Heuristiques pour lalignement et la recherche dans les bases de donnes

1
Heuristiques pour lalignement et la recherche
dans les bases de données
2
Recherche dans les bases de données

• Tache courante dun biologiste
• Est-ce quune nouvelle séquence a déjà été
  complètement ou partiellement déposée dans les
  bases de données?
• Est-ce que cette séquence contient un gène?
• Est-ce que ce gène appartient à une famille
  connue? Quelle est la protéine encodée?
• Existe-t-il dautres gènes homologues?
• Existe-t-il des séquences non-codantes
  similaires. Répétitions ou séquences régulatrices
• Logiciels les plus connus Smith-Waterman, FASTA
  et BLAST

3
(No Transcript)
4
Les bases de données bioinformatiques les plus
utilisées

• NCBI, National Center for Biotechnology
  Information
• GenBank Séquences dADN (3 billion de paires de
  bases)
• Site officiel de BLAST
• PubMed Permet la recherche de références
• COGs Familles de gènes orthologues
• EMBL, The European Molecular Biology Laboratory
• ExPASy, Expert Protein Analysis System,
  Protéomique
• Swiss-Prot Séquences de protéines
• PROSITE Domaines et familles de protéines
• SWISS-MODEL Outil de prédiction 3D de protéines
• Différents outils de recherche
• PDB, Protein Data Bank
• Base de données de structures 3D de protéines
• Visualisation et manipulation de structures
• SCOP, Structural Classification of Proteins

5
Problèmes algorithmiques

• Banques de données trop grandes nécessitant des
  algorithmes très rapides (sous linéaires)
• Alignement de génomes complets
• Tenir compte de la complexité biologique des
  séquences un algorithme optimal ne donne pas
  nécessairement des résultats biologiques
  satisfaisants
• Développer des heuristiques qui allient rapidité
  et résultats biologiques satisfaisants

6
Recherche dans les banques de données

• Fonction dune nouvelle séquence?
• Démarche générale
• Comparer la séquence requête avec les banques
  PROSITE ou BLOCKS, à la recherche de séquences
  conservées
• Alignement local avec chaque séquence dADN
  (GenBank) ou de protéines (Swiss-Prot)
• Utiliser FASTA ou BLAST
• Essayer différentes matrices de substitution
  (PAM, BLOSUM)
• Optimiser les alignements obtenus avec
  Smith-Waterman

7
Matrices PAM

• PAM Point Accepted Mutation
• Matrices de substitution pour les AA. dont les
  scores sont liés à la distance dévolution
• Unité de mesure du taux de divergence entre 2
  seq. dAA, distance dévolution
• Exp. S1 diverge de 5 PAM de S2
• Définition S1, S2 divergent d1 unité PAM si la
  suite de mutations (substitutions) qui a converti
  S1 en S2 est telle quen moyenne, une seule
  mutation est survenue tous les 100 AA.

8

• Mutations acceptées celles incorporées dans la
  protéine et transmises. Soit sans effet, soit
  bénéfique à lorganisme.
• Pas de correspondance absolue entre unités PAM et
  divergence de séquences. Plusieurs mut. peuvent
  être survenues à la même pos.
• Divergence dAA lt unités PAM
• Exemple Deux seq. qui divergent de 100 PAM ne
  sont pas différentes à chaque pos.
• En fait, deux seq. qui divergent de 200 PAM sont
  susceptibles de contenir 25 didentité de seq.

9
Matrices PAM

• Différentes matrices PAM pour comparer des seq.
  dAA qui divergent dun nb spécifique dunités
  PAM 120 PAM, 250 PAM
• Signification La case (i,j) dune mat. n PAM
  contient la fréquence avec laquelle lAA Ai est
  remplacée par lAA Aj dans les seq. qui divergent
  de n unités PAM
• Méthode idéale de const. dune mat. n PAM
• Considérer un ensemble de seq qui divergent de n
  unités PAM
• Aligner les seq. 2 à 2
• Compter le nb. dalignements Ai,Aj, pour chaque
  (i,j). Diviser par le nb total dappariements -
  - - gt f(i,j)
• Case (i,j) de la mat. Contient log f(i,j)/
  f(i)f(j) où f(i) fréquence de Ai et f(j) freq.
  de Aj

