BLOSUM矩陣和其在生物信息學(xué)中的應(yīng)用

1、生工0902BLOSUM矩陣及其在生物信息學(xué)中的使用生物信息學(xué)齊陽(yáng)，汪惜，袁理2011/11/252011/11/25什么是BLOSUM矩陣？BLOSUM矩陣有什么使用？BLOSUM矩陣及其在生物信息學(xué)中的使用齊陽(yáng)汪借袁理摘要BLOSUM矩陣是一種蛋白質(zhì)序列對(duì)比的算法，在生物信息學(xué)領(lǐng)域中被廣泛使用。本文綜述了BLOSUM矩陣的由來(lái)、如何構(gòu)建BLOSUME陣和其打分規(guī)則、使用以及現(xiàn)代算法。并指出了BLOSUM矩陣的發(fā)展前景。關(guān)鍵詞BLOSUM矩陣；生物信息學(xué)；使用0引言序列比對(duì)是現(xiàn)代生物學(xué)最基本的研究方法之一，最常見(jiàn)的比對(duì)是蛋白質(zhì)序列之間或核酸序列之間的兩兩比對(duì)，通過(guò)比較兩個(gè)序列之間的相似區(qū)域和

2、保守性位點(diǎn)，尋找二者可能的分子進(jìn)化關(guān)系，進(jìn)而可以有效地分析和預(yù)測(cè)一些新發(fā)現(xiàn)基因的功能。目前各種蛋白質(zhì)序列對(duì)比算法主要利用一種替代矩陣來(lái)計(jì)算序列間的相似性，過(guò)去所普遍使用的Dayhoff矩陣只能用來(lái)進(jìn)行相似度85%以上的序列對(duì)比1，為了滿足大量生命科學(xué)研究的需求，1992年Henikoff夫婦從蛋白質(zhì)模塊數(shù)據(jù)庫(kù)BLOCKS中找出一組替代矩陣，即BLOSUM系列，很好的解決了序列的遠(yuǎn)距離相關(guān)的問(wèn)題，此后十幾年來(lái)BLOSUM及其衍生替代矩陣已經(jīng)成為蛋白質(zhì)多序列對(duì)比的常用方法。1 BLOSUM矩陣概況序列比對(duì)是現(xiàn)代生物學(xué)最基本的研究方法之一，常見(jiàn)的比對(duì)是蛋白質(zhì)序列之間或核酸序列之間的兩兩比對(duì)，通過(guò)比較

3、兩個(gè)序列之間的相似區(qū)域和保守性位點(diǎn)，尋找二者可能的分子進(jìn)化關(guān)系，進(jìn)而可以有效地分析和預(yù)測(cè)一些新發(fā)現(xiàn)基因的功能。在比對(duì)兩個(gè)序列時(shí)， 不僅要考慮完全匹配的字符， 還要考慮一個(gè)序列中的空格或間隙 （或者，相反地，要考慮另一個(gè)序列中的插入部分）和不匹配，這兩個(gè)方面都可能意味著突變。在序列比對(duì)中，需要找到最優(yōu)的比對(duì)即將匹配的數(shù)量最大化，將空格和不匹配的數(shù)量最小化。為了確定最優(yōu)的比對(duì)，必須為每個(gè)比對(duì)進(jìn)行評(píng)估和打分，于是引入了打分函數(shù)3。當(dāng)根據(jù)打分函數(shù)假定兩序列同源時(shí)，可以發(fā)現(xiàn)某些替換比其它替換要常見(jiàn)的多，比較保守的替換比起較隨機(jī)替換更能維持蛋白質(zhì)的功能，而且不容易被淘汰。因此，在為比對(duì)打分時(shí)，更傾向?yàn)楸Ｊ?/p>

