  .x29 ....QGTTNIVCECCMKPCTLSELRQYCP
• MIP II P25289 PRGICGSNLAGFRAFICSNQNSPSMV......
  .x44 ....QRTTNLVCECCFNYCTPDVVRKYCY
• MIP III P80090 PRGLCGSTLANMVQWLCSTYTTSSKV.......
  x30 ....ESRPSIVCECCFNQCTVQELLAYC
• MIP V P31241 PRGICGSDLADLRAFICSRRNQPAMV.......x
  44 ....QRTTNLVCECCYNVCTVDVFYEYCY
• MIP VII P91797 PRGLCGNRLARAHANLCFLLRNTYPDIFPR...
  x86 ..EVMAEPSLVCDCCYNECSVRKLATYC
• ILP P22334 AEYLCGSTLADVLSFVCGNRGYNSQP.......
  x31 ........GLVEECCYNVCDYSQLESYCNPYS
• INS P01308 NQHLCGSHLVEALYLVCGERGFFYTPKT.....
  x35 ........GIVEQCCTSICSLYQLENYCN
• IGF1 P01343 PETLCGAELVDALQFVCGDRGFYF.........
  x12 ........GIVDECCFRSCDLRRLEMYCAPLK
• IGF2 P01344 SETLCGGELVDTLQFVCGDRGFYF.........
  x12 ........GIVEECCFRSCDLALLETYCATPA

28
Représentation d un motif par une matrice de
fréquences (exemple)

• Site donneur d épissage (vertébrés)
• Matrice de fréquence (pourcentage)
• Base Position
• -3 -2 -1 1 2 3 4 5 6
• A 33 60 8 0 0 49 71 6 15
• C 37 13 4 0 0 3 7 5 19
• G 18 14 81 100 0 45 12 84 20
• T 12 13 7 0 100 3 9 5 46
• Cons. M A G G T R A G T

29
PSI-BLAST

• Position-Specific Iterated BLAST
• 1-recherche BLAST classique
• 2-construction d'une matrice de pondération
  (profil) avec les séquences similaires détectées
• 3-recherche BLAST à partir de ce nouveau profil
• 4-itération des étapes 2-3 jusqu'à convergence
• plus sensible que Smith-Waterman
• 40 fois plus rapide