Recherche de similarité

Odile Lecompte -IGBMC 

Plan 

1 Banques de données 

2 

3 

4 

Comparaison de 2 séquences 

• Dotplot, alignement optimal 

• Recherche de similarité 

Alignement li multiple l i l 

Phylogénie moléculaire 

Recherche de similarité 

1 séquence q (Query) (Q y) comparée p à des milliers ou des 

millions de séquences par comparaison 2 à 2 

Utilisation d’heuristiques 

Principaux programmes 

Fasta 

Blast 

Blat 

1

Méthodes heuristiques 

Y 

C 

W 

Q 

A 

T 

D 

S 

G 


Identification de régions (“mots”) fortement conservées 

=> limiter le nombre de solutions à explorer 

L N A K S I M W Q A T R C I S V 

☺ l’alignement est rapide recherche de similarité 

la solution proposée n’est pas obligatoirement optimale 

FASTA 


Reférence 

Pearson and Lipman. Improved tools for biological sequence 

comparison. i PNAS 85(8):2444-8 85(8) 2444 8 (1988) 

Versions 

La version actuelle est fasta3. 

Accessibilité 

Disponible par FTP 

Intégré dans la plupart des « packages » bioinformatiques 

ex : GCG 

Nombreux serveurs Web : 

EBI : http://www.ebi.ac.uk/fasta33/ 

disponible sur les serveurs SRS … 

2



L’algorithme de FASTA 

Séquence B 

1 ère étape : mots identiques 

Par défaut : 

k=2 pour les séquences protéiques 

k=6 pour les séquences nucléiques 

k (ktup) peut être modifié par l ’utilisateur. 

Si k augmente : 

-gain en rapidité 

- perte en sensibilité 

L’algorithme de FASTA 

Séquence B 

Dist < 16 

2 ème étape : segments conservés 

Les mots situés 

- sur une même diagonale 

- à une distance inférieure à une valeur seuil 

sont réunis ainsi que q la région g qui q les sépare. p 

segments denses en identité 

absence de gaps dans ces segments 

3


L ’algorithme de FASTA 

2 ème étape : segments conservés (score init1) 

Séquence B 

* init1 

* 

Les 10 régions les plus denses en identité sont 

retenues. 

Calcul des scores initiaux 

utilisation des matrices de scores 

(prise en compte des substitutions) 


Séquence B 

Introduction 

de gaps 


* 

Le meilleur des scores initiaux est appelé init1 et 

sera fourni à l’utilisateur. 

3 ème étape : calcul du score initn 

* init1 

Réunions des segments proches si: 

scores initiaux – pénalité de jonction > à un des scores 

initiaux 

Le meilleur de ces nouveaux scores est appelé score 

initn. 

Les segments dont le score est inférieur à une 

valeur seuil sont éliminés. 

4



Séquence B 

4 ème étape : alignement optimal “limité” 

* 

* init1 


Y 

C 

W 

Q 

A 

T 

D 

S 

G 


Alignement optimal (Smith & Waterman) dans 

une fenêtre entourant la région de similarité 

ayant obtenu le score init1. 

On calcule alors un nouveau score sur cet 

alignement optimal : le score opt. 

Dans certains cas, construction d’un alignement 

optimal Smith & Waterman « normal » pour les 

séquences ayant obtenu les meilleurs scores 

alignement optimal “limité” 


5

Comparer les scores ! 

Init1 = score du meilleur segment initial 

Initn = score du meilleur alignement initial (après ajout de gaps) 

iinitn it iinit1 it1 

Opt = score de l’alignement optimal sur un 

fenêtre autour d’init1 

Si opt < initn : problème !!! 

Région de forte similarité ignorée dans 

l’alignement 

B 

A 

B 

A 


Expect 


Expect : 

nombre attendu d’alignements g avec un score S 

Plus l’expect est proche de 0, plus le score est significatif 

E = Kmn e -S 

Séquence B 

initn 

init1 

K constante de Karlin 

m longueur de la séquence requête 

n longueur de la banque 

λ dépend du système de score employé 

FASTA : 

calcul des paramètres à partir de l’ensemble des scores trouvés lors de la 

recherche dans la banque (sauf les scores les plus extrêmes). 

