vvedenie_v_bioinformatiku_2

Bestfit Output
sp1_human x egr1_human
October 10, 2001 10:50
.
.
.
..
.
.
526 RGSGDPGKKKQHICHIQGCGKVYGKTSHLRAHLRWHTGERPFMCTWSYCG 575
| |
|
.: : | :: | : : :.
|
|:| |||::|| |
|
327 RPSKTPPHERPYACPVESCDRRFSRSDELTRHIRIHTGQKPFQC..RICM 374
.
.
.
.
.
576 KRFTRSDELQRHKRTHTGEKKFACPECPKRFMRSDHLSKHIKTH...QNK 622
: |.||| |
| ||||||| |||
| ::| |||
:| | |
..|
375 RNFSRSDHLTTHIRTHTGEKPFACDICGRKFARSDERKRHTKIHLRQKDK 424
.
.
.
623 KGGPGVALSVGTLPLDSGAGSEGSGTATPSALITT 657
|
|
|
|
| |
|. || . |.
425 KADKSVVASSATSSLSSYPSP..VATSYPSPVTTS 457
SP1 at swissprot
EGR1 at swissprot
Вывод
• Оба белка имеют «общей» только небольшую зону
похожих
последовательностей.
Поэтому
использование bestfit больше подходит для
построения локального выравнивания.
• Мы нашли такое локальное выравнивание, которое
соответствует возможному структурному
выравниванию.
• Структурная «похожесть» может свидетельствовать
о domain/function similarity.
Bl2Seq at NCBI
Bl2seq results
Bl2seq оценка
• Bits score – оценка выравнивания в
соответствии с количеством совпадений,
«похожести» и т.д.
• Expected-score (E) – Вероятность
случайности выравнивания. Чем ближе к 0,
тем больше вероятность, что наше
выравнивание верно.
Оптимизация времени вычислений
при парном выравнивании
Нахождение оптимального выравнивания требует значительных
затрат времени
Алгоритм FASTA
k – длина
диагоналей
b – фактор
отступа от
диагонали
Алгоритм BLAST
• Basic Local Alignment Search Tool
• Чувствителен также, как FastA, но намного
быстрее.
• Также, как FASTA, требует параметр k (длина
слова).
– Белки k= 3 letter words
– ДНК k= 11 letter words.
Алгоритм BLAST (шаг 1)
1. Поиск идентичных\похожих участков
2. Попытка «удлинить» эти участки насколько возможно
(т.е. пока score растёт)
В результате: High-scoring Segment Pairs (HSPs)
THEFIRSTLINIHAVEADREAMESIRPATRICKREAD
INVIEIAMDEADMEATTNAMHEWASNINETEEN
Алгоритм BLAST (шаг 2)
Попытка соединить соседние HSPs путем
выравнивания последовательностей
между ними:
THEFIRSTLINIHAVEADREA____M_ESIRPATRICKREAD
INVIEIAMDEADMEATTNAMHEW___ASNINETEEN
Blast
• Blast – это семейство программ: BlastN, BlastP,
BlastX, tBlastN
•
•
•
•
Query:
ДНК
Белок
Database:
ДНК
Белок
BlastN - ДНК vs ДНК
BlastP – белок vs белок
BlastX - translated ДНК vs белок
tBlastN - белок vs translated ДНК
Поиск гомологов
По ДНК или по белку?
Какой поиск предпочтительней?
ДНК или белок?
Какая последовательность более
постоянна в эволюционном плане?
UCAUAC
Or
Serine -Tyrosine
ДНК
ДНК
Фосфатная группа
O
O=P-O
O
5
CH2
O
N
Азотистое основание
C1
C4
Сахар
(дезоксирибоза)
C3
C2
(A, G, C, or T)
ДНК
ДНК состоит из двух цепей нуклеотидов,
соединённых попарно:
ADENINE – THYMINE
CYTOSINE - GUANINE
Правило комплементарности
Двойная спираль
5
O
3
3
O
P
5
O
1
C
G
4
3
4
2
3
2
1
P
5
O
P
3
5
O
T
A
O
P
P
5
3
5
P
ДНК, дальнейшая упаковка.