4、基團(tuán)如丙氨酸、繳氨酸等比對(duì)位點(diǎn)多謝獎(jiǎng)勵(lì)，而對(duì)于那些大而帶點(diǎn)氨基酸如賴氨酸的比對(duì)位點(diǎn)則相反。一旦和概算或氨基酸殘基可能的兩兩比對(duì)得分都確定了，那么得到的打分矩陣就可以用來(lái)為比對(duì)中每個(gè)非空位位點(diǎn)進(jìn)行評(píng)分。為了獲得打分矩陣，最常用的方法是統(tǒng)計(jì)自然界中各種氨基酸殘基的相互替換率。目前各種蛋白質(zhì)序列對(duì)比算法主要利用一種替代矩陣來(lái)計(jì)算序列間的相似性，過(guò)去所普遍使用的Dayhoff矩陣只能用來(lái)進(jìn)行相似度85%以上的序列對(duì)比1，為了滿足大量生命科學(xué)研究的需求，1992年Henikoff夫婦從蛋白質(zhì)模塊數(shù)據(jù)庫(kù)BLOCKS（Box1.BLOCKS基本概念）中找出一組替代矩陣，即BLOSUM系列，很好的解決了序列的

5、遠(yuǎn)距離相關(guān)的問(wèn)題， 此后十幾年來(lái)BLOSUM及其衍生替代矩陣已經(jīng)成為蛋白質(zhì)多序列對(duì)比的常用方法。2 BLOSUM矩陣的構(gòu)建2.1多序列比對(duì)定義：一個(gè)多序列比對(duì)A是一個(gè)二維字符矩陣，即A=ani（nC1,N,iC1,I）,其中ani=Sni或一，并且滿足下面三個(gè)條件：（1）序列的數(shù)目等于矩陣的行數(shù)；（2）如果移去每行中的一字符，將得到原來(lái)的序列；（3）將不同序列間相同或相似的殘基放入同一列，即盡可能將序列間相同或相似殘基上下對(duì)齊5。從上面的定義可以看出，一個(gè)比對(duì)實(shí)際上是DNA或蛋白質(zhì)經(jīng)過(guò)一系列突變事件（替代、插入、刪除）的最后結(jié)果，它最近似地表示了所有的進(jìn)化過(guò)程。其中刪除和插入沒(méi)有區(qū)別，經(jīng)過(guò)適當(dāng)

6、地插入刪除(用insert,delete表示)，可以使相同地保守殘基位于同一列上，并使所有的結(jié)果序列具有相同的長(zhǎng)度。例如：VTISCTGSSSNIGAG-NHVKWYQQLPGVTISCTGTSSNIGS-ITVNWTQQLPGLRLSCSSSGFIFSS-YAMYWVRQAPGPEVTCVVVDVSHEDPQVKFNWYVDG2.2BLOSUM打分規(guī)則6BLOSUM中得分主要采用Log-odds得分， 即同源和非同源的可能性的比率的對(duì)數(shù)。在BLOSUM中兩個(gè)殘基i和j的得分s(a,b)按照l(shuí)og-odds方程計(jì)算，方程如下：s(a,b)=1log-(1)fafb其中，pab是指假定殘基對(duì)a和

7、b是同源的，在已有同源序列比對(duì)中出現(xiàn)的目標(biāo)頻率：fa,f是指假定殘基a和b是非同源的和獨(dú)立的，殘基a和b出現(xiàn)在任何一個(gè)蛋白質(zhì)氨基酸序列中的平均背景頻率：九是尺度參數(shù)，每個(gè)得分四舍五人取整.如果殘基對(duì)a和b是同源的，則它們出現(xiàn)在同源序列比對(duì)中目標(biāo)頻率pabfafb,s(a,b)0.如果殘基對(duì)a和b是非同源的，則它們出現(xiàn)在同源序列比對(duì)中目標(biāo)頻率pabfafb,s(a,b)0.以相同氨基酸：色氨酸/色氨酸(w/w)比對(duì)得分和亮氨酸/亮氨酸(L/L)比對(duì)得分；不同氨基酸：丙氨酸/亮氨酸(A/L)比對(duì)得分和賴氨酸/谷氨酸(K/E)比對(duì)得分為例，介紹計(jì)算過(guò)程.1）色氨酸/色氨酸（W/W比對(duì)得分；在同源比對(duì)

