Bioinformatique: alignement

de séquences

Céline Brochier-Armanet

Université Claude Bernard, Lyon 1Laboratoire de Biométrie et Biologie évolutive (UMR 5558)

Celine.brochier-armanet@univ-lyon1.fr

• Problème NP-complet

• Requière l’utilisation d’heuristiques

• > 100 heuristiques disponibles => solutions différentes

• Le choix

Alignement global vs alignement local

Séquence 1

A1 B1 C1 A'1

Séquence 2

A2 C2 B2

A1 B1 C1 A'1

A2 C2 B2

A2

A1

B1

C1

A'1

A2

C2

B2

Smith &

Waterman

BLAST

Needleman

& Wunsch

FASTA

A1 B1 C1 A'1

A2 C2 B2

Alignement de deux séquences vs alignement

multiple

Séquence 1

Séquence 2

Séquence 1

Séquence 2

Séquence 3

Séquence 4

Représentation

• Les résidus (nucléotides, acides aminés) sont superposés de façon à

maximiser la similarité entre les séquences (selon les critères choisis) :

G T T A A G G C G – G G A A A

G T T – – – G C G A G G A C A

* * * * * * * * * *

• Il existe deux sortes de mutations :

– Substitutions (mismatches).

– Insertions et délétions (indels ou gaps).

Quel est le bon alignement ?

• Doit maximiser la « similarité » entre les séquences

Évolution : seront alignés ensemble des résidus homologues,cad descendant d’un même résidu ancestral.

Structure : seront alignés ensembles des résidus occupantune position équivalente des résidus dans des structures 2Dou 3D.

Fonction : seront alignés ensembles des résidus ayant desfonctions similaires.

G T T A C G A

G T T - G G A

* * * * *

G T T A C G A

G T T G - G A

* * * * *

G T T A C - G A

G T T - - G G A

* * * * *

ou

Critères

d’évaluation

/

comparaison

des alignements

Matrices de points (dot-plot)

• Comparaison visuelle de deux séquences :– Une suite de points en

diagonale indique une similarité locale.

– Méthode simple et rapide :

• Algorithme en O(nm).

– Visualisation des répéti-tions directes ou inversées.

– Pas d’alignement global.

– Pas de score associé.

CTGCACGTATTA

C T T G C A C G T A T

Élimination du bruit de fond

• Filtrage en affichant un point uniquement si plusieurs résidus successifs correspondent :– Exemple des hémoglobines et humaines :

Identités = 3/10 Identités = 5/10

Fonction de score de similarité

G T T A A G G C G – G G A A A

G T T – – – G C G A G G A C A

* * * * * * * * * *

Score = Score Identités + Score Différences

Identité = +1

Substitution = 0

Gap = -1Score = 10 - 4 = 6

Modèle d’évolution (ADN)

A C

G T

P(transition) > P(transversion)

G T T A C G A

G T T G - G A

* * * : * *

G T T A C G A

G T T - G G A

* * * * *

>

Matrice de substitution (ADN)

G T T A C G A G T T A C G A

G T T - G G A < G T T G - G A

1 1 1 -1 0 1 1 1 1 1 .5 -1 1 1

Score = 4 Score = 4.5

(A, A) = 1.0

(A, G) = 0.5

(A, –) = -1

A C G T

A

C

G

T

1

1

1

1

0

0 0

0.5

0.5

0

Le cas des acides aminés

• Plus difficile à modéliser que celui des nucléotides :– Un acide aminé peut être remplacé par un autre de différentes

façons (code génétique).

• Asp (GAC) Tyr (UAC, UAU) 1 ou 2 mutations

Le cas des acides aminés

• Plus difficile à modéliser que celui des nucléotides :– Un acide aminé peut être remplacé par un autre de différentes

façons (code génétique).

– Le nombre de substitutions requises pour passer d’un acide aminé à un autre diffère.

Asp (GAC, GAU) Tyr (UAC, UAU) 1 mutation

Asp (GAC, GAU) Cys (UGC, UGU) 2 mutations

Asp (GAC, GAU) Trp (UGG) 3 mutations

Le cas des acides aminés

• Plus difficile à modéliser que celui des nucléotides :– Un acide aminé peut être remplacé par un autre de différentes

façons (code génétique).

– Le nombre de substitutions requises pour passer d’un acide aminé à un autre diffère.