10

• Méthode précédente nécessite daligner
  correctement les séquences. Alignement pour avoir
  la matrice, et matrice pour avoir lalignement???
• Méthode de Dayhoff
• Pour des seq. très similaires (moins de 15 de
  différence), principalement la méthode idéale
• - - - gt M Matrice 1 PAM.
• Séquences plus divergentes Mn(i,j) probabilité
  que Ai se transforme en Aj en n unités PAM
• Case (i,j) de la matrice n PAM
• log f(i) Mn(i,j) / f(i)f(j) log
  Mn(i,j) / f(j)
• Dans la pratique, on essaye plusieurs matrices
  PAM différentes. PAM 250 est la plus utilisée.

11
(No Transcript)
12
PROSITE et BLOCKS

• PROSITE Dictionnaire de sites de protéines. Lié
  à Swiss-Prot.
• Motifs représentés par une exp. reg. Ou par
  une matrice consensus
• Exemple GGN SGAGxRxSGACx(2)IV ED.
• BLOCKS Dérivé de PROSITE. Dictionnaire de
  séquences conservées.
• BLOCK Petit intervalle très conservé dun
  alignement (sans gaps). Similarité de séquence,
  mais pas nécessairement similarité de fonction.

13
Matrices BLOSUM

• Dérivées de BLOCKS. Ensemble de blocs de n
  colonnes et k lignes
• Matrice BLOSUM Nb de fois que Ai, Aj se trouvent
  appariés, divisé par le nb de fois quils
  seraient appariés dans des seq. aléatoires.
• Pour tous Ai, Aj, n(i,j) nb dappariements
  (Ai,Aj)
• f(i) freq. de Ai f(j) freq. de Aj
• e(i,j) n (k2) f(i) f(j)
• s(i,j) log n(i,j) / e(i,j)

14
BLOSUM (suite)

• Caractéristique Élimine la redondance dans les
  blocs.
• Matrice BLOSUM x (généralement entre 50 et 80)
  Pour tout couple de lignes contenant plus de x
  de similarité, en garder une seule.
• La plus utilisée est BLOSUM 62

15
Matrice BLOSUM 62
Score positif pour les identités, et négatif pour
les mismatchs
16
Qualité dun algorithme de comparaison de
séquences

• Sélectivité (spécificité) Capacité à ne détecter
  que la réalité biologique et rien de plus
• Problème des Faux-Positifs
• Sensibilité Capacité à détecter tout ce qui est
  intéressant sur le plan biologique
• Problème des Faux-Négatifs

17
Algorithmes de filtrage

• Recherche de P de taille m dans S de taille n à k
  erreurs près
• Programmation dynamique Temps O(mn)
• Différentes améliorations Temps O(kn)
• Algorithmes de filtrage Effectuer un premier
  passage sur S pour éliminer toutes les parties
  qui ne sont pas susceptibles de contenir P.
  Permet dobtenir des temps sous-linéaires en
  moyenne
• Partitionner P (ou T) en facteurs de taille r
• Utiliser une méthode de recherche exacte pour
  trouver toutes les occurrences de ces facteurs
  dans T, en temps (sous) linéaire
• Utiliser une méthode de recherche approchée dans
  un intervalle restreint autour de chaque facteur
  trouvé, en temps (sous) linéaire

18
FASTA (Lipman, Pearson 1985)

• Alignement local de P (taille m) dans T (taille
  n)
• Pour une valeur ktup donnée (en général 6 pour
  nuc.2 pour AA), trouver toutes les paires de
  séquences de taille ktup identiques dans P et T
  hot-spot
  
• Méthode Table de hashage contenant tous les
  facteurs de taille ktup de P recherche de tous
  les facteurs de taille ktup de T dans la table en
  O(mn)
• Déterminer des zones denses en identité hot-spot
  consécutifs sur chaque diagonale. Score dune
  zone
• Score positif pour chaque hot-spot
• Score négatif pour les espaces entre les hot-spot
• FASTA garde les 10 zones de score optimal. Zones
  contenant des matchs et mismatchs

19

• Réaligner chaque zone, en considérant une matrice
  de substitution (PAM ou BLOSUM)
• Init1 Meilleur alignement obtenu
• Parmi les 10 zones, garder celles dont le score
  dépasse un seuil cut-off. Combiner les zones
  en une seule
• Initn Contient insertions/suppressions/misma
  tchs
• Programmation dynamique dans une bande autour de
  Init1 (bande de taille 16 si ktup2)
• Opt Meilleur alignement obtenu
• Au cours de la recherche, statistiques calculées
  pour Init1, Initn, Opt alignements significatifs
  ou non.

