Recherche heuristique dans les bases de données L`algorithme

Recherche heuristique dans les
bases de données
L’algorithme BLAST
Nadia El-Mabrouk
Problématiques
Est-ce que cette séquence contient un gène?
Est-ce que ce gène fait partie d’une famille
connue?
Quelle est la fonction de cette protéine?
Est-ce que cette protéine existe dans
d’autres organismes?
Est-ce que d’autres protéines ont les mêmes
domaines ou motifs structuraux?
Rappel – Alignement de séquences
Alignement global:
Seq1
Seq2
Alignement local:
Seq1
Seq2
Recherche de motif:
Seq1
Seq2
Alignement local
Similarité locale entre S1 et S2: Valeur max d’un alignement
entre deux facteurs qcq de S1 et S2
Exemple: Score 2 pour match et -1 pour mismatch ou espace
CAGCAC TT – GG AT TCTCGG
ll
l l l
TAGT TT A GG -T GGCAT
Problème: Retrouver les deux facteurs des deux séquences de
similarité locale maximale
Fonction de score pour les substitutions de nucléotides ou
d’AA
Fonction de score pour les trous (gaps)
Matrice BLOSUM 62
Score positif pour les identités,
et négatif pour les mismatchs
Méthodes utilisées pour l’alignement local
Méthode exacte: Smith-Waterman
Algorithme exact en O(n2) utilisant la programmation dynamique
Trop coûteux pour parcourir une banque de données
Heuristiques: Méthodes approximatives. Pas sûr d’obtenir le
meilleur résultat
FASTA et BLAST: Heuristiques les plus utilisées. Basées sur une idée
de filtrage
Sélectionner des parties de la base de donnée par une
méthode de recherche exacte
Pour chaque partie (intervalle) vérifier si une similarité locale
existe
Qualité d’un algorithme de comparaison
de séquences
Sélectivité: Capacité à ne détecter que la
réalité biologique et rien de plus
Problème des Faux-Positifs
Sensitivité: Capacité à détecter tout ce qui
est intéressant sur le plan biologique
Problème des Faux-Négatifs
BLAST: Basic local alignment search tool
Similarité locale entre une séquence requête et une banque de données
Devenu populaire grâce à une implémentation très efficace.
BLASTP: séquence de protéine dans BD de protéines
BLASTN: séquence de nucléotides dans BD d’ADN
BLASTX: séquence de nucléotides (6 ordres de lecture) dans BD de
protéines
TBLASTN: séquence de protéine dans BD traduite
TBLASTX: séquence traduite dans BD traduite
BLASTZ: Étudié pour aligner de longues séquences d’ADN, utilisé pour
l’alignement de l’homme et de la souris
PHI-BLAST: Recherche d’une expression régulière (consensus)
PSI-BLAST: Construit un consensus, ou matrice de score, à partir d’un
alignement multiple des ``hits’’ de plus haut score obtenus par une
recherche BLAST initiale
Méthode utilisée par BLAST
Former la liste de tous les facteurs de taille w de la
séquence requête P
P
Maximum l-w+1 mots
Pour chaque facteur f, former la liste de tous les mots de
taille w dont le score avec f dépasse un seuil T
Exemple: Pour f =PQG, {PQG, PRG, PKG, PDG, PMG…}
Identifier les occurrences exactes des mots de la
liste dans la BD
Pour chaque paire de séquences trouvées, étendre
l’alignement dans les deux directions, jusqu’à ce
que le score de l’alignement chute de X par rapport
à sa valeur d’origine. Segment accepté si score>S
Le HSP de score maximal sur l’ensemble
de la séquence est appelé maximal scoring
segment pair (MSP)
Les alignements locaux HSP sont chaînés
pour former des alignements plus longs,
incluant des espaces et des trous.
Si le MSP ou les HSP combinés ont un score
qui dépasse un certain seuil S, il sont
affichés
Paramètres
La séquence format FASTA
La banque (compressée)
W (taille du mot).
Protéines: w de 3 à 5, et T = 17
Donne à peu près 50 mots pour chaque
facteur
Nucléotides: w = 12
S (seuil de sélection d’un score)
Matrices de substitution (BLOSUM 62) ou
score pour les nucléotides (+5/-4)
Évaluation statistique
Expect-value = nb de fois où un HSP est
attendu par chance sur l’ensemble de la
banque. Plus cette valeur est faible, plus le
HSP est significatif
P-value: P(N): Probabilité du score observé.
Plus cette valeur est faible, plus le HSP est
significatif.
On choisit son BLAST
La page d’entrée NCBI BLAST
http://www.ncbi.nlm.nih.gov/BLAST/
On entre la séquence à chercher
Le programme
choisi
Choisir la banque de données dans laquelle on veut
faire la recherche
life.csmu.edu.tw/lifeinfo/db_lifescience/0722-1.ppt
On a soumis et on attend les résultats
life.csmu.edu.tw/lifeinfo/db_lifescience/0722-1.ppt
Les résultats: entête
life.csmu.edu.tw/lifeinfo/db_lifescience/0722-1.ppt
Les résultats: vue graphique
life.csmu.edu.tw/lifeinfo/db_lifescience/0722-1.ppt
life.csmu.edu.tw/lifeinfo/db_lifescience/0722-1.ppt
life.csmu.edu.tw/lifeinfo/db_lifescience/0722-1.ppt
life.csmu.edu.tw/lifeinfo/db_lifescience/0722-1.ppt