– La probabilité des substitutions au niveau nucléotidique diffère :

P(AAUAsn|GAUAsp) > P(AAUAsn|CAUHis)

Le cas des acides aminés

• Plus difficile à modéliser que celui des nucléotides :– Un acide aminé peut être remplacé par un autre de différentes

façons (code génétique).

– Le nombre de substitutions requises pour passer d’un acide aminé à un autre diffère.

– La probabilité des substitutions au niveau nucléotidique diffère :

– Certaines substitutions peuvent avoir plus ou moins d’effet sur la fonction des protéines.

• Acidité, hydrophobicité, structure des protéines, etc.

Val

H C COOH

C CH3

CH3

NH2

H

Substitutions

conservatrices

Ile

CH2

CH3

H C COOH

C CH3

NH2

H

Modèles d’évolution (prot.)

• Mesure des fréquences de substitution dans des alignements de protéines homologues :– Matrices basées sur des arbres construits en utilisant

le maximum de parcimonie :• PAM (Dayhoff et al., 1978).

• JTT (Jones et al., 1992).

– Matrices basées sur des arbres construits en utilisant le maximum de vraisemblance :

• WAG (Whelan et Goldman, 2001).

– Matrices basées sur des comparaisons par paires utili-sant des alignements locaux :

• BLOSUM (Henikoff et Henikoff, 1992).

Matrice de substitution (prot.)

M R - D W G F

M R W D - G F

* * * * *

M R D W - G F

M R - W D G F

* * * * *>

(D, D) ≠ (W, W)

Certains acides aminés

sont moins facilement

substituables

D E F G

D

E

F

G

W

W

6

2

-3

-1

-4

5

-21-3

-2

-3

6-3

6

11

Matrices de Dayoff ou PAM

– PAM = Percentage of Accepted point Mutation

– Probabilité d'observer la mutation X->Y après un temps évolutif donné. Basé sur alignement de protéines conservées à + de 85%.

Chaque case représente la probabilité de voir ces deux résidus remplacés l'un par l'autre dans un alignement. (matrice lod-score, de "log-odds" ou "log des chances").

•Un exemple de lod-score est: S = log (Fij / (Fi x Fj)) Où Fij est la fréquence de remplacement du résidu i par j, et Fi et Fj sont les fréquences respectives des résidus i et j.

•Dans cette matrice de similitude, plus la valeur est négative, plus la probabilité est faible, plus le remplacement est rare.

•La table est valable pour une certaine distance évolutive.

•La distance est mesurée en PAM: nbre de mutations ponctuelles par 100 aa.

•2 Séquences séparées par une unité PAM: 1 mutation par 100 aa.

•Les valeurs sont déterminées initialement pour des protéines séparées de 6 à 100 PAM, puis extrapolées pour 150, 250 PAM, etc.

•Pour des protéines éloignées, on ne pourrait pas directement extrapoler à partir de valeurs tirées par ex. de PAM 10, car la nature des mutations change avec la distance évolutive. Le code génétique, par exemple, influence les mutations permises sur une courte durée, mais pas sur une longue durée.