20
(No Transcript)
21
BLAST Basic local alignment search tool

• Similarité locale entre une séquence requête et
  une banque de données
• Devenu populaire grâce à une implémentation très
  efficace.
• BLASTP séquence de protéine dans BD de protéines
• BLASTN séquence de nucléotides dans BD dADN
• BLASTX séquence de nucléotides (6 ordres de
  lecture) dans BD de protéines
• TBLASTN séquence de protéine dans BD traduite
• TBLASTX séquence traduite dans BD traduite
• BLASTZ Étudié pour aligner de longues séquences
  dADN, utilisé pour lalignement de lhomme et de
  la souris
• PHI-BLAST Recherche dune expression régulière
  (consensus)
• PSI-BLAST Construit un consensus, ou matrice de
  score, à partir dun alignement multiple des
  hits de plus haut score obtenus par une
  recherche BLAST initiale

22
Méthode utilisée par BLAST

• Former la liste de tous les facteurs de taille
  w de la séquence requête P

P
Maximum l-w1 mots

• Pour chaque facteur f, former la liste de tous
  les mots de taille w dont le score avec f dépasse
  un seuil T
• Exemple Pour f PQG, PQG, PRG, PKG, PDG, PMG

23

• Identifier les occurrences exactes des mots de la
  liste dans la BD
• Pour chaque paire de séquences trouvées, étendre
  lalignement dans les deux directions, jusquà ce
  que le score de lalignement chute de X par
  rapport à sa valeur dorigine. Segment accepté si
  scoregtS

24

• Le HSP de score maximal sur lensemble de la
  séquence est appelé maximal scoring segment pair
  (MSP)
• Les alignements locaux HSP sont chaînés pour
  former des alignements plus longs, incluant des
  espaces et des trous.
• Si le MSP ou les HSP combinés ont un score qui
  dépasse un certain seuil S, il sont affichés

25
Paramètres

• La séquence format FASTA
• La banque (compressée)
• W (taille du mot).
• Protéines w de 3 à 5, et T 17
• Donne à peu près 50 mots pour chaque facteur
• Nucléotides w 12
• S (seuil de sélection dun score)
• Matrices de substitution (BLOSUM 62) ou score
  pour les nucléotides (5/-4)

26
Évaluation statistique

• Expect-value nb de fois où un HSP est attendu
  par chance sur lensemble de la banque. Plus
  cette valeur est faible, plus le HSP est
  significatif
• P-value P(N) Probabilité du score observé. Plus
  cette valeur est faible, plus le HSP est
  significatif.

27
Alignement de génomes entiers

• Comparaison de génomes entiers permet de
• Identifier les séquences codantes dans les 2
  espèces
• Localiser les sites de reconnaissance des
  facteurs de transcription et les signaux de
  régulation
• Comprendre les mécanismes et lhistoire de
  lévolution des génomes
• Comparer lordre des gènes
• Smith-Waterman, et même FASTA ou BLAST trop lents
  et pas adaptés à la comparaison de génomes
  entiers.
• Améliorer sensitivité et temps de calcul, sans
  empirer la sélectivité

28
PatternHunter (B. Ma et al 2002)
BLAST trouve une graine de taille 11 qui match,
puis étend
GCNTACACGTCACCATCTGTGCCACCACNCATGTCTCTAGTGATCCCTCA
TAAGTTCCAACAAAGTTTGC

GCCTACACACCGCCAGTTGTG-TTCCTGCTATGTCTCTAGTGAT
CCCTGAAAAGTTCCAGCGTATTTTGC GAGTACTCAACACCAACATTGA
TGGGCAATGGAAAATAGCCTTCGCCATCACACCATTAAGGGTGA----

GAATACTCAACAGCAACATCAAC
GGGCAGCAGAAAATAGGCTTTGCCATCACTGCCATTAAGGATGTGGG -
-----------------TGTTGAGGAAAGCAGACATTGACCTCACCGAGA
GGGCAGGCGAGCTCAGGTA