8、數(shù)據(jù)庫(kù)中，測(cè)得pww=0.0065,fw=0-013,五=0.347,代入（1）得s（W/W=+10.5,取整得+11;2）亮氨酸/亮氨酸（L/L）比對(duì)得分；在同源比對(duì)數(shù)據(jù)庫(kù)中，測(cè)得pii=0.0371,fi=0.099,九=0.347,代入（1）得s（L/L）=+3.8,取整得+4;3）丙氨酸/亮氨酸（A/L）比對(duì)得分；在同源比對(duì)數(shù)據(jù)庫(kù)中，測(cè)得pAL=0.0044,fA=0.074,fL=0.099=0.347,代入（1）得s（K/E）=-1.47,取整得-1;4）賴氨酸/谷氨酸（K/E）比對(duì)得分；在同源比對(duì)數(shù)據(jù)庫(kù)中，測(cè)得pKE=0.0041,fk=0.058,fE=0.054,人=0.34

9、7,代入（1）得s（K/E）=+0.76,取整得+1;將BLOSUM-1矩陣和自身相乘，可以近似得到高階BLOSUM單位的替換率?？梢愿鶕?jù)序列的長(zhǎng)度以及序列間的先驗(yàn)相似程度來(lái)選用特定的BLOSUM矩陣，低價(jià)BLOSUM矩陣更多是用來(lái)比較比較親緣較遠(yuǎn)的序列，一般來(lái)說(shuō)，BLOSUM-62矩陣適于用來(lái)比較大約具有62%相似度的序列，而B(niǎo)LOSUM-80矩陣更適合于相似度為80流右的序列。 運(yùn)用上述計(jì)算方法， 就可得到BLOSUM62,見(jiàn)Table1.Blosum62替代矩陣。3 BLOSUM矩陣的使用基于進(jìn)化原理的氨基酸保守性打分矩陣BLOSUM，原本是用于兩條多肽鏈比對(duì)時(shí)使用的，具起源于相同的氨基

10、酸模式之間氨基酸的保守性，即某種氨基酸對(duì)另一種氨基酸的取代數(shù)據(jù)， 廣泛用于蛋白質(zhì)數(shù)據(jù)庫(kù)的搜索。最近BLOSUM被成功用于表面抗原分析、T細(xì)胞抗原決定簇預(yù)測(cè)7、氨基酸定點(diǎn)突變后蛋白質(zhì)的穩(wěn)定性等多種重要科學(xué)研究中，對(duì)于常用的數(shù)據(jù)集經(jīng)過(guò)嚴(yán)格的交叉驗(yàn)證，人們已經(jīng)發(fā)現(xiàn)BLOSUM矩陣明顯優(yōu)于目前通常采用的理化特性打分方法和單位打分方法r8j0隨著后基因組時(shí)代的到來(lái)， 適和遠(yuǎn)親分析的BLOSUM一定可以有更大的用武之地，以解決生命科學(xué)中的諸多難題。3.1表面抗原分析為分析HBV的表面抗原，對(duì)兩個(gè)病人人群進(jìn)行跟蹤研究：一組是52位患病1年以上的慢性HBV感染攜帶者，另一組是129位新診斷的患者。獲得這180

11、名患者乙肝表面抗原的DNA序列然后和來(lái)自于基因庫(kù)的168個(gè)全長(zhǎng)HBV序列比較序列一致性。乙肝病毒表面抗原親水區(qū)域的多態(tài)性用突變大師軟件來(lái)分析。 參考文獻(xiàn)和BLOSUM打分 9被用來(lái)分析潛在改變的抗原性。3.2 T細(xì)胞抗原決定簇預(yù)測(cè)為進(jìn)一步預(yù)測(cè)T細(xì)胞抗原決定簇的結(jié)構(gòu),HuangL和DaiY做了進(jìn)一步研究,將BLOSUM矩陣0和氨基酸指標(biāo)向量結(jié)合，在BLOSUM矩陣中代替了氨基酸指標(biāo)向量的每一個(gè)非零項(xiàng)，使相應(yīng)的值出現(xiàn)在對(duì)角線項(xiàng)，這種方法可以把氨基酸的位置和相似度用BLOSUM丁分的形式簡(jiǎn)單表現(xiàn)出來(lái)。3.3磷酸化位點(diǎn)的預(yù)測(cè)磷酸化作用在多種真核細(xì)胞中具有重要的作用，例如有絲分裂、新陳代謝”以及信號(hào)傳導(dǎo)