Margaret Dayhoff, 1978

A B C D E F G H I K L M N P Q R S T V W Y Z

0.4 0.0 -0.4 0.0 0.0 -0.8 0.2 -0.2 -0.2 -0.2 -0.4 -0.2 0.0 0.2 0.0 -0.4 0.2 0.2 0.0 -1.2 -0.6 0.0 A

0.5 -0.9 0.6 0.4 -1.0 0.1 0.3 -0.4 0.1 -0.7 -0.5 0.4 -0.2 0.3 -0.1 0.1 0.0 -0.4 -1.1 -0.6 0.4 B

2.4 -1.0 -1.0 -0.8 -0.6 -0.6 -0.4 -1.0 -1.2 -1.0 -0.8 -0.6 -1.0 -0.8 0.0 -0.4 -0.4 -1.6 0.0 -1.0 C

0.8 0.6 -1.2 0.2 0.2 -0.4 0.0 -0.8 -0.6 0.4 -0.2 0.4 -0.2 0.0 0.0 -0.4 -1.4 -0.8 0.5 D

0.8 -1.0 0.0 0.2 -0.4 0.0 -0.6 -0.4 0.2 -0.2 0.4 -0.2 0.0 0.0 -0.4 -1.4 -0.8 0.6 E

1.8 -1.0 -0.4 0.2 -1.0 0.4 0.0 -0.8 -1.0 -1.0 -0.8 -0.6 -0.6 -0.2 0.0 1.4 -1.0 F

1.0 -0.4 -0.6 -0.4 -0.8 -0.6 0.0 -0.2 -0.2 -0.6 0.2 0.0 -0.2 -1.4 -1.0 -0.1 G

1.2 -0.4 0.0 -0.4 -0.4 0.4 0.0 0.6 0.4 -0.2 -0.2 -0.4 -0.6 0.0 -0.4 H

1.0 -0.4 0.4 0.4 -0.4 -0.4 -0.4 -0.4 -0.2 0.0 0.8 -1.0 -0.2 -0.4 I

1.0 -0.6 0.0 0.2 -0.2 0.2 0.6 0.0 0.0 -0.4 -0.6 -0.8 0.1 K

1.2 0.8 -0.6 -0.6 -0.4 -0.6 -0.6 -0.4 0.4 -0.4 -0.2 -0.5 L

1.2 -0.4 -0.4 -0.2 0.0 -0.4 -0.2 0.4 -0.8 -0.4 -0.3 M

0.4 -0.2 0.2 0.0 0.2 0.0 -0.4 -0.8 -0.4 0.2 N

1.2 0.0 0.0 0.2 0.0 -0.2 -1.2 -1.0 -0.1 P

0.8 0.2 -0.2 -0.2 -0.4 -1.0 -0.8 0.6 Q

1.2 0.0 -0.2 -0.4 0.4 -0.8 0.6 R

0.4 0.2 -0.2 -0.4 -0.6 -0.1 S

0.6 0.0 -1.0 -0.6 -0.1 T

0.8 -1.2 -0.4 -0.4 V

3.4 0.0 -1.2 W

2.0 -0.8 Y

0.6 Z

Matrice de Dayoff (1979)

University of Nijmegen

W=Tryprophane (Cyclique)

C= Cysteine (Soufre)

Matrices PAM et JTT

• PAM (Point Accepted Mutation) :– 71 familles de gènes nucléaires correspondant à

1300 séquences :• Séquences peu divergentes entre elles (identité ≥ 85 % entre

chaque paire possible dans une famille).

– Alignements globaux.

• JTT (Jones, Taylor and Thornton) :– Construites à partir de 59 190 mutations ponc-tuelles

observées dans 16 300 protéines.

– Alignements globaux.

Seuil pour les matrices PAM%

de

diffé

ren

ce

s

PAM

0 100 200 300 400

5

15

25

35

45

55

65

75

85Twilight Zone

Matrices BLOSUM

• BLOSUM (Blocks Substitution Matrices) :– Utilisation de ~2000 domaines conservés provenant

de 500 familles de protéines.

– Comparaisons effectuées dans les domaines alignés (banque BLOCKS).

– Matrices créées à partir de domaines comprenant des séquences ± divergentes :

• Toutes les paires ayant servi a construire une matrice BLOSUMk ont une identité ≥ à k %.

• Matrices plus adaptées pour des protéines distantes du point de vue évolutif.

Identité %

100

0

PA

M

BL

OS

UM

30

40

20

90

50

10

80

70

60

90

62

50

30

50

100

120

250

Choix d’une matrice

• Pas de matrice idéale.

• Meilleurs résultats avec les

matrices utilisant des modèles

d’évolution :

– BLOSUM globalement

meilleures que PAM.

• Degré de similarité des

séquences.

• Il est recommandé

d’expérimenter !

0

10

20

30

40

50

pénalit

é

0 5 10 15 20

k

Pondération des gaps

• Pénalités linéaires :

w = o + e k

o : pénalité pour l’ouverture d’un gap.

e : pénalité pour l’extension d’un gap.

k : longueur du gap.

TGATATCGCCA

TGAT---TCCA

**** ***

TGATATCGCCA

TGAT-T--CCA

**** * ***

>

Autres pondérations

• Pénalités

logarithmiques :

w = o + e log(k)

• Pondération par la

distance évolutive :

– e diminue quand la

distance augmente.

• Pondération par la

nature des résidus :

– e diminue dans les

régions hydrophiles.

0

10

20

30

40

pé

na

lité

0 5 10 15 20

k

N

C

Résidus

hydrophiles

Cœur

hydrophobe

Needleman et Wunsch

• Représentation sous la forme d’une trajectoire dans une matrice :

– Détermination de la trajectoire optimisant un score donné.