ДНК
Функции ДНК — наследственность и
изменчивость.
Репликация ДНК
Репликация ДНК
Поиск гомологов
• Генетический код избыточен – почти все
аминокислоты кодируются более, чем 1 кодоном
(тройка нуклеотидов)
• Последовательность ДНК может меняться, в то
время, как последовательность белка остается
постоянной.
Ser-Tyr….
UCAUAC
UCUUAC
UCGUAC
U……
Поиск гомологов
• Нуклеотиды – 4-х буквенный алфавит.
• Аминокислоты – 20-и буквенный алфавит
Две случайные последовательности ДНК будут
идентичны ~ 25%.
Две случайные белковые последовательности будут
идентичны ~ 5%.
Поиск гомологов
Матрицы для сравнения белков более
чувствительны, чем матрицы для ДНК.
Базы данных ДНК намного больше белковых
→ будут случайные совпадения.
Поиск гомологов
Использование белковых
последовательностей более
предпочтительно при поиске гомологов
Множественное выравнивание
последовательностей (MSA)
VTISCTGSSSNIGAG-NHVKWYQQLPG
VTISCTGTSSNIGS--ITVNWYQQLPG
LRLSCSSSGFIFSS--YAMYWVRQAPG
LSLTCTVSGTSFDD--YYSTWVRQPPG
PEVTCVVVDVSHEDPQVKFNWYVDG-ATLVCLISDFYPGA--VTVAWKADS-AALGCLVKDYFPEP--VTVSWNSG--VSLTCLVKGFYPSD--IAVEWWSNG--
Основные предположения
• Гены фиксированы, сохранены у очень
широкого круга биологических видов, у
совершенно различных представителей
«древа жизни».
• Фиксированный генетический код для
белков вероятно несёт похожие, зачастую
идентичные функции.
Например:
• Гистоны: небольшие белки,
присутствуют у всех эукариот.
Демонстрируют выраженное
постоянство последовательности в
MSA
Постоянство структуры и
функции (упаковка DNA)
Почему множественное выравнивание?
Позволяет дать характеристику семействам
белков, найти общие участки, гомологов.
Например: семейство Serine protease:
семейство, отвечающее за катализ,
гидролиз пептидных связей.
• Одинаковые активные центры ?
• Общие участка последовательности?
• MSA – это первый, предварительный шаг к
анализу в области молекулярной эволюции и
построения эволюционных деревьев.
• База для филогенеза – данные молекулярной
биологии или морфологические данные
Подходы в MSA
2 разных подхода:
– 1D sequence based – сравнение
последовательностей.
– 2D-3D based – выравнивание, базирующееся на
структуре
MSA algorithm
• Попарное выравнивание всех последовательностей
(pairwise alignment).
• Кластерный анализ данных парного выравнивания
для получения иерархии выравниваний (guide tree).
• Построение множественного выравнивания (MSA)
пошагово в соответствии с guide tree; сначала
выравнивают наиболее похожие пары, затем
добавляют остальные и т.д.
Multiple Alignment - алгоритм
(1) Парное выравнивание (подготовка guide tree)
6 pairwise alignments
then cluster analysis
(2) Множественное выравнивание, следуя древу из п. 1.
successive alignments
Комментарии
• Парное выравнивание - оптимальный алгоритм.
• Множественное выравнивание не является
оптимальным алгоритмом. Вполне могут
существовать и лучшие выравнивания!
• Редакторы выравниваний могут быть полезны для
корректировки
GCG
Pileup: глобальный MSA.
pileup @[list of sequence names]
pileup @hemoglobin_list
1.
2.
The @ sign means that the file contains a list of names.
The list can include names from the user’s directory or code names
(accession numbers) from the GCG databases.
GCG
Пример входного файла
Syntax: the file starts with “..”
..
sw:hbb_human
sw:hbb_rat
sw:hbb_mouse
Sequences from the
databases
Hemoglobin_Alpha
Hemoglobin_Gamma
Hemogolibin_Delta
Sequences from the
user’s directory
GCG
PileUp creates a multiple sequence alignment from a group of related
sequences using progressive, pairwise alignments. It can also plot a
tree showing the clustering relationships used to create the alignment.