12、10等。蛋白激酶在蛋白底物中催化特定的受體氨基酸，每一種激酶只催化它特定的底物子集。蛋白激酶的失活會(huì)導(dǎo)致疾病，因此了解特定蛋白激酶的磷酸化作用機(jī)制有重要意義。而利用實(shí)驗(yàn)手段或質(zhì)譜分析中、縮氨酸微陣列12和特定磷蛋白質(zhì)水解13等方法分析磷酸化蛋白質(zhì)組都有很多缺陷，但有一種方法在磷酸化位點(diǎn)預(yù)測(cè)上有明顯優(yōu)勢(shì)-基于k鄰近的蛋白激酶特異性預(yù)測(cè)方法，此方法可以對(duì)不同激酶家族的磷酸化作用位點(diǎn)進(jìn)行標(biāo)注。由BLOSUM62打分矩陣得到的相似度函數(shù)作為系統(tǒng)的輸入向量。3.4蛋白質(zhì)定點(diǎn)突變穩(wěn)定性預(yù)測(cè)準(zhǔn)確率定點(diǎn)突變技術(shù)的潛在使用領(lǐng)域很廣，比如研究蛋白質(zhì)相互作用位點(diǎn)的結(jié)構(gòu)特性、酶學(xué)和酶工程中改造酶的不同活性或動(dòng)力學(xué)特性

13、、改造啟動(dòng)子或DNA相互作用元件、研究蛋白質(zhì)晶體結(jié)構(gòu)，以及藥物研發(fā)、提高蛋白抗原性或穩(wěn)定性和活性等。何種程度的變異會(huì)影響野生型蛋白的穩(wěn)定性，以及突變后該蛋白質(zhì)穩(wěn)定性的改變，是設(shè)計(jì)蛋白質(zhì)或?qū)Φ鞍踪|(zhì)進(jìn)行點(diǎn)突變分析時(shí)的關(guān)鍵。但是實(shí)驗(yàn)測(cè)定的精確方法需要昂貴的設(shè)備和較長(zhǎng)的實(shí)驗(yàn)時(shí)間，因此現(xiàn)在多使用生物信息學(xué)的方法。有人使用BLOSUM6頌測(cè)氨基酸定點(diǎn)突變后蛋白質(zhì)的穩(wěn)定性， 并對(duì)常用的數(shù)據(jù)集經(jīng)過(guò)嚴(yán)格的交叉驗(yàn)證發(fā)現(xiàn)其明顯優(yōu)于目前通常采用的理化特性打分方法和單位打分法8。4 BLOSUM矩陣的挑戰(zhàn)和發(fā)展4.1 BLOSUM矩陣和PAM矩陣的比較(1)用于產(chǎn)生矩陣的蛋白質(zhì)家族及多肽鏈數(shù)目，BLOSUM比PAM大約

14、多20倍:(2)低價(jià)PAM矩陣適合用來(lái)比較親緣較近的序列， 而低價(jià)BLOSUM矩陣更多是用來(lái)比較親緣較遠(yuǎn)的序列。(3)在BLOSUM中，通過(guò)統(tǒng)計(jì)聚類技術(shù)來(lái)對(duì)相關(guān)蛋白質(zhì)的無(wú)空位比對(duì)進(jìn)行分類，并且計(jì)算類間的替換率。當(dāng)觀察某對(duì)氨基酸得到的替換率很低時(shí)就會(huì)帶來(lái)一些統(tǒng)計(jì)問(wèn)題，而B(niǎo)LOSUM的方法正好能夠避免此類問(wèn)題。4.2基于BLOSUM矩陣的一些現(xiàn)代算法由于BLOSUM打分矩陣的上述優(yōu)點(diǎn)，已被各種現(xiàn)代算法所利用，發(fā)揮不同領(lǐng)域的作用于功能。下面將介紹幾種使用BLOSUM打分矩陣最多的算法，對(duì)它們的優(yōu)缺點(diǎn)進(jìn)行簡(jiǎn)單闡述。4.2.1動(dòng)態(tài)規(guī)劃算法其指導(dǎo)思想就是在多級(jí)過(guò)程的每一級(jí)上列出各種可行的局部解。該方法由N

