Changement de représentation et alignement de séquences.
description
Transcript of Changement de représentation et alignement de séquences.
Changement de représentation
et alignement de séquences.
Hugues DELALIN
Encadrement: E. Mephu Nguifo
2
Plan
1. Présentation
2. Etude comparative des codages des acides aminés
3. Alignement de séquences
3
Présentation
CRIL = Apprentissage symbolique
Bioinformatique:E. MEPHU NGUIFOH. FUH. DELALIN
Projets: Génopole Lille
Etude comparative des codages des acides aminés
Huaiguo FU
Encadrement: E. MEPHU NGUIFO
5
Codage des Acides Aminés
• Idée: Stocker des informations en plus du caractère.Ex: Alanine = A = 65 (ASCII)= 01000001
• But: Comparer 4 méthodes de représentation binaire des acides aminés afin de trouver la meilleure représentation possible.
Huaiguo FU[ Poster, ECCB’02 ]
Hyd
Cha
Pol Sma
Ali Aro
Ala 1 0 0 1 0 0
6
• 2 codages basés sur les propriétés physico-chimiques des AAs:- Dickerson & Geis (1969)- Sallantin, Marlière & Saurin (1984)
• 2 codages obtenus par des méthodes d’intelligence artificielle (IA):- Gracy & Mephu- De la Maza (1994)
Codage des Acides AminésHuaiguo FU
[ Poster, ECCB’02 ]
7
Méthode de comparaison:• Clusterisation de chaque
représentation (algorithme « Ward »)
• Analyse manuelle de chaque cluster.
• Validation grâce à l’algorithme C4.5
Codage des Acides AminésHuaiguo FU
[ Poster, ECCB’02 ]
8
Résultats:- Les codages obtenus par apprentissage automatique peuvent refléter une certaine réalité biologique.
- Ce n’est pas forcément les codages basés sur les propriétés des AA qui les représentent le mieux.
Utilisation possible dans différentes applications
Codage des Acides AminésHuaiguo FU
[ Poster, ECCB’02 ]
Alignement de séquences
Hugues DELALIN
Encadrement: E. MEPHU NGUIFO
10
Alignement de séquences.
L’objectif de tels algorithmes est de révéler des régions proches.• Nécessité de mettre en œuvre des procédures de calcul et des modèles biologiques afin de quantifier la notion de ressemblance entre séquences.• On se base sur le principe de parcimonie.
11
Calcul d’un score.
• Score peut mesurer rapprochement ou éloignement.
• Attribution d’un score élémentaire pour chaque position.
A T G C
A 1 0 0 0
T 0 1 0 0
G 0 0 1 0
C 0 0 0 1
Exemple:
A T T G C C : : : Score =
3 T T G C C C
A T T G C C : Score =
1 T T G C C C
A T T G C C : : : : : Score =
5 T T G C C C
12
Gestion des gaps.
• Fixe : chaque insertion d’une base a le même coût.
• Affine : définition d’un coût de création de gap et d’un coût d’extension.
• Variable en fonction de l’endroit où on se trouve dans la séquence. (Argos et Vingron, 1990)
13
Remarques:
• Le score d’un alignement dépend de la longueur de la zone de similitude que l’on considère.
• On peut nuancer le calcul du score en donnant plus ou moins d’importance aux pénalités et aux associations possibles entre résidus.
14
Matrices de substitution.
• Séquences d’ADN:- coût d’un « match » > 0.- coût d’un « mismatch » < 0.
• Séquences protéiques:- matrices liées à l’évolution. (Dayhoff et al., 1978) (PAM)
(Jones et al., 1992)- matrices liées aux caractéristiques physico-chimiques. (Henikoff et Henikoff, 1992) (BLOSUM)
15
Needleman & Wunsh (1970).
V T E E R D A FL 2 -2 -3 -3 -3 -4 -2 2T 0 3 0 0 -1 0 1 -3S -1 1 0 0 0 0 1 -3H -2 -1 1 1 2 1 -1 -2E -2 0 4 4 -1 3 0 -5A 0 1 0 0 -2 0 2 -4L 2 -2 -3 -3 -3 -4 -2 2
nyj
mxi
PyiS
PjxS
jiS
jisejiS
2
2 avec
),1(
)1,(
)1,1(
max),(),(
16
Needleman & Wunsh (1970).