• Soit deux séquences A et B de longueurs m et n :

– Définition de la matrice de chemin S :

• Dans chaque case de cette matrice on stocke S(i, j), le score optimum de la trajectoire permettant d’arriver à cette case.

a1 … ai …

b1

…

bj

am

…

Séquence A

Sé

qu

en

ce

Bbn

S(i, j)

Construction de la matrice

• Soit S(i, j) la valeur optimum du score dans la case de

coordonnées (i, j) :

– Définition par rapport aux scores dans les trois cases

adjacentes (i – 1, j), (i – 1, j – 1) et (i, j – 1) :

i

j

j – 1

i – 1

S(i, j)

S(i, j) = max

S(i – 1, j) + (ai, –),

S(i – 1, j – 1) + (ai, bj),

S(i, j – 1) + (–, bj)

Bords de la matrice

• Les cases situées sur le bord du haut ou le bord gauche de la matrice ne possèdent plus le total requis de trois cases précédentes :

– On ajoute une ligne et une colonne supplémentaires afin d’initialiserla matrice. Le balayage ne se faisant plus qu’avec des indices ≥ 1 on ne rencontre plus de cases nécessitant un traitement particulier.

Bord gauche Bord du haut

S(i, j) S(i, j)

Exemple de calcul

A

T

T

A

A G C T A

0 Identité : +1

Mismatch : +0

Gap : -2

-2 -4 -6 -8 -10

-2

-4

-6

-8

-4

-4

+1

-6

-1

-2

-8

-4

-3

-10

-6

-5

-12

-7

-7

-1

-6

-2

-3

-8

-4

-5

-10

-5

-3

-3

+1

-1

-5

-1

-3

-7

-3

-5

-1

-1

-3

-3

+1

-7

-3

-2

-9

-4

-5

-4

-1

0

-6

-2

-2

-1

-5

-1

-2

-3

+1

-4

-1

+1

A G C T A

A – T T A

+1 -2 +0 +1 +1

S = +1

A G C T A

A T – T A

+1 +0 -2 +1 +1

S = +1

Smith et Waterman

• Algorithme dérivé de Needleman et Wunsch :

– Initialisation des bords à 0.

– N’importe quelle case de la matrice peut être

considérée comme point de départ pour le calcul

du score. i

j

j – 1

i – 1

S(i, j)

S(i, j) = max

S(i – 1, j) + (ai, –),

S(i – 1, j – 1) + (ai, bj),

S(i, j – 1) + (–, bj)

0

S(i, j) < 0 S(i, j) = 0

L’alignement de n séquences

• Application possible du Needleman & Wunch à plus de deux séquences (en théorie)

• Le nombre de possibilité pour aligner n séquences est proportionnel à 2n – 1.

• Le besoin en mémoire et ressources de calcul augmentent de manière exponentielle avec le nombre de séquences

Application d’heuristiques

Pairwise Alignment:three possibilities

Alignment of threesequences : seven possibilities

Outils pour la recherche par similarité

• Utilisation d’outils comme BLASTP/TBLASTN pour la recherche par

similarité dans différentes banques de données de séquences

protéiques/nucléiques

• Banques de séquences protéiques types

– SWISS-PROT : banque non redondante de séquences protéiques

confirmées (Août 2010: 519 348 entrées (158,316 en 2004), incluant de

nombreuses annotations et références croisées avec d’autres banques

de séquences, de structures, de familles protéiques, de références

bibliographiques, de descriptions de la fonction et du rôle biologique des

protéines…

– TrEMBL : banque non redondante de traduction des CDS soumis à

EMBL (Août 2010: 11 636 205 entrées (1 400 820 en 2004)

Séquence banque

Séquence requête

Longueur du mot = w

Score ≥ T

Mot

Extension du

segment similaire

Séquence banque

Séquence requête

HSP : High Scoring Pair

Score

Extension du segment

Extension stoppée quand :

- la fin d’une des deux séquences est atteinte

- score ≤ 0

- score ≤ score_max - xT

Score max.

x

BLAST : principe général

©Guy Perrière

S L A A L L N K C K T P Q G Q R L V N Q W

P Q G 18

P E G 15

P R G 14

P K G 14

P N G 13

P D G 13

P H G 13

P M G 13

P S G 13

P Q A 12

P Q N 12

...

