序列比对

针对DNA、RNA以及蛋白质序列，我们需要对其进行序列相似性搜索，来研究分析不同序列在结构和功能上相同与差异 相似性【similarity】/一致性【identity】 <==> 双序列比对（ Pairwise sequence Alignment ） 同源性【homology】 <==> 多序列比对 （Multiple Sequence Alignment） 旁系同源【paralogs】：同祖同种不同功 直系同源【orthologs】：同祖不同种同功 序列之间的相似性越高 => 序列为同源序列的可能性越高 但 同源序列不一定相似（趋异进化），相似序列不一定同源（趋同进化） 双序列比对： 全局比对 / 局部比对 局部比对：寻找最优匹配的 子序列 最佳比对查找方法：动态规划算法（Dynamic programming） Needleman-Wunsch Algorithm(for Global Alignment ) Smith-Waterman Algorithm(for Local Alignment) 常用工具： BLAST FASTA BLAST: Blastn：核酸检索核酸库 Blastp：蛋白质检索蛋白质库 Blastx：核酸（先翻译6ORFs）检索蛋白质库 tblastn：蛋白质检索核酸库（先翻译） tblastx：核酸（先翻译）检索核酸库（先翻译） PSI-BLAST

双序列比对的理论基础之建造替换矩阵的合理性证明  前言：如果对最大似然估计没有概念的话，可以看看我之前写的《似然，似然，似是而然》  结合前几篇文章我们大致的了解了计分矩阵的流程：对某以蛋白质家族进行多序列对比，然后按某一阈值(等同残基比）进行聚类，之后将匹配的无空位的区域划分为block,然后统计各个block中残基之间的联配的频率，用归一化的频率估计概率，进行 最大似然估计 ，估计出在自然界中各残基联配的概率（即匹配模型M的参数）。   《双序列比对的基础（2）之替换（计分）矩阵系列》提出了疑问：怎么没进行最大似然估计啊？没有列似然函数啊，没有求极值点啊。从样本数据得到的频率怎么直接估计为总体的参数呢？ 所以怀疑建造的替换矩阵是不合理的！  那么本文就探讨探讨这个问题。  首先，之前我们说过我们必须将生物学的问题抽象成数学模型。而残基对之间的联配可看做是多项分布。多项分布是二项分布的推广。  二项分布就是我抛出一枚硬币，它的结果不是正面就是反面。我们抛出10次，计算出现5次正面的概率很简单。而多项分布则是我扔色子会有六种状态，现在我扔了十次，我想知道出现事件A（A事件=点数为1出现2次和点数为2出现4次和点数为3出现1次和点数为4出现1次和点数为5出现1次和点数为6出1次。）的概率是多少？注意在多项分布中，每个状态出现的频率必须大于0！  

双序列比对的理论基础（一） 比对的具体流程： 1使用字符串模拟生物序列，那么两条序列的相似性比对可看成两个字符串的对齐，运用特定的算法搜索所有可能的比对方案。 2 采用具有生物学意义的打分机制（替换矩阵），衡量算法的比对结果，获得最优比对。 1.1 字符模型的建立。 两条序列x和y； 长度分别为m和n； x i 表示序列x中的第i个字符。 y i 表示序列y中的第i个字符。 这些字符全部来自字母表Ω={A、T、C、G} 表示是基因序列。 或者全来自Ω={A、R、N、D、C、Q、E、G、H、I、L、K、M、F、P、S、T、W、Y、V、X}。表示是氨基酸序列。 比对结果的输出模型：输出的结果可能是含有空位（gap),所以字符表中得添加上“——”，表示序列进化中，发生了插入或缺失。 2.1 打分机制的建立 我们现在得建立一个打分机制，对我们序列比对的结果进行评估也就是进行量化。而前人已经为我们建好了。从概率论角度来描述就是: 序列相关之于无关的的对数相对似然 。 这句话是《生物序列分析》书中的原话，初次读到这句时候，也是一脸懵b。啥是相关啥又是无关？似然又是什么鬼？ 下面我们就探讨一下机制建立的过程。 2.1.1打分机制建立的假设：   1,接受进化论的观点。即是基于进化论的模型，即两条待对比的序列是有同一条“祖先”序列进化而来。这句话其实对应着书中一开始提到的 大自然是修补匠