V T E E R D A FL 2 -2 -3 -3 -3 -4 -2 2T 0 3 0 0 -1 0 1 -3S -1 1 0 0 0 0 1 -3H -2 -1 1 1 2 5 1 -2E -2 0 4 4 -1 7 2 -5A 0 1 0 0 -2 2 4 -4L 2 -2 -3 -3 -3 -4 -2 2
nyj
mxi
PyiS
PjxS
jiS
jisejiS
2
2 avec
),1(
)1,(
)1,1(
max),(),(
17
Needleman & Wunsh (1970).
V T E E R D A FL 2 -2 -3 -3 -3 -4 -2 2T 0 3 0 0 -1 0 1 -3S -1 1 0 0 7 0 1 -3H -2 -1 1 1 2 5 1 -2E -2 0 4 4 -1 7 2 -5A 0 1 0 0 -2 2 4 -4L 2 -2 -3 -3 -3 -4 -2 2
nyj
mxi
PyiS
PjxS
jiS
jisejiS
2
2 avec
),1(
)1,(
)1,1(
max),(),(
18
Needleman & Wunsh (1970).
V T E E R D A FL 14 7 6 6 4 4 0 2T 10 12 9 9 6 4 3 -3S 8 10 9 9 7 4 3 -3H 6 7 9 8 9 5 1 -2E 2 4 8 8 3 7 2 -5A 2 3 2 2 0 2 4 -4L 2 -2 -3 -3 -3 -4 -2 2
nyj
mxi
PyiS
PjxS
jiS
jisejiS
2
2 avec
),1(
)1,(
)1,1(
max),(),(
19
Needleman & Wunsh (1970).
V T E E R D A FL 14 7 6 6 4 4 0 2T 10 12 9 9 6 4 3 -3S 8 10 9 9 7 4 3 -3H 6 7 9 8 9 5 1 -2E 2 4 8 8 3 7 2 -5A 2 3 2 2 0 2 4 -4L 2 -2 -3 -3 -3 -4 -2 2
Résultat: VT-EERDAFLTSHE--AL
20
Utilisation des représentations binaires.
• On utilise les algorithmes classiques.• Les scores élémentaires ne sont plus
obtenus grâce à une matrice de substitution.
• Une opération booléenne entre les représentations des 2 acides aminés que l’on compare sert de base au calcul des scores élémentaires.
21
Choix de l’opérateur booléen.
• ET logique si on ne s’intéresse qu’à la présence des attributs.
• XOR: le OU exclusif si on s’intéresse autant à l’absence qu’à la présence des attributs.
Exemple:
A → 0001 ; L → 0011
A ET L→ 0001
A ¬XOR L → 1101
22
Exemple de résultat:
Algorithme de Smith et Waterman (1981)
(b) BINALIGN (Gracy & Mephu, 12 attributs)Identité: 54/221 (24.4%)Gaps:42/221 (19.0%)
d1qqp1_ 1 TTSAGESADPVT_T__TVENY__GGETQ_IQRRQHTDVSFIM_DRFVKVT 43
|||...|...|| . |.|.. |..|. ...|......|.. ..|..||
d1qqp2_ 22 TTSTTQSSVGVTYGYATAEDFVSGPNTSGLETRVVQAERFFKTHLFDWVT 71
(a) EMBOSS (BLOSUM62)Identité: 34/173 (19.7%)Gaps:55/173 (31,8%)
d1qqp1_ 1 TTSAGESADPVT---TTVENY-------GGETQIQRRQHTDVSFIMDRFV 40
|||..:|:..|| .|.|:: |.||::.: .:||.
d1qqp2_ 22 TTSTTQSSVGVTYGYATAEDFVSGPNTSGLETRVVQ---------AERFF 62
23
Perspectives
• Coût en temps d’exécution et espace mémoire.
• Mesure de la qualité des alignements obtenus à partir de :- bases connues (CASA, SCOP)- alignements corrigés manuellement.
• Alignement de structures (DSSP).
24
Références
• Hubbard TJ, Ailey B, Brenner SE, Murzin AG, Chothia C. SCOP: a structural classification of proteins database. Nucleic Acids Res. 1999 27:254-256.http://scop.mrc-lmb.cam.ac.uk/scop/
• Kabsch W. & Sander C. Dictionary of protein secondary structure: Pattern recognition of hydrogen-bonded and geometrical features, Biopolymers. 1983 22:2577-2637.http://www.sander.ebi.ac.uk/dssp/
• Kahsay R, Dongre N, Guang G, Wang G, Dunbrack RL Jr. CASA: A Server for The Critical Assessment of Sequence Alignment Accuracy, Bioinformatics. Submitted.http://capb.dbi.udel.edu/casa/