Liste

de mots

voisins

Score seuil T = 13

Query : 325 S L A A L L N K C K T P Q G Q R L V N Q W 345

+ L A + + L + T P G R + + + W

Sbjct : 290 T L A S V L D C T V T P M G S R M L K R W 310

(P, P) = 7

(Q, R) = 1

(G, G) = 6x

T

Exemple

©Guy Perrière

Versions de BLAST

• blastp : protéine vs.protéine.

• blastn : utile pour le non-codant.

• blastx : séquences co-dantes non identifiées.

• tblastn : homologues dans un génome non complètement annoté.

Nucléique

Protéique

Nucléique

Protéiqueblastp

blastnT

Banque

tblastxT

T

Séquence

©Guy Perrière

Évaluation statistique

©Guy Perrière

• Similarités détectées :

– Relations significatives.

– Similarités dues au hasard.

• Fonction de score :

– Mesure sous la forme :

• D’une espérance mathématique (E-value).

• Valeur en bits.

– Basée sur une distribution calculée à partir séquences non homologues.

– Les scores dépendent de la taille de la banque.

E-value, bits et similarité

• Soit E, l’espérance mathématique d’avoir une similarité ≥ au score S observé :

E = Kmn e–S

Avec m et n les longueurs des deux séquences considérées, et K et deux paramètres dérivés de la distribution précédente.

• Le score en bits S' est donné par :

S' = [S – log(K)] / log(2)

• La relation entre E et S' est donc donnée par :

E = mn 2–S'

©Guy Perrière

Recherche par Blast au NCBI

Choix des paramètres

Choix des paramètres

Choix des paramètres avancés

Résultats du BLAST : Entête

Résultats du BLAST : Reformater les

résultats

Résultats du BLAST : Domaines conservés

Résultats du BLAST : Vue graphique

Résultats du BLAST : Descriptions

Résultats du BLAST : Alignements locaux

Résultats du BLAST : Alignements locaux

Taxonomy report

Caractéristiques des principaux logiciels

d’alignement multiple

Composants principaux

des algorithmes

Principaux logiciels

(Chatzou et al. 2015)

L’alignement progressif

• Principe = procédure itérative basée sur le regroupement d’alignements deux à deux pour construire un alignement multiple

• Trois étapes :

– Alignement de paires de séquences

– Construction d’un arbre guide

– Alignement de groupes de séquences déjà alignées (alignement progressif).

• CLUSTAL (Higgins, Sharp 1988, Thompson et al., 1994), le programme d’alignement multiple le plus cité.

• MULTALIN, PILEUP, T-Coffee, Muscle

L’homologie, base théorique de l’alignement

multiple

• Les séquences homologues sont reliées d’un point de vue évolutif

• Idée = construire progressivement un alignement, à partir de séries de séquences (ou de groupes de séquences) alignées deux à deux, suivant un ordre de branchement donné par un arbre phylogénétique– Alignement des séquences les plus proches d’un point de vue

phylogénétique

– Intégration progressive des séquences un peu plus éloignées

• Approche suffisamment rapide pour permettre la construction d’alignements contenant un grand nombre de séquences

Alignement progressif

• Construction itérative par groupement des alignements de paires de séquences :– Alignement de toutes les paires possibles :

• Établissement d’une matrice de distances basée sur les scores des alignements.

– Groupement des paires et / ou des séquences.

– Groupement des alignements (alignement progressif proprement dit).

• Différentes implémentations disponibles :– CLUSTAL, MULTALIN, MUSCLE.

Algorithme de CLUSTAL W

• Alignement de toutes les paires de séquences deux à deux par l’algorithme de Needleman et Wunsh

• Construction d’une matrice de distances d’après la divergence mesurée entre chaque paire de séquences

• Calcul d’un arbre guide à partir de la matrice de distances

• Alignement progressif des séquences suivant l’ordre de branchement donné par l’arbre

Exemple

• Alignement de 7 séquences de globines:

– Hémoglobine b Humaine (Hbb_H)

– Hémoglobine a Humaine (Hba_H)

– Hémoglobine b Cheval (Hbb_C)

– Hémoglobine a Cheval (Hba_C)

– Myoglobine de cétacé Physeter catodon (Myo)

– Hémoglobine V de lamproie Petromyzon marinus (Glb5)

– Leghémoglobine II de Lupin (Lgb)

Alignement des séquences 2 à 2 et

construction de la matrice de distances

• Alignement des séquences 2 à 2 par programmation dynamique

(algorithme de Needleman et Wunsh) connaissant une matrice de

similarité et les pénalité dues aux gaps (ouverture et extension)