15、eedle-man和Wunsch于1970年提出，最初用于求兩個(gè)序列的最佳比對(duì)。對(duì)于兩兩全局序列比對(duì)情況，該方法的關(guān)鍵是設(shè)計(jì)一個(gè)二維矩陣，該矩陣的兩個(gè)軸就是要比對(duì)的兩個(gè)序列。Needleman-Wunsch算法可以直接用于三個(gè)序列的比對(duì)。多序列比對(duì)的積分是n個(gè)序列中兩兩進(jìn)行比對(duì)所得積分之和。對(duì)于N個(gè)序列的比對(duì)其運(yùn)算時(shí)間呈指數(shù)增長(zhǎng)，所以動(dòng)態(tài)規(guī)劃算法不是很適用。4.2.2漸進(jìn)算法漸進(jìn)算法最早由Feng和Doolittle提出。 在算法中， 首先采用Needleman-Wunsch算法把需要比對(duì)的N個(gè)序列進(jìn)行彼此兩兩比對(duì)，其結(jié)果形成C；個(gè)實(shí)體，然后對(duì)這些實(shí)體排序，進(jìn)行全局比對(duì)。這種方法一般在質(zhì)量尤其

16、是計(jì)算速度、存儲(chǔ)空間及可比對(duì)的序列數(shù)目方面比動(dòng)態(tài)規(guī)劃算法更優(yōu)良。在比對(duì)過(guò)程中遵循“一旦有一個(gè)空位，總有一個(gè)空位”的規(guī)則。漸進(jìn)算法實(shí)際上從歷史和進(jìn)化的觀點(diǎn)比對(duì)多個(gè)序列，準(zhǔn)確地反映了導(dǎo)致現(xiàn)代序列的一系列歧異進(jìn)化過(guò)程，并且可以直接用于構(gòu)造進(jìn)化樹(shù)，其缺點(diǎn)是不能保證比對(duì)的結(jié)果是數(shù)學(xué)上的最優(yōu)化比對(duì)。4.2.3隨機(jī)算法(1)遺傳算法遺傳算法使一類借鑒生物界的進(jìn)化規(guī)律(適者生存、 優(yōu)勝劣汰和遺傳學(xué)原理)演化來(lái)的全局意義上的自適應(yīng)隨機(jī)搜索方法。當(dāng)用遺傳算法進(jìn)行生物序列分析時(shí)，假設(shè)每一代包含固定數(shù)量的個(gè)體(在序列分析中表示優(yōu)化比對(duì)問(wèn)題的一個(gè)可行解)，這些個(gè)體用它們的適應(yīng)度來(lái)評(píng)價(jià)。那些具有較高適應(yīng)度的優(yōu)良個(gè)體更適合

17、于生存環(huán)境，將有很多的機(jī)會(huì)產(chǎn)生它們的后代，從而使優(yōu)良特性得以遺傳并強(qiáng)化。變異則模擬了生物進(jìn)化過(guò)程中的偶然殘基突變現(xiàn)象。對(duì)產(chǎn)生的新一代群體進(jìn)行重新評(píng)價(jià)、選擇、交叉、變異，如此循環(huán)往復(fù)，使群體中的最優(yōu)個(gè)體的適應(yīng)度和平均適應(yīng)度不斷提高，直至最優(yōu)個(gè)體的適應(yīng)度和平均適應(yīng)度不斷提高，直至最優(yōu)個(gè)體的適應(yīng)度達(dá)到某一限定值或最優(yōu)個(gè)體的適應(yīng)度和群體的平均適應(yīng)度不再提高， 則迭代過(guò)程收斂，算法結(jié)束。在這種算法中，可以對(duì)各種變異、交叉和打分系統(tǒng)進(jìn)行設(shè)置。(2)模擬退火模擬退火算法的思想是Kirkpartick等人于1982年引入組合優(yōu)化領(lǐng)域， 其源于對(duì)固體退火過(guò)程的模擬。模擬退火算法采用Meteropolis接受準(zhǔn)則