1
2
3
4
IPNS_STRJU
IPNS_STRCL
IPNS_CEPAC
IPNS_NOCLA
329
329
338
328
aa
aa
aa
aa
What is the gap creation penalty (* 8 *) ?
What is the gap extension penalty (* 2 *) ?
This program can display the clustering relationships graphically.
Do you want to:
A) Plot to a FIGURE file called "pileup.figure"
B) Plot graphics on HP7550 attached to /dev/tty15
C) Suppress the plot
Please choose one (* A *): c
What should I call the output file name (* ipns.msf *) ?
Determining pairwise similarity scores...
1
1
1
2
2
3
x
x
x
x
x
x
2
3
4
3
4
4
4.43
3.12
4.12
2.94
4.05
3.09
Aligning...
Total sequences:
Alignment length:
CPU time:
4
338
00.21
Output file:/data/users/racheli/others/racheli/ipns.msf
Regular GCG syntax:
Default parameters,
output file, etc
GCG
!!AA_MULTIPLE_ALIGNMENT 1.0
PileUp of: @ipns.fil
Symbol comparison table: GenRunData:blosum62.cmp CompCheck: 1102
GapWeight: 8
GapLengthWeight: 2
ipns.msf MSF: 338 Type: P March 14, 2002 09:29 Check: 7631 ..
Name:
Name:
Name:
Name:
IPNS_STRJU
IPNS_STRCL
IPNS_NOCLA
IPNS_CEPAC
Len:
Len:
Len:
Len:
338
338
338
338
Check: 6344
Check: 4249
Check: 7020
Check:
18
Weight:
Weight:
Weight:
Weight:
1.00
1.00
1.00
1.00
//
IPNS_STRJU
IPNS_STRCL
IPNS_NOCLA
IPNS_CEPAC
1
~MPILMPSAE
~MPVLMPSAH
~~~MKMPSAE
MGSVPVPVAN
IPNS_STRJU
IPNS_STRCL
IPNS_NOCLA
IPNS_CEPAC
51
VDVQLLQDVV
VDVQQLQDVV
VDVQRLQDVV
VDLPWLSRET
VPTIDISPLS
VPTIDISPLF
VPTIDVSPLF
VPRIDVSPLF
NEFHRNMSDQ
NEFHGAMTDQ
NEFHRTMSPQ
NKFHMSITDE
GDDAKAKQRV
GTDAAAKKRV
GDDAQEKVRV
GDDKEKKLEV
EKHDLAINAY
EKHDLAIHAY
EKYDLAIHAY
EKWQLAIRAY
AQEINKAARG
AEEIHGACRG
GQEINKACRG
ARAIDAASRD
50
SGFFYASNHG
SGFFYATNHG
SGFFYAANHG
TGFFYAVNHG
NKDN.PHVRN
NPDN.PHVRN
NKNN.SHVRN
NKEHESQIRA
100
GYYKAIKGKK
GYYKAVPGRK
GYYMAIEGKK
GYYLPIPGKK
Output file:
msf format
GCG
Prettybox: генерирует графический файл из
файла MSA
prettybox [MSA file]{*}
prettybox hemoglobins.msf{*}
1. The “{*}” is a syntax sign meaning all the sequences in
the MSA file.
2. Can also calculate the consensus sequence.
GCG
ClustalW
• Очень известная и широко распространённая
программа: UNIX, Internet, Windows.
• Выполняет MSA; может строить филогенетические
деревья.
• Входной файл – формат multi-fasta.