• Score = nombre d’identités / nb de résidus comparés (excluant les

gaps)

• % de divergence = 1 - score

• Remarque : le calcul du score ne tient pas compte des substitutions

multiples, mais on peut utiliser des modèles d’évolution comme

Kimura ou JC pour en tenir compte

Alignement des séquences 2 à 2 et

construction de la matrice de distances

Hbb_H Hbb_C Hba_H Hba_C Myo Glb5 Lgb

Hbb_H -

Hbb_C 0.17 -

Hba_H 0.59 0.60 -

Hba_C 0.59 0.59 0.13 -

Myo 0.77 0.77 0.75 0.75 -

Glb5 0.81 0.82 0.73 0.74 0.80 -

Lgb 0.87 0.86 0.86 0.88 0.93 0.90 -

Construction de l’arbre guide

• Arbre phylogénétique non raciné construit par la

méthode du Neighbor-Joining à partir de la matrice de

distances calculée précédemment

– Longueur des branches <=> proportionnelle à la

divergence estimée

– Racine placée au « poids moyen » <=> Longueur des

branches d’un côté de la racine = longueur des

branches de l’autre côté

Construction de l’arbre guide

Hba_H

Hba_C

Hbb_H

Hbb_C

Myo

Glb5

Leg

0.081

0.084

0.226

0.055

0.065

0.219

0.0

61

0.398

0.389

0.504

Positionnement de la racine au poids moyen (point à partir duquel les

longueurs moyennes des branches de chaque côté du nœud sont égales)

Placement de la racine

Hba_H

Hba_C

Hbb_H

Hbb_C

Myo

Glb5

Leg

0.081

0.084

0.226

0.055

0.065

0.219

0.0

61

0.398

0.389

0.504

Positionnement de la racine au poids moyen (point à partir duquel les

longueurs moyennes des branches de chaque côté du nœud sont égales)

ROOT

Arbre guide raciné

Hba_H

Hba_C

Hbb_H

Hbb_C

Myo

Glb5

Leg

0.081

0.084

0.226

0.055

0.065

0.219

0.398

0.389

0.442

0.015

0.061

0.062

ROOT

Pondération des séquences

• Principe : attribuer un poids à chaque branche de l’arbre

=> Dépend de la taille de la branche et du nombre de taxa partageant cette branche (redondance de l’information)

=> longueur de la branche / nombre de taxa partageant cette branche

• Poids d’une séquence = des longueurs des branches pondérées de la racine au taxon considéré

Pondération des séquences

Hba_H

Hba_C

Hbb_H

Hbb_C

Myo

Glb5

Leg

0.081

0.084

0.226

0.055

0.065

0.219

0.398

0.389

0.442

0.015

0.061

0.062

ROOT

W1 = 0.062/6 + 0.015/5 + 0.061/4 +

0.226/2 + 0.081 = 0.221

W2 = 0.062/6 + 0.015/5 + 0.061/4 +

0.226/2 + 0.084 = 0.225

W3 = 0.194

W4 = 0.203

W5 = 0.411

W6 = 0.398

W7 = 0.442

Alignement progressif

• Principe : utiliser une série de paires d’alignements pour

aligner des groupes de séquences de plus en plus

larges, en respectant l’ordre de branchement dans

l’arbre guide (des feuilles vers la racine)

Alignement progressif

• Dans l’exemple des globines, on aligne dans

l’ordre:

– Les b globines humaines et de cheval

– Les a globines humaines et de cheval

– Les a et b hémoglobines

– Les a, b hémoglobines et la myoglobine

– Les hémoglobines, myoglobine et l’hémoglobine de

lamproie

– La leghémoglobine avec toutes les autres

Alignement progressif

• Calcul du score à une position = moyenne des scores

obtenus par toutes les comparaisons 2 à 2 des

séquences de chaque groupe pondérés par le poids de

chaque séquence

Alignement progressif

• Exemple: on cherche à aligner un groupe de 4 séquences (déjà alignées) avec un groupe de 2 séquences (déjà alignées)

Calcul du score:

