YASS : Recherche de similarités dans les séquences d'ADN Laurent Noé Grégory Kucherov Mardi 21 janvier 2003 Plan Alignement local et méthodes heuristiques YASS : Méthode adoptée • Modèle et Critères de chaînage • Algorithme de chaînage • Choix du critère de l’extension Tests et Résultats 2 Introduction : Alignement local Utilisation • Annotation • Localisation de transposons Algorithme de référence • Smith Waterman (1981) Méthodes heuristiques • BLAST - FASTA • ASSIRC - PatternHunter 3 Méthodes Heuristiques Méthode Couramment adoptée • Recherche de sous répétitions exactes - Arbre des suffixes • REPuter - Hachage en k-mots (éventuellement non contigus) • BLAST . FASTA • PatternHunter • Extension - FASTA - BLAST - ASSIRC 4 BLAST et Gapped-BLAST BLAST • Hachage Q - k-mot : taille 11 par défaut T - hit : même k-mot sur chacune des deux séquences à comparer • Extension - Test d'extension systématique de chaque « hit » à l’aide d’un algorithme de Xdrop Gapped-BLAST • Extension - « double hit » (deux hits distincts sur la même diagonale) conduit à un test d’extension. Sensibilité des deux méthodes 5 Signification Statistique Karlin-Altschul 90 • Théorie sur une seule séquence • Théorie sur deux séquences • Alignement sans gaps Altschul & al. 01 • Estimation des paramètres 6 YASS : Méthode adoptée Alignement local et méthodes heuristiques YASS : Méthode adoptée • Modèle et Critères de Chaînage • Algorithme de chaînage • Choix du critère de l’extension Tests et Résultats 7 Méthode adoptée Hachage en k-mots Q • Hash Table : - Deux tableaux F et L . - k-mots éventuellement non contigus. T • Appariement de k-mots pour former des graines Groupement de graines • réalisé selon des critères relatifs à: - La distance entre les répétitions exactes - La variation de distance entre ces répétitions • Critères calculés selon - deux modèles ( modèle binaire + modèle d’indels) - des paramètres statistiques 8 Choix d’un modèle Modèle d’alignement binaire ATGACCAGTACCGTCCGCT ATGTGCAGGACCGTGAGCT 1110011101111100111 Analogie avec le lancer de pièce: • un train (série successive) de k piles (valeur 1) équivaut à une répétition exacte de taille k. Etude de variables aléatoires • la distance entre des trains de k piles ~ distances entre deux graines successives. 9 Modèle d’alignement binaire Distance entre trains de k piles (WT) ATGACCAGTACCGTCCGCT ATGTGCAGGACCGTGAGCT 1110011101111100111 • Utilisée pour évaluer la distance entre les répétitions exactes de taille supérieure ou égale à k dans une répétition approchée. • Formule récursive: 0 pour 0 x k k P Gk, p x pour x k p x k 1 1 ppk 1 P pour x k Gk, p i i0 • Gk,p = « distance » entre les répétitions de taille k, • p = probabilité d’un match • Bornes Statistiques 10 Modèle d’alignement binaire Prendre en compte les indels 1 2 ATGACCAGTACGGTCCGCT ATGTGCAGGACCGTGAGCT 1110011101101100111 d d+1 ATGACCAGTCACGGTCCGCT ATGTGCAGG-ACCGTGAGCT d 111001110.1101100111 11 Marche aléatoire • Déplacement discret probabiliste dans l’espace. - 3 possibilités • « aller un pas vers la gauche » avec une probabilité p. • « aller un pas vers la droite » avec une probabilité p. • « rester sur place» avec une probabilité 1-2p. - On évalue la position finale au bout de n itérations. • Marche aléatoire simule la variation de d. - p représente la probabilité d’indels par nucléotide. - Le nombre de déplacements n est égal à la zone d’influence des indels sur d. • Borner statistiquement cette marche aléatoire 12 Marche aléatoire • Borner statistiquement la variation de d - cela équivaut à borner statistiquement la marche aléatoire. • 2 Méthodes - Calcul d’intervalles [-L..L] sur une loi multinomiale: L (nk) 2 k L j 0 2j k n(2j k) n! p (12p) j! ( j k )!