18、，并用一組稱為冷卻進(jìn)度表的參數(shù)控制算法進(jìn)程，使算法在多項(xiàng)式時(shí)間內(nèi)給出一個(gè)近似最優(yōu)解。模擬退火方法是用于蛋白質(zhì)三維結(jié)構(gòu)比對(duì)的一種確定性方法。但是，作為一種多序列比對(duì)工具，它需要過(guò)長(zhǎng)的計(jì)算時(shí)間，特別是當(dāng)比對(duì)的序列數(shù)目較大時(shí)更為明顯，所以只適于一些高性能的計(jì)算機(jī)。5總結(jié)BLOSUM打分矩陣自1992年由Henikoff夫婦提出至今已近二十年， 它的使用也從最初的多肽鏈比對(duì)，蛋白質(zhì)定點(diǎn)突變穩(wěn)定性預(yù)測(cè)擴(kuò)展到表面抗原分析，T細(xì)胞表面抗原決定簇預(yù)測(cè)，磷酸化位點(diǎn)預(yù)測(cè)等多方面。雖然有文章表示近年來(lái)已被當(dāng)做標(biāo)準(zhǔn)的BLOSUM打分矩陣并非完全正確且存在錯(cuò)誤計(jì)算，但這沒(méi)有影響至UBLOSUM打分矩陣的使用，甚至從某種

19、程度上提升了其在搜索中的表現(xiàn)17。隨著后基因組時(shí)代的到來(lái)，適于遠(yuǎn)親分析的BLOSUM矩陣一定可以有更大的用武之地。參考文獻(xiàn)1StevenHenikoff,JorjaGHenikoff.AminoacidsubstitutionmatricesfromproteinblockJ.AtlasofProteinSequenceandStructure.1978,5(3):345-352.2ChantleR.Korostensky.AlgorithmsforBuildingMultipleSequenceAlignmentsandEvolutionaryTrees.DissertationSwissF

20、ederalInstituteofTechnology.20003孫嘯，陸祖宏，謝建明等譯.生物信息學(xué)概論.清華大學(xué)出版社.北京4http:/bioinformatics.weizmann.ac.il/blocks/about_blocks.html5徐麗，康瑞華.生物信息學(xué)中的多序列比對(duì)算法.中國(guó)水運(yùn)(理論版).2006,4(6):118-119.6孟翔燕，孟軍，葛家麟.一種基于親疏水性的替代矩陣.數(shù)學(xué)的實(shí)驗(yàn)和認(rèn)識(shí).2009,39(7):105-112.7Roque-AfonsoAM,FereyMP,LyTD.Viralandclinicalfactorsassociatedwithsurf

21、acegenevariantsamonghepatitisBviruscarriers.AntivirTher.2007,12(8):1255-12638基于進(jìn)化信息改進(jìn)蛋白質(zhì)定點(diǎn)突變穩(wěn)定性預(yù)測(cè)準(zhǔn)確率，劉建國(guó)，劉建榮，劉明，閆蓬勃.生物物理學(xué)報(bào).2009,25(5)。9NielsenM,LundegaardC,WorningP,etal.ReliablepredictionofT-cellepitopesusingneturalnetworksnovelsequencerepresentations.ProteinSci.2003,12:1007-1017.10LouYang,YaoJianhui,ZereshkiA,etal.NEK2AinteractswithMAD1andpossiblyfunctionsasanovelintegratorofthespindlecheckpointsignalingJ.JBiolChem.2004,279:20049-20057.11MeijerAJ,DubbelhuisPF.Aminoacidsignallingandthei