ClustalW
• tofasta @list
Making the file in unix
>IPNS_STRJU P18286
MPILMPSAEVPTIDISPLSGDDAKAKQRVAQEINKAARGSGFFYASNHGVDVQLLQDVVN
EFHRNMSDQEKHDLAINAYNKDNPHVRNGYYKAIKGKKAVESFCYLNPSFSDDHPMIKSE
TPMHEVNLWPDEEKHPRFRPFCEDYYRQLLRLSTVIMRGYALALGRREDFFDEALAEADT
LSSVSLIRYPYLEEYPPVKTGADGTKLSFEDHLDVSMITVLYQTEVQNLQVETVDGWQDI
PRSDEDFLVNCGTYMGHITHDYFPAPNHRVKFINAERLSLPFFLNAGHNSVIEPFVPEGA
AGTVKNPTTSYGEYLQHGLRALIVKNGQT
>IPNS_STRCL P10621
MPVLMPSAHVPTIDISPLFGTDAAAKKRVAEEIHGACRGSGFFYATNHGVDVQQLQDVVN
EFHGAMTDQEKHDLAIHAYNPDNPHVRNGYYKAVPGRKAVESFCYLNPDFGEDHPMIAAG
TPMHEVNLWPDEERHPRFRPFCEGYYRQMLKLSTVLMRGLALALGRPEHFFDAALAEQDS
LSSVSLIRYPYLEEYPPVKTGPDGQLLSFEDHLDVSMITVLFQTQVQNLQVETVDGWRDI
PTSENDFLVNCGTYMAHVTNDYFPAPNHRVKFVNAERLSLPFFLNGGHEAVIEPFVPEGA
SEEVRNEALSYGDYLQHGLRALIVKNGQT
input file:
Multi-fasta
ClustalW
CLUSTAL W (1.7) multiple sequence alignment
IPNS_STRJU
IPNS_STRGR
IPNS_FLASS
IPNS_PENCH
IPNS_CEPAC
-MPILMPSAEVPTIDISPLSGDDAKAKQRVAQEINKAARGSGFFYASNHGVDVQLLQDVV
-MPIPMLPAHVPTIDISPLSGGDADDKKRVAQEINKACRESGFFYASHHGIDVQLLKDVV
----MNRHADVPVIDISGLSGNDMDVKKDIAARIDRACRGSGFFYAANHGVDLAALQKFT
--MASTPKANVPKIDVSPLFGDNMEEKMKVARAIDAASRDTGFFYAVNHGVDVKRLSNKT
MGSVPVPVANVPRIDVSPLFGDDKEKKLEVARAIDAASRDTGFFYAVNHGVDLPWLSRET
*.** **:* * *.: . * :* *: *.* :***** :**:*: *. .
IPNS_STRJU
IPNS_STRGR
IPNS_FLASS
IPNS_PENCH
IPNS_CEPAC
NEFHRNMSDQEKHDLAINAYNKDNP-HVRNGYYKAIKGKKAVESFCYLNPSFSDDHPMIK
NEFHRTMTDEEKYDLAINAYNKNNP-RTRNGYYMAVKGKKAVESWCYLNPSFSEDHPQIR
TDWHMAMSAEEKWELAIRAYNPANP-RNRNGYYMAVEGKKANESFCYLNPSFDADHATIK
REFHFSITDEEKWDLAIRAYNKEHQDQIRAGYYLSIPEKKAVESFCYLNPNFKPDHPLIQ
NKFHMSITDEEKWQLAIRAYNKEHESQIRAGYYLPIPGKKAVESFCYLNPSFSPDHPRIK
.:* :: :** :***.*** : : * *** .: *** **:*****.*. **. *:
Выходной файл: aln format
форматы
http://www.ebi.ac.uk/help/formats.html
ClustalW на EMBL
ClustalW на EMBL - результат
ClustalW at EMBL - Jalview
Conservation
Ещё пара терминов……
Consensus Sequence
Мы можем вывести consensus sequence из
результатов MSA.
The consensus sequence содержит наиболее
часто встречающийся символ в кажной
колонке выравнивания.
A
T
C
T
T
G
T
A
A
C
T
T
G
T
A
A
C
T
T
C
T
A
A
C
T
T
G
T
Профиль (Profile)
Также возможно вывести статистическую модель,
описывающую MSA. Профиль содержит
информацию о символах в каждом столбце
выравнивания.
1
2
3
4
5
6
A
T
C
T
T
G
T
A
1
0.67
0
0
.
.
A
A
C
T
T
G
T
T
0
0.33
1
1
.