1 PEEKSAVTAL M(T,V) x w1 x w5 +

2 GEEKAAVLAL M(T,I) x w1 x w6 +

3 PADKTNVKAA M(L,V) x w2 x w5 +

4 AADKTNVKAA M(L,I) x w2 x w6 +

M(K,V) x w3 x w5 +

5 EGEWQLVLHV M(K,I) x w3 x w6 +

6 AAEKTKIRSA M(K,V) x w4 x w5 +

M(K,I) x w4 x w6 / 8

Score associé à la comparaison d’un gap = 0 plus mauvais score possible

gi|122615|sp|P02023|HBB_HUMAN -------MVHLTPEEKSAVTALWGKVN--VDEVGGEALGRLLVVYPWTQR

gi|70401|pir||HBHO --------VQLSGEEKAAVLALWDKVN--EEEVGGEALGRLLVVYPWTQR

gi|122412|sp|P01922|HBA_HUMAN --------MVLSPADKTNVKAAWGKVGAHAGEYGAEALERMFLSFPTTKT

gi|2144717|pir||HAHO --------MVLSAADKTNVKAAWSKVGGHAGEYGAEALERMFLGFPTTKT

gi|127687|sp|P02185|MYG_PHYCA ---------VLSEGEWQLVLHVWAKVEADVAGHGQDILIRLFKSHPETLE

gi|121233|sp|P02208|GLB5_PETMA PIVDTGSVAPLSAAEKTKIRSAWAPVYSTYETSGVDILVKFFTSTPAAQE

gi|126238|sp|P02240|LGB2_LUPLU --------GALTESQAALVKSSWEEFNANIPKHTHRFFILVLEIAPAAKD

*: : : * . : .: * :

gi|122615|sp|P02023|HBB_HUMAN FFESFGDLSTPDAVMGNPKVKAHGKKVLGAFSDGLAHLDN-----LKGTF

gi|70401|pir||HBHO FFDSFGDLSNPGAVMGNPKVKAHGKKVLHSFGEGVHHLDN-----LKGTF

gi|122412|sp|P01922|HBA_HUMAN YFPHF-DLS-----HGSAQVKGHGKKVADALTNAVAHVDD-----MPNAL

gi|2144717|pir||HAHO YFPHF-DLS-----HGSAQVKAHGKKVGDALTLAVGHLDD-----LPGAL

gi|127687|sp|P02185|MYG_PHYCA KFDRFKHLKTEAEMKASEDLKKHGVTVLTALGAILKKKGH-----HEAEL

gi|121233|sp|P02208|GLB5_PETMA FFPKFKGLTTADQLKKSADVRWHAERIINAVNDAVASMDDT--EKMSMKL

gi|126238|sp|P02240|LGB2_LUPLU LFSFLKGTSEVP--QNNPELQAHAGKVFKLVYEAAIQLQVTGVVVTDATL

* : . . .:: *. : . :

gi|122615|sp|P02023|HBB_HUMAN ATLSELHCDKLHVDPENFRLLGNVLVCVLAHHFGKEFTPPVQAAYQKVVA

gi|70401|pir||HBHO AALSELHCDKLHVDPENFRLLGNVLVVVLARHFGKDFTPELQASYQKVVA

gi|122412|sp|P01922|HBA_HUMAN SALSDLHAHKLRVDPVNFKLLSHCLLVTLAAHLPAEFTPAVHASLDKFLA

gi|2144717|pir||HAHO SNLSDLHAHKLRVDPVNFKLLSHCLLSTLAVHLPNDFTPAVHASLDKFLS

gi|127687|sp|P02185|MYG_PHYCA KPLAQSHATKHKIPIKYLEFISEAIIHVLHSRHPGDFGADAQGAMNKALE

gi|121233|sp|P02208|GLB5_PETMA RDLSGKHAKSFQVDPQYFKVLAAVIADTVAAG---------DAGFEKLMS

gi|126238|sp|P02240|LGB2_LUPLU KNLGSVHVSKGVAD-AHFPVVKEAILKTIKEVVGAKWSEELNSAWTIAYD

*. * . : .: : .: ...

gi|122615|sp|P02023|HBB_HUMAN GVANALAHKYH------

gi|70401|pir||HBHO GVANALAHKYH------

gi|122412|sp|P01922|HBA_HUMAN SVSTVLTSKYR------

gi|2144717|pir||HAHO SVSTVLTSKYR------

gi|127687|sp|P02185|MYG_PHYCA LFRKDIAAKYKELGYQG

gi|121233|sp|P02208|GLB5_PETMA MICILLRSAY-------

gi|126238|sp|P02240|LGB2_LUPLU ELAIVIKKEMNDAA---

. :