BLAST2 : 

détermination empirique à partir de séquences modèles pour chaque type de 

matrice et de pénalité de gap 

6

Histogramme 

Colonne 1: 

intervalle de valeurs des scores 

Colonne 2 (opt): 

Nombre de séquences ayant obtenu 

un score opt compris dans 

l’intervalle donné 

Colonne 3 (E) : 

Nombre attendu de séquences avec 

un score compris dans l’intervalle 

donné 

= distribution observée 

* distribution théorique 


Fasta 

http://www.ebi.ac.uk/Tools/sss/fasta/ 


7

Fasta 

Séquences ayant 

obtenu bt les l meilleurs ill 

scores 


Fasta 


8

Alignements 

Séquence 

requête (query) 

: identité 

. Score 0 

Séquence de 

la banque 



… 

Alignements 

Biais en 

composition 

9

Blast 

BLAST : Basic Local Alignment Search Tool 

Références éfé 


Mot 1 

Altschul et al. Basic local alignment search tool. 

J Mol Biol. 1990 Oct 5;215(3):403-10. 

Altschul et al. (1997), "Gapped BLAST and PSI-BLAST: a new generation 

of protein database search programs", 

Nucleic Acids Res. 25:3389-3402. 

Accessibilité 

ftp, packages (dont GCG) 

Nombreux serveurs Web 

… 

Mot 2 

Etc… 


- Au NCBI : http://www.ncbi.nlm.nih.gov/BLAST/ 

- .. 

Algorithme de blast 

Construction de la liste des mots similaires aux mots de la query 

Séquence requête (query) 

tous les mots de longueur w 

Pour les protéines : w= 3 par défaut 

Pour l’ADN : w = 11 par défaut 

Parmi tous les mots possibles de longueur w (20x20x20=8000 possibilités si w=3) : 

Sélection des mots dont l’alignement avec le mot de la séquence query donne un score T 

=> protéines : matrice de scores (blosum62 par défaut) 

=> ADN : match = 2, mismatch –3 

Ex : PQG PQG 

PEG 

PQA 

… 

Score = 7 + 5 + 6 =18 

Score = 15 

Score = 12 

… 

Remarque : dans le blast original, T=13 

~ 50 mots atteignent ce seuil 

Si T =13 

PQG 

PEG 

Élimination de PQA 

10


Algorithme de Blast 

Localisation des mots sur les séquences de la banque 

Liste de mots Séquences de la banque 

… 

Chaque « hit » est identifié 

Il s’agit d’une liste finie et pré-établie. 


Construction des HSP (Blast1) 

Construction des HSPs Pour chaque hit, hit extension de l’alignement l alignement (dans les 2 directions) tant que: 

(Blast original ) 

- l’extrémité d’une des séquences n’est pas atteinte 

- le score ne chute pas plus d’une valeur X en dessous du meilleur 

score obtenu jusque-là pour cet alignement 

HSP 

Identification des meilleures HSPs 


L’alignement ainsi obtenu est appelé HSP (High-scoring segment pair) et a 

un score supérieur au score du hit initial 

Seules les HSPs dont le score est supérieur à un seuil fixé sont retenues. 