.
A
A
C
T
T
C
T
C
0
0
0
0
.
.
G
0
0
0
0
.
.
Profile vs. Consensus
Consensus: каждая позиция отражает
наиболее часто встречающийся символ.
Profile: каждая позиция отражает частоту
символа в данной позиции.
Profile vs. Consensus
Данный MSA будет иметь одинаковый
consensus
A
A
C
T
T
G
C
A
A
C
T
T
G
T
A
A
G
T
C
G
T
A
A
C
T
T
G
T
C
A
C
T
T
C
T
A
A
C
T
T
C
T
G
T
A
A
C
T
T
Profile vs. Consensus
Но разный профиль
A
A
C
T
T
G
C
A
A
C
T
T
G
T
A
A
G
T
C
G
T
A
A
C
T
T
G
T
C
A
C
T
T
C
T
A
A
C
T
T
C
T
1
2
3
4
5
6
1
2
3
4
5
6
A
0.66
1
0
0
.
.
A
1
1
0
0
.
.
T
0
0
0
1
.
.
T
0
0
0
1
.
.
C
0.33
0
0.66
0
.
.
C
0
0
1
0
.
.
G
0
0
0.33
0
.
.
G
0
0
0
0
.
.
Psi Blast (NCBI)
Position Specific Iterated –
автоматизированный поиск по профилю
Regular blast
Construct profile from
blast results
Blast profile search
Final results
PSI-Blast
Psi-Blast вывод
Проблема формулировки выводов при
использовании МSA:
1. Сайт выглядит общим (фиксированным)
из-за того, что это – близкородственные
последовательности?
2. Сайт выглядит общим из-за того, что это
– исключительно, жизненно важный
сайт?
Филогенез
Эволюция – случайный
процесс с неслучайным
результатом
Цели филогенетического исследования
• Реконструкция корректных генеалогических связей
между биологическими объектами
• Оценка времени расхождения организмов
• Определение порядка эволюционных событий в процессе
эволюции
Формат Newick
((A,(B,C)),(D,E))
Типы данных ?
Molecular (DNA, RNA, proteins)
Morphological (soft tissue, hard tissue,
extant, extinct)
Преимущества молекулярных данных
• Наследуемость.
• Недвусмысленность в описании молекулярных характеристик
• Поддаются количественному анализу
• Оценка гомологии легче, чем морфологические исследования
• Данных много
Древо видов и генов
• Древо видов – эволюционные взаимосвязи
между видами (видообразование).
• Древо генов.
Figure 2: (a) Incongruent gene and
species trees. This incongruence can
be explained by hypothesizing a gene
duplication (h) at the base of the gene
tree (b).
The presence of only a single gene (ad) extant in each of the present-day
species
(1-4) requires postulating three gene
losses. (c) The corresponding
reconciled tree.
Page, R.D.M. and Cotton, J.C. (2000) GeneTree: a tool for exploring gene family
evolution. In D. Sankoff, and J. Nadeau, (eds.), Comparative Genomics: Empirical
and Analytical Approaches to Gene Order Dynamics, Map Alignment, and the
Evolution of Gene Families. Kluwer Academic Publishers, Dordrecht, pp. 525-536.
Ортологи и паралоги
• Гены-паралоги –
событие дупликация (a
and b)
a
• Гены-ортологи –
событие
видообразования (a in
the two species and b in
the two species)
Duplication
a
b
Speciation
a
Species a
b
a
Species b
b
Шаги реконструирования филогенетического
древа
1. Выбор последовательностей и поиск
гомологов
2. MSA
3. Матрица белков
4. Филогенетическое дерево
Филогенетическое дерево
Филогения - раздел биологии, изучающий
родственные взаимоотношения разных
групп живых организмов. Филогению
отображается обычно в виде
"эволюционных древ" или систематических
названий.
Зачем нужны филогенетические
деревья?
Биологические задачи:
 сравнение 3-х и более объектов
(кто на кого более похож .... )
 реконструкция эволюции
(кто от кого, как и когда произошел…)
Терминология
Узел (node) — точка разделения предковой последовательности
(вида, популяции) на две независимо эволюционирующие.