(n ( 2jk ))! - Polynôme générateur n P p P X pX 12p X X a-n X n a-n1X n1 an X n 13 Méthode Finalement … • Rassembler les répétitions exactes qui sont proches: - borne statistique rho sur la distance entre répétitions de taille k • Considérer les effets produits par les indels: - bornes statistiques delta sur la variation de distance entre répétitions de taille k. ATGTGCAGGACCGTGAGCT a1 a2 ATGACCAGTACGGTCCGCT a’1 a’2 14 Algorithme Séquence(s) d’ADN Algorithme de chaînage Chaînages de répétitions exactes Répétitions approchées Algorithme d’alignement Paramètres utilisateur 15 Algorithme de chaînage Ce qu’il faut en retenir • Forme des groupes de graines (couples de positions de kmots identiques) susceptibles d’appartenir à une répétition approchée • Prend en compte les indels. • Génère un volume relativement important de données - l’alterner régulièrement avec l’algorithme d’alignement sur les chaînages complets 16 Choix du critère d’extension Groupes de graines - évaluer une extension sur chacun des groupes • serait la méthode la plus sensible • serait trop coûteuse en temps. - nombre de graines d’un groupe comme critère • perte de sensibilité trop importante lors de la recherche similitudes de faible score. Critère intermédiaire • Basé sur la taille du groupe définie comme la somme de la taille des graines. • Permet un compromis entre la rapidité de l’algorithme et sa sensibilité 17 Choix du critère d’extension Exemple - k fixé à 3 ... taille du groupe = 11 ATGACCAGTACCGTCCGCT ATGTGCAGGACCGTGAGCG 1110011101111100110 Taille du groupe simple à gérer… Sensibilité : on considère par la suite des répétitions de score fixé mais de longueur variable. 18 Sensibilité Pour un score fixé • La relation entre le taux de similarité de la répétition approchée et sa longueur minimale est une hyperbole. • On considère la probabilité de trouver de telles répétitions selon - le critère de hit de BLAST - le critère de hit de Gapped-BLAST - notre critère (taille du groupe) 19 Sensibilité Comparaison avec les approches choisies par BLASTn et Gapped-BLAST 20 Sensibilité Comparaison avec les approches choisies par BLASTn et Gapped-BLAST 21 Sensibilité Comparaison avec les approches choisies par BLASTn et Gapped-BLAST 22 Tests et Résultats Alignement local et méthodes heuristiques YASS : Méthode adoptée • Modèle et Critères de Chaînage • Algorithme de chaînage • Choix du critère de l’extension Tests et Résultats 23 Comparaison des Méthodes Temps principalement consommé à : • (FASTA) - générer et comptabiliser des hits de petite taille. • (BLASTn) - étendre les hits générés à l’aide d ’un algorithme de Xdrop méthodes antagonistes YASS : temps relatif partagé taille graine groupe 9 9 8 8 7 7 13 11 13 11 13 11 ρ δ 135 135 97 97 69 69 5 5 4 4 4 4 temps consommé chaînage alignement 2s 2s 7s 7s 22s 22s 2s 6s 7s 11s 35s 41s total 4s 8s 14s 18s 57s 69s 24 Comparaison des Programmes Temps sequence Listeria monocytogenes vs innocua plasmid S.cerevisiae chr.V vs chr.IX S.cerevisiae chr.XVI vs chr.IV Listeria monocytogenes vs S.cerevisiae chr IV m n 2 944 528 81 905 576 869 439 885 918 120 1 531 929 2 944 528 1 531 929 mxn 2.4 E 11 2.5 E 11 1.4 E 12 4.5 E 12 BL2SEQ 15.5 s 5.3 s 80.3 s 625.2 s YASS 10.4s 6.8s 36.2 s 106.9 s Résultats obtenus • Comparaison sur S.Cerevisiae chr.V vs chr.IX de BLASTn et YASS • Similitudes de score > 20 (Evalue < 0.22) retrouvées 25 Caractéristiques techniques Programme Résultats • Donne les positions (début-fin) de chaque occurrence d’une répétition. • Indique le taux de ressemblance ainsi que les tailles des graines qui interviennent dans la répétition. • Possibilité de visualiser l’alignement des deux occurrences de la répétition approchée. 26 Extensions Envisagées k-mots non contigus : meilleure intégration de ces derniers. (Sensibilité sur CDS) Inclure un post-traitement pour rassembler les répétitions séparées par des gaps importants. Inclure la possibilité d’éliminer les répétitions en tandem lorsque l’on recherche des similitudes sur une seule séquence (mreps) Auto-paramétrage du programme selon la taille et le type de séquence. 27 Conclusion Nouvelle approche pour la recherche de répétitions • propriétés statistiques des séquences approchées • algorithme de regroupement • critère d’évaluation efficace et sensible Solution satisfaisante • sensibilité • sélectivité 28 Questions ?? c ac ? g? a gg a t c at c cg g cg g c? t ac ? ? a cc a ?g a ca g ga t ta ? c? c ? g ga t c ag 29 ? ? ?