TTGACAGTACACTCATAGTGTTGAGGAAAGCTGACGTTGACCTCACC
AAGTGGGCAGGAGAACTCACTGA GGATGAGGTGGAGCATATGATCACC
ATCATACAGAACTCAC-------CAAGATTCCAGACTGGTTCTTG

GGATGAGATGGAACGTGTGATGACCAT
TATGCAGAATCCATGCCAGTACAAGATCCCAGACTGGTTCTTG
29
Exemple dune occurrence manquée (Exemple de B.
Ma)

• Pas de graine de taille 11 qui match, pourtant
  similarité de 80
• GAGTACTCAACACCAACATTAGTGGGCAATGGAAAAT
• GAATACTCAACAGCAACATCAATGGGCAGCAGAAAAT
• Dilemme
• Sensitivité nécessite des graines courtes
• Capacité à détecter les homologies
• Rapidité nécessite des graines plus longues
• Mega-BLAST utilise des graines de taille 28.

30
PatternHunter utilise des graines espacées

• 111010010100110111 (appelé modèle)
• 11 matchs requis (poids11)
• 7 positions dont care
• GAGTACTCAACACCAACATTAGTGGCAATGGAAAAT
• GAATACTCAACAGCAACACTAATGGCAGCAGAAAAT
• 111010010100110111
• Hit Tous les matchs requis sont satisfaits
• Modèle de BLAST 11111111111

31
Simulated sensitivity curves
32
Pourquoi sensitivité meilleure?

• Les copies shiftées des graines espacées ne
  chevauchent pas trop
• 111010010100110111 11111111111
• 111010010100110111 11111111111
• 111010010100110111 11111111111
• 111010010100110111 11111111111
• 111010010100110111 ......
• 111010010100110111
• 111010010100110111
• ......
• Les Hits à différentes positions sont plus
  indépendants
• Plus les copies shiftées sont indépendantes, plus
  on augmente la probabilité didentifier une
  homologie. Moins il y a de similarités entre deux
  copies shiftées, plus le modèle est susceptible
  de donner une bonne sensitivité

33
Pourquoi plus rapide avec des graines espacées?
CAA?A??A?C??TA?TGG? ???????? CAA?A??A?C
??TA?TGG? 111010010100110111 111010010100110111

• TTGACCTCACC?
• ?
• TTGACCTCACC?
• 11111111111
• 11111111111

• Une homologie donne lieu à plusieurs hits par
  BLAST (redondance)
• Graines espacées donnent lieu à moins de hits
  pour chaque homologie

34
Observations (B. Ma)

• Des modèles différents peuvent détecter
  différentes homologies
• Deux conséquences
• Certains modèles sont meilleurs que dautres
• Meilleure sensitivité
• PatternHunter I
• On peut utiliser simultanément plusieurs modèles
  de graines
• Approcher les 100 de sensitivité
• PatternHunter II

35
Alignement de lhomme et de la souris par BLASTZ
(Schwartz et al. 2003)

• Supprimer les répétitions propres à chaque espèce
• Trouver touts les 12-mers espacés identiques, à
  une transition près, dans les deux génomes.
• Étendre chaque paire de 12-mers dans les deux
  directions (sans gaps), jusquà ce que le score
  chute en dessous dun certain seuil
• Si lalignement (sans gaps) trouvé dépasse un
  seuil (disons 300)
• Étendre lalignement en autorisant les gaps
  (programmation dyn.)
• Garder lalignement si le score dépasse un seuil
  (disons 5000)
• Entre chaque paire dalignements, refaire létape
  2. avec des scores moins contraignants. Par
  exemple, 7-mers (match exact), seuils plus
  faibles (par exemple 2000 avec et sans gaps)
• Rétablir les vraies positions des alignements
  trouvés (étape 1.)

36
Paramètres utilisés

• Matrice de substitution
• Gap de taille k pénalisé
• par un poids de 40030k
• Score dun alignement multiplié par une valeur
  entre 0 et 1 en fonction de la nature des
  séquences (biais des nucléotides)
• Les seuils doivent être très élevés pour
  atteindre une spécificité raisonnable (au moins
  3000 pour les alignements avant gap)
• 12-mers espacé (19 positions) 1110100110010101111
  (Ma et.al 2002)
• Autoriser une transition (A-G, G-A, C-T, T-C)