Соответствует внутренней вершине графа, изображающего
эволюцию.
Лист (leaf, OTU – оперативная таксономическая единица) —
реальный (современный) объект; внешняя вершина графа.
Ветвь (branch) — связь между узлами или между узлом и
листом; ребро графа.
Корень (root) — общий предок.
Клада (clade) - группа двух или
более таксонов или последовательностей ДНК, которая включает как
своего общего предка, так и всех его
потомков.
OTU
HTU (hypotetical taxonomic unit)
Какие бывают деревья?
Бинарное (разрешённое)
Небинарное (неразрешённое)
(в один момент времени может
произойти только одно событие )
(может ли в один момент времени
произойти два события? )
Время
Какие бывают деревья?
Укорененное дерево (rooted tree)
отражает направление эволюции
Неукорененное (бескорневое) дерево
(unrooted tree) показывает
только связи между узлами
Время
Если число листьев равно n, существует (2n-3)!!
разных бинарных укоренных деревьев.
По определению, (2n-3)!! = 1·3 ·... ·(2n-3)
Существует (2n-5)!! разных бескорневых
деревьев с n листьями
Rooting
3 OTUs  1 неукорененное дерево
3 укорененных деревьев
B
A
C
A
C
B
A
B
C
B
C
A
4 OTUs  3 неукорененных филогенетических
деревьев
C
A
B
D
A
C
B
D
A
D
B
C
4 OTUs 
15 укорененных
деревьев
Количество возможных деревьев
Количество Количество
OTU
укорененных
2
3
4
5
6
7
8
9
10
11
12
1
3
15
105
954
10,395
135,135
2,027,025
34,459,425
654,729,075
13,749,310,575
Количество
неукорененных
1
1
3
15
105
954
10,395
135,135
2,027,025
34,459,425
654,729,075
Рутинная процедура, или как строят деревья?
Составление выборки последовательностей
Множественное выравнивание
Построение дерева
фрагмент записи в виде скобочной формулы:
(((((con101:38.51018,(f53969:28.26973,((f67220:8.39851,
max4:27.50591):4.92893,con92:30.19677):13.62315):9.53075):25.83145,
Визуализация и редактура дерева
Множественное выравнивание
GCGGCTCA
GCGGCCCA
GCGTTCCA
GCGTCCCA
GCGGCGCA
***
**
TCAGGTAGTT
TCAGGTAGTT
TC--CTGGTT
TCAGCTAGTT
TTAGCTAGTT
*
* ***
Matches
GGTG-G
GGTG-G
GGTGTG
GTTG-G
GGTG-A
* **
Spinach
Rice
Mosquito
Monkey
Human
Multiple Alignment
GCGGCTCA
GCGGCCCA
GCGTTCCA
GCGTCCCA
GCGGCGCA
***
**
TCAGGTAGTT
TCAGGTAGTT
TC--CTGGTT
TCAGCTAGTT
TTAGCTAGTT
*
* ***
Matches
Mismatches
GGTG-G
GGTG-G
GGTGTG
GTTG-G
GGTG-A
* **
Spinach
Rice
Mosquito
Monkey
Human
Multiple Alignment
GCGGCTCA
GCGGCCCA
GCGTTCCA
GCGTCCCA
GCGGCGCA
***
**
TCAGGTAGTT
TCAGGTAGTT
TC--CTGGTT
TCAGCTAGTT
TTAGCTAGTT
*
* ***
Matches
Mismatches
Gaps
GGTG-G
GGTG-G
GGTGTG
GTTG-G
GGTG-A
* **
Spinach
Rice
Mosquito
Monkey
Human
Шаг 3. Перевод
индексы замен
количества
Seq 1
Seq 2
расхождений
A G C G A G
G C G G A C
в
Distance Matrix*
Spinach
Rice
Mosquito
Spinach
0.0
Rice
9
0.0
Mosquito Monkey Human
106
91
86
118
122
122
0.0
55
51
0.0
3
Monkey
Human
* Units: количество замен нуклеотидов на 1000
0.0
Шаг 4: построение филогенетического дерева
Spinach
Rice
Mosquito
Monkey
Human
Spinach
0.0
Rice
9
0.0
Mosquito Monkey Human
106
91
86
118
122
122
0.0
55
51
0.0
3
0.0
Дистанция между человеком и обезьяной минимальна. Эти
группы объединяются в Monkey-Human, а все остальные
дистанции пересчитываются
Dist[Spinach, MonHum] = (Dist[Spinach, Monkey] +
Dist[Spinach, Human])/2 = (91 + 86)/2 = 88.5
Mon-Hum
Mosquito Spinach
Rice
Human
Monkey
Редуцированная матрица дистанций
Spinach
Rice
Mosquito
Mon-Hum
Spinach
0.0
Rice
9
Mosquito
106
Mon-Hum
88.5
0.0
118
122
0.0
53
0.0
Spi-Ric
Mosquito
Spinach
Rice
Mon-Hum
Human
Monkey
Mos-Mon-Hum-Spi-Ric
Mos-Mon-Hum
Spi-Ric
Rice
Spinach
Mon-Hum
Mosquito
Human
Monkey
Как выбирать последовательности для дерева?