1. 下载多序列比对软件 下载链接：https://pan.baidu.com/s/1RYDRQws8DUYLhB7rvXoiGg 2. 序列比对 3. 序列比对结果保存 输出结果保存为aln后缀 4 . 图片绘制 网站：http://espript.ibcp.fr/ESPript/ESPript/index.php a. 开始新的工作 （ 自己的） b.输入需要的文件 输入比对好的文件 输入pdb文件（ 与比对序列关系较近的即可） 点击提交 允许浏览器弹框（不然看不到结果，。。。。） 结果查看 注意：有的浏览器可以做不出来，并不代表我们做错了。可能是浏览器自身的问题。个人建议用IE比较好。WIN10的同学建议使用自带的浏览器。 来源： https://www.cnblogs.com/lmt921108/p/9074119.html

源自：http://sanwen.net/a/hirxmpo.html samtools是一系列处理bam和sam格式文件的应用程序集合，具有众多的功能。 首先呢，bam和sam文件主要是bwa、bowtie、tophat等序列比对工具产生的，这些软件我们后面会谈到。 软件下载安装： 地址：https://sourceforge.net/projects/samtools/ 解压下载后的压缩文件，然后你会看到README文件，里面有详细的安装操作说明。 安装成功后，运行samtools，你会看到： 目前最新版本是1.3.1 下面我们针对samtools的主要命令以及参数做个实例演示。 操作文件下载： wget http://popgen.dk/software/download/angsd/bams.tar.gz 解压后，在bams文件夹下，你会看到10个bam文件： 名字太复杂，进行批量重命名 rename "s/.mapped.ILLUMINA.bwa.CEU.low_coverage.20111****14.bam//" * 结果如下： 1、view 主要功能：sam和bam文件之间相互转换，针对bam文件进行相关操作。bam文件是sam文件的二进制格式，占据内存较小且运算速度快。 查看view的主要参数： 重要参数释义： -b：输出bam格式，用于后续分析 -C

本文介绍两个字符串的编辑距离并给出代码。 编辑距离 所谓编辑距离，就是给定两个字符串后，将一个字符串变为另一个字符串所需要花费的最少步骤。这个改变包括“插入一个字符”、“删除一个字符”，“替换一个字符”。比如： v = T G C A T A T \bm{v}=TGCATAT v = T G C A T A T 与 w = A T C C G A T \bm{w}=ATCCGAT w = A T C C G A T 这两个字符串的编辑距离为4。 编辑距离的求解过程和全局比对是十分相似的（关于全局比对，可以参见前文《序列比对（一）全局比对Needleman-Wunsch算法》），都需要全部符号参与比对，都允许插入、缺失和错配。所以，编辑距离可以用动态规划算法求解，其迭代公式是： F ( i , j ) is the minimum score of alignments between x 1 … i and y 1 … j . F ( i , 0 ) = i for i = 0 … m . F ( 0 , j ) = j for j = 1 … n . s ( i , j ) = { 0 if x i = y j , 1 otherwise. F ( i , j ) = min { F ( i 1 , j ) + 1 , F ( i , j 1 ) + 1 , F ( i 1 ,

SAM是一种序列比对格式标准， 由sanger制定，是以TAB为分割符的文本格式。主要应用于测序序列mapping到基因组上的结果表示。 aln格式，是比对视图化的展示，存储的信息不够结构化，无法方便的作为另外程序的输入。 SAM则： 非常多序列（read)，mapping到多个参考基因组（reference）上； 同一条序列，分多段（segment）比对到参考基因组上； 无限量的，结构化信息表示，包括错配、删除、插入等比对信息； SAM分两部分，注释信息（header section）和比对结果部分（alignment section）， 注释信息可有可无，都是以@开头，用不同的tag表示不同的信息，主要有@SQ，参考序列说明；@RG，比对上的序列（read）说明 比对结果部分（alignment section），每一行表示一个片段（segment）的比对信息，包括11个必须的字段（mandatory fields）和一个可选的字段，字段之间用tag分割。 必须的字段有11个，顺序固定，不可用时，根据字段定义，可以为’0‘或者’*‘，这是11个字段包括： QNAME，比对片段的（template）的编号； FLAG，位标识，template mapping情况的数字表示，每一个数字代表一种比对情况，这里的值是符合情况的数字相加总和； RNAME，参考序列的编号，如果注释中对SQ