Il peut exister plusieurs HSPs entre deux séquences (leur score est alors combiné). 

absence de gap dans les alignements de Blast1 « ungapped » blast 

11


HSP 


Construction des HSP (Blast2=gapped blast ) 

Extension sans gap : « Two–hits method » 

au moins 2 hits non chevauchants 

situés sur la même diagonale (pas de gaps) 

situés à une distance A 

Dans blast2 : T=11 


Exemple: 

+ 15 hits avec score > 13 

. 22 hits additionnels avec un score > 11 

Alignement optimal (Smith & Waterman) 

2 paires de hits sont sur une même diagonale et à 

une distance gain de temps 

- Sélection des HSPs avec score suffisant 

- Ch Choix i d’une d’ paire i de d résidus é id (amorce) ( ) dans d l’HSP : paire i centrale t l du d meilleur ill segment t de d 11 paires i 

- Alignement optimal « limité » à partir de l’amorce => introduction de gaps 


L’alignement optimal se fait en considérant 

seulement les alignements qui ne tombent pas plus 

de Xg en dessous du meilleur score obtenu. 

amorce 

12


Y 

C 

W 

Q 

A 

T 

D 

S 

G 



Alignement optimal limité 



amorce 

Alignement optimal obtenu 

Lettre : identité 

+ : score positif 

Alignements g e e tsobte obtenus uspa par Blast1 ast 

13

Les différentes comparaisons 

Programmes Requête Banque Comparaison Exemples d’utilisation 

Blastn ADN ADN nucléique Recherche d’ARN structuraux, 

d’éléments régulateurs 

Blastp Protéine protéines protéique Recherche de protéines homologues 

Tblastn Protéine ADN (traduit dans protéique Recherche de similarités entre une 

les 6 cadres) 

protéine et une séquence 

génomique mal annotée 

Blastx ADN (traduit dans protéines protéique Recherche des phases de lecture 

les 6 cadres) 

dans une séquence codante 

Tblastx ADN (traduit dans ADN (traduit dans protéique Avantages de tblastn et blastx mais 

les 6 cadres) les 6 cadres) 

très long 



Megablast => optimisé pour des séquences nucléiques quasi-identiques (>95% identité) 

(taille des mots = 28), très rapide 

14



Interface Blast (NCBI) 

Sortie Blast 

Recherche de domaines conservés (Conserved Domain Database, CDD) 

http://www.ncbi.nlm.nih.gov/sites/entrez?db=cdd 

NCBI-curated domains 

(use ( 3D-structure information) ) 

Domain models from 

Pfam 

SMART 

COG 

PRK 

TIGRFAM 

15


Sortie Blast 

Sortie 


Banque et séquence requête utilisées 

16

Séquence 

requête (query) 

Séquence de 

la banque 



Blast : alignements 

Blast : alignements 

Biais en 

composition 

17

Filtres 


Filtres 

Certaines régions peuvent être filtrées : 

-faible complexité 

- courts motifs répétés 

- éléments répétés dispersés connus 

(ALUs repeats…) 

=> non prises en compte dans la 

recherche 


18

Filtres 



Blast : taxonomy report 

19

BLAT : the Blast-Like Alignment Tool 

But : identifier rapidement des régions de forte similarité 

nucléique => au moins 95% sur 40 bases (ex: primates) 

protéiques é => au moins 80% sur 20 aa (ex ( : vertébrés éb é terrestres) ) 

Applications : 

localiser une séquence (gène, ARNm, est, protéine) sur un génome 

déterminer la structure d’un gène (carte exonique) 

Avantages/inconvénients : 

gain de temps 

alignements triés en fonction du génome 

prise en compte des sites d’épissages 

utilisable uniquement pour séquences très proches 

http://genome.ucsc.edu/cgi-bin/hgBlat 


Kent, Genome Research 2002 


• stockage en mémoire des mots de k lettres du génome => gain de temps 

• élimination des mots trop fréquents (séquences répétées) 

• recherche des mots identiques dans la séquence requête 

kk=11 11 pour comparaison i ADN/ADN 

k=4 pour comparaisons protéiques 

alignement si : 

2 mots identiques (k=11) pour ADN 

3 mots (k=4) identiques pour protéines 

(version serveur) 

1 mmot t (k (k=5) 5) identique id nti p pour pprotéines téin s 

(version stand-alone) 

sur même diagonale et suffisamment proches 

prise en compte des sites d’épissages 


20





21




… 

… 


22


Comparaison avec BlastN (ou Megablast) 

23

Recherche de similarité

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?