Fonction linéaire n : nombre de trous (indels) : constante pénalisante
Fonction affine n : nombre de trous ou taille de gap α : coût de l’ouverture (le début d’un gap) β : coût de l’allongement ou de l’extension d’un gap α et β sont deux constantes définies empiriquement
Exemple : = -6, α = -10, β = -2 et Matrice BLOSUM62 :
Avantages et inconvénients de la programmation dynamique :
Elle garantit à 100% d’obtenir un ou plusieurs alignements optimaux. Par contre, elle est lente en termes de temps d’exécution ; d’où la nécessité d’utiliser des méthodes heuristiques (ou approximatives). En pratique : Séquence requête vs. Banque de données
Exemple : La banque UniProtKB possède plus de 71 millions de séquences protéiques
avec plus de 23 milliards d’acides aminés !!!
Méthodes heuristiques : FASTA : (FASTP, FASTN)
Présenté en 1985. Accessible sur : http://fasta.bioch.virginia.edu/fasta_www2/fasta_list2.shtml Se baser sur la matrice de points, sans pour autant la calculer !!! Deux séquences S1 : n résidus ; S2 : m résidus → (n + m -1) diagonales dans la matrice de points. Utiliser des petits segments ayant une taille de k résidus : k-uplets k = 1 - 4 pour les acides aminés k = 7 - 11 pour les acides nucléiques Etapes à suivre : 1. Décomposer les deux séquences : S1 (séquence requête) et S2 (appartient à la banque de données) en k-uplets chevauchants.
1 2. Créer un tableau de scores pour toutes les diagonales : Le score d’une diagonale ≈ Nombre d’identités qui se trouvent sur cette diagonale. 3. Pour chaque k-uptet commun entre S1 et S2, incrémenter le score de la diagonale (i-j) où i et j sont les positions du k-uptlet commun dans S1 et S2, respectivement. 4. Choisir une taille de bande d autour de la diagonale principale qui permettra de choisir uniquement quelques diagonales dans le tableau de scores bande d’homologie maximale ou une deuxième approche qui consiste à choisir les 10 meilleures diagonales avec les scores les plus élevés. 5. L’alignement final sera construit à partir de la bande choisie précédemment en recollant les k-uplets trouvés dans cette bande avec la possibilité d’utiliser l’algorithme de Needleman & Wunsch.
Exemple :
k =2 ; Acides nucléiques (par souci de simplification, on choisit k = 2)
S1 : ATGCAAGCAATC ; S2 : CATCAATTGCA (S2 fait partie d’une banque de données)
L’indice ( i - j ) indique la diagonale sur laquelle se trouve un k-uptlets communs entre S1 et S2. On ne garde que les régions identiques de longueur ≥ k.
S1 S2 Positions Positions 2-uplet 2-uplet (i) (j) AT 1 , 10 CA 1 , 4 , 10 TG 2 AT 2,6 GC 3,7 TC 3 CA 4,8 AA 5 AA 5,9 TT 7 AG 6 TG 8 TC 11 GC 9
cela, surtout quand les séquences font plusieurs centaines de résidus.
2 BLAST: Basic Local Alignment Search Tool Présenté en 1990. https://blast.ncbi.nlm.nih.gov/Blast.cgi Utilisation de k-uplets plus longs contrairement au FASTA. Au niveau de l’interface de BLAST, k correspond au paramètre w (pour Word size). Etapes à suivre: 1. Retrouver tous les k-uplets (mots) de S1 2. Pour tout k-uplet appartient à S1, récupérer tous les k-uplets ayant un score de similarité ≥ Seuil H Construire la liste L. 3. Faire la recherche des mots appartenant à la liste L dans la banque de données. 4. Stratégie de BLAST : Prolonger l’alignement de part et d’autre autour des k-uplets initiaux tant que le score monte ou reste stable.
Exemple :
k = 4 ; H (seuil) = 17 ; Matrice de substitution : BLOSUM62
S1 : … IFKRFW … La liste L pour le quadruplet : FKRF
La liste L va être utilisée pour examiner toutes les séquences de la banque de données. Chaque fois qu’un quadruplet appartenant à L est trouvé, on essaie d’étendre l’alignement autour des quadruplets initiaux tant que le score augmente ou reste stable. S1 : … IFKRFW … S2 : … LFKQFY … Le score de similarité initial entre les deux quadruplets ‘FKRF’ et ‘FKQF’ est de 18. L’idée de BLAST consiste à reconsidérer les deux segments initiaux en leur ajoutant le résidu qui se trouve à leur droite : ‘FKRFW’ et ‘FKQFY’ → le score devient égal à 20. Si on ajoute cette fois-ci le résidu qui se trouve à gauche, le score de similarité monte à 22 entre ‘IFKRFW’ et ‘LFKQFY’, etc.
Versions de BLAST :
3 Fiabilité et qualité des méthodes heuristiques : Questions auxquelles il faut répondre : Trouver toutes les séquences homologues ? Signification statistique / biologique de l’homologie trouvée ? Impact des paramètres de la méthode choisie : BLAST H ↗ : Risque de rater des alignements intéressants H ↘ : Risque de récupérer des intrus Outil d’évaluation est nécessaire et indispensable: Pour BLAST : Mesure E-value = Espérance mathématique calculée à partir d’un modèle statistique Définition d’après https://www.ncbi.nlm.nih.gov/BLAST/tutorial/Altschul-1.html:
“The Expect value (E) is a parameter that describes the number of hits one can "expect" to see by chance when searching a database of a particular size. It decreases exponentially as the Score (S) of the match increases. Essentially, the E value describes the random background noise. For example, an E value of 1 assigned to a hit can be interpreted as meaning that in a database of the current size one might expect to see 1 match with a similar score simply by chance.
The lower the E-value, or the closer it is to zero, the more "significant" the match is. However, keep in mind that virtually identical short alignments have relatively high E values. This is because the calculation of the E value takes into account the length of the query sequence. These high E values make sense because shorter sequences have a higher probability of occurring in the database purely by chance.” Hit = Alignment
n : Longueur de la séquence requête
m : Longueur de la banque de données (nombre total de résidus) S : Score normalisé n.m : espace de recherche
N.B. Aucun support électronique n’est prévu pour les autres parties abordées en cours : Alignement multiple & Arbres phylogénétiques.