L‘alignement multiple n’est pas toujours

optimal

• Seul l’un de ces alignements est optimal

MuscleEdgar (2004) Nucleic Acids Res. 32:1792

http://www.drive5.com/muscle/

Global Alignments, Block alignments

DialignMorgenstern et al. 1996 PNAS 93:12098

• Search for similar blocks without gap

• Select the best combination of consistent similar blocks (uniforms or not) : heuristic (Abdeddaim 1997)

• Alignment anchored on blocks

• Slower than progressive alignment, but better when sequences contain large indels

• Do not try to align non-conserved regions

Alignement multiples locaux

• MEME

• MATCH-BOX

• PIMA

Adapter les choix méthodologiques aux

données

• Muscle

• ClustalW

• Dialign

• T-coffee

• MEME

Multiple alignment editor

Cas spéciaux

Alignement de séquences d’ADN codantes

(1) Alignement des séquences protéiques

(2) Utilisation de l’alignement obtenu comme guide pour aligner les séquences d’ADN

protal2dna: http://bioweb.pasteur.fr/seqanal/interfaces/protal2dna.html

L F L

F

CTT TTC CTT TTC

CTC --- --- CTC

L - - L

Alignement de séquences d’ADN codantes:

le cas des frameshifts

Identification de gènes

• Alignement d’un ARNm avec l’ADN génomique

• Pas de pénalité de gap au niveau des introns => Identification de sites d’épissage

• sim4, est2genome

Identification de gènes

• Alignement d’une protéine avec l’ADN génomique

• Pas de pénalité de gap au niveau des introns => Identification de sites d’épissage

• genewise

Séquençage par shotgun

Assemblage

• Recherche de séquences chevauchantes entre les reads

• Autoriser / prise en compte des erreurs de séquençage

et/ou du polymorphisme

• Prise en compte de la qualité des séquences

• cap3, phred/phrap (il existe des outils plus sophistiqués

pour l’assemblage de génomes)

A C D E F G H I K L M N P Q R S T V W Y -

1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 16

2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 16

3 1 0 0 1 0 0 0 0 0 0 1 0 0 3 0 1 0 0 0 0 10

4 2 0 0 0 0 2 0 0 0 0 0 0 1 0 2 1 0 0 0 0 9

5 1 0 0 1 0 0 0 0 0 0 0 0 0 0 2 0 3 0 0 1 9

6 0 0 0 0 0 0 1 0 0 0 0 0 2 0 0 0 4 1 0 0 9

7 1 0 0 0 0 9 0 0 0 0 0 4 0 0 1 2 0 0 0 0 0

8 0 0 0 0 1 0 0 8 0 0 5 0 1 0 0 0 0 2 0 0 0

9 2 0 1 0 2 0 0 0 0 0 0 0 0 0 0 0 0 12 0 0 0

10 0 5 6 4 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0

11 0 0 1 12 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0

12 0 17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

13 0 17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

14 0 0 0 1 5 0 0 0 0 4 1 0 0 0 1 0 1 0 0 4 0

15 0 0 0 0 0 0 0 1 2 0 0 5 0 1 5 2 0 1 0 0 0

16 0 0 0 1 0 2 0 2 0 0 0 0 5 1 0 3 0 2 0 1 0

17 0 17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

18 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 4 9 0 0 0 0

19 0 0 1 0 0 0 0 1 1 5 0 1 1 1 0 0 1 4 0 1 0

20 1 0 6 0 0 1 0 0 0 0 0 0 0 2 3 3 0 0 0 1 0

21 0 0 1 3 0 0 0 0 1 1 0 0 0 2 1 1 1 6 0 0 0

22 0 0 0 0 1 0 0 0 0 14 0 0 0 0 0 1 0 1 0 0 0

23 2 0 0 4 0 0 0 0 1 5 0 0 0 1 2 0 0 1 0 1 0

24 1 0 0 1 0 0 0 0 3 1 1 1 0 1 0 4 4 0 0 0 0

25 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 15 0

26 0 17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

27 2 0 1 0 0 2 0 0 0 0 0 2 2 0 0 0 1 0 0 2 5

28 0 0 0 0 0 0 0 0 1 0 0 0 2 0 1 0 1 0 0 1 11

29 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 0 0 0 0 1 12

30 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 13

Matrix of position-specific amino-acid frequency (A-chain of insulin)

Alignment of SeqA with the matrix of position-specific amino-acid frequency

Alignment of SeqB with the matrix of position-specific amino-acid frequency