 Кроме случаев очень близких последовательностей, проще
работать с белками (а не с ДНК)
 Придерживайтесь небольшой выборки (< 50
последовательностей)
 Избегайте:
– фрагментов;
– Ксенологов (горизонтальный перенос генов);
– рекомбинантных последовательностей;
– многодоменных белков и повторов
 Используйте outgroup (последовательность,
ответвившаяся от общего предка заведомо (но
минимально!) раньше разделения интересующих группклад)
Самое главное – хорошее
выравнивание!
Максимальный вклад в финальное дерево:
нельзя построить хорошее дерево по
плохому выравниванию
Блоки, содержащие много гэпов, плохо
выровненные N- и C- концы можно просто
вырезать.
Основные алгоритмы построения
филогенетических деревьев
Методы, основанные на
оценке
расстояний (матричные
методы):
• UPGMA (кластеризация)
• Neighbor-joining
• Минимальная
эволюция
Наибольшего
правдоподобия,
Maximal likelihood, ML
Используется модель эволюции
и строится дерево, которое наиболее
правдоподобно при данной модели
Максимальной экономии (бережливости),
maximal parsimony, MP
Выбирается дерево с минимальным количеством
мутаций, необходимых для объяснения данных
Пример матрицы расстояний
1
0.00
2
10.53
0.00
3
9.77
9.02
0.00
4
12.78
12.03
9.77
0.00
5
12.03
9.77
9.02
2.26
0.00
6
16.54
15.79
16.54
17.29
15.79
0.00
7
13.53
9.02
12.03
10.53
8.27
10.53
0.00
Расстояние (уровень дивергенции) между
соответствующими последовательностями из
геномов мыши и свиньи
8
25.00
27.27
24.24
25.76
25.76
29.55
25.00
0.00
HUMAN
HORSE
RABIT
MOUSE
RAT 5
BOVIN
PIG 7
CHICK
1
2
3
4
6
8
Как понимать расстояние между объектами?
• Как время, в течение которого они эволюционировали
• Как число «эволюционных событий» (мутаций)
В первом случае объекты образуют
ультраметрическое пространство
(если все объекты наблюдаются в одно время, что, как правило, верно)
Но время непосредственно измерить невозможно
Гипотеза «молекулярных часов»
(E.Zuckerkandl, L.Pauling, 1962)
Если гипотеза молекулярных часов
принимается, число различий между
выровненными
последовательностями
можно
считать
примерно
пропорциональным
времени.
Отклонения
от
ультраметричности можно считать
случайными.
Эволюция
реконструируется
в
виде
ультраметрического дерева.
Укоренённое
дерево называется
ультраметрическим,
если
расстояние от корня до любого из
листьев одинаково.
