La phylogénomique sansalignement de séquences

Jean-Loup RislerStatistique & Génome

jrisler@genopole.cnrs.fr Carry-le-Rouet, Décembre 2006

Reconstructions phylogénétiques

Distances Maximum de parcimonie Maximum de vraisemblance

Recherche de synténies

Identification des orthologues Blast Alignements multiples

Une alternative: la recherche de « mots » communsdans les séquences (k-words, k-tups, k-grams...)

Exemple classique : le « Dotplot »

Les alignements de chromosomes entiers sontimpossibles à cause des réarrangements.

La recherche de « mots communs » ne se souciepas de leurs positions.

On peut donc penser à déterminer une « distance »entre chromosomes à partir de leur contenu enmots communs.

B. E. Blaisdell, PNAS 83 (1986), 5155-5159

Composition en di- et tri-nucléotides (chaînes deMarkov d’ordre 1 et 2) de séquences codantes etnon codantes test du chi2:

1

2

3

4

5

A

B

Revue: Vinga, S. & Almeida, J.Alignment-free sequence comparisonBioinformatics 19 (2003), 513-523.

Gary W. Stuart

Une séquence peut être représentée par un vecteur

S = AATATTAAATTTATA

AA = 3AT = 4TT = 3TA = 4 AA

TT

AT

{s343

s = (3, 4, 3, 4)

AA

TT

AT

{s1 2

22

{s2 4

44

AA

TT

AT

{s1 u1 = 3

v1 = 4t1 = 4

{s2 u2 = 4

v2 = 4t2 = 4

s1 . s2 = u1*u2 + v1*v2 + t1*t2

= |s1|*|s2|*cos()

|s1| = (u12 + v1

2 + t12)1/2

d(i,j) = -Log[(1 + cos )/2]

Il y a 160.000 tetrapeptides possibles.Donc, si l’on décompose un jeu de protéines en motsde longueur 4, chaque protéine sera représentée parun vecteur dans un espace à 160.000 dimensions...

De très nombreux « axes » portent peu d’information(tetrapeptides peu ou pas présents). On réduit la taillede l’espace en prenant pour repères les axes d’inertieles plus significatifs du nuage de points (changementde repère) et en supprimant les axes de faible inertie.

xy

z

A

A’

B

B’

A A’

B

B’

Toutes les protéines d’une même espèce sont regroupéesen un seul vecteur --> chaque espèce est représentée parun vecteur.