За равное время во всех ветвях эволюции
данного гена\белка накапливается равное
число мутаций
UPGMA
Unweighted Pair Group Method with Arithmetic Mean
разновидность кластерного метода
Расстояние между кластерами вычисляется как среднее
арифметическое всевозможных расстояний между
последовательностями из кластеров
Недостатки UPGMA
Алгоритм строит ультраметрическое дерево – скорость эволюции
предполагается одинаковой для всех ветвей дерева. Использовать
этот алгоритм имеет смысл только в случае ультраметрических
данных (справедливости «молекулярных часов»).
Реальное дерево
UPGMA
Метод ближайших соседей
(Neighbor-joining, NJ)
 Строит неукоренённое дерево
 Может работать с большим количеством данных
 Достаточно быстрый
 Если есть недвусмысленное с точки зрения
эксперта дерево, то оно будет построено.
Метод Neighbor-joining
Рисуем «звездное» дерево и будем «отщипывать» от него по паре
листьев
Пусть ui = Σk Mik/(n-2) — среднее расстояние от листа i до других
листьев
1. Рассмотрим все возможные пары листьев. Выберем 2 листа i и j с
минимальным значением величины
Mij – ui –uj
т.е. выбираем 2 узла, которые близки друг к другу, но далеки ото всех
остальных.
Метод ближайших соседей (Neighbor-joining, NJ)
2. Кластер (i, j) – новый узел дерева
Расстояние от i или от j до узла (i,j):
D(i, (i,j)) = 0,5·(Mij + ui – uj)
D(j, (i,j)) = 0,5· (Mij + uj – ui)
т.е. длина ветви зависит от среднего расстояния
до других вершин
3. Вычисляем расстояние от нового кластера до всех других
M(ij)k = Mik+Mjk – Mij
2
5. В матрице М убираем i и j и добавляем (i, j).
Повторяем, пока не останутся 3 узла ...
Методы, основанные на последовательностях:
Maximum Likelihood (ML), Maximum Parsimony (MP)
Input:
MSA для n последовательностей,
одна последовательность для каждого
вида.
AAAAATC
CCCCCCG
AAAAAAG
Длинная ветвь Похоже на правду
CCCCCCG
AAAAAAG
AAAAATC
Длинная ветвь –
непохоже на правду
Как изобразить дерево?
Топология дерева
Топология дерева — только листья, узлы, (корень)
и связывающие их ветви
(топология не зависит от способа изображения дерева)
A
B
C
D
E
C
D E
A
Два изображения одной и той же топологии
B
Как можно нарисовать построенное дерево?
Кладограммы и филограммы
Bacterium 1
Bacterium 2
Bacterium 3
Eukaryote 1
Eukaryote 2
Кладограммы – только
топологя. Длины ветвей не
учитываются
Eukaryote 3
Eukaryote 4
3
Bacterium 1
1
Bacterium 2
2
Bacterium 3
4
Eukaryote 1
3
6
6
5
2
4
Филограммы – длины ветвей
пропорциональны
эволюционному расстоянию.
Eukaryote 2
Eukaryote 3
Eukaryote 4
Какие on-line программы строят
деревья?
ClustalW. “Tree type” – nj, phylip: строит
только методом NJ, но результат – в разных
форматах, no bootstraps
Phylip (Felsenstein, 1993) – пакет программ
для построения филогенетических
деревьев (stand-alone)
On-line (partly): например,
http://bioweb.pasteur.fr/seqanal/phylogeny/phylip-uk.html
 PAUP (Phylogenetic Analysis
Using Parsimony)
MEGA: филогенетический анализ
последовательностей
http://www.megasoftware.net/
Эволюция – исторический процесс.
Из 8,200,794,532,637,891,559,375 деревьев для 20 OTUs, 1
является верным и 8,200,794,532,637,891,559,374
неверны.
Truth is one, falsehoods are many.
Какое из 8,200,794,532,637,891,559,375
деревьев истинно?
Мы не знаем. Можно применить иные критетии:
Например, “похожесть=родство»
GCG
• Строковый поиск: простой текстовый поиск
по локальной базе данных.
• Поиск в определениях или в аннотациях.
• Определения содержат минимальное
количество информации для каждой
статьи: доступ, имя организма, имя гена,
длина последовательности, дата.