DAR Approximate string matching Casus: biological sequence alignment

Transcriptie

1 DAR Approximate string matching Casus: biological sequence alignment 1

2 Text search Approx string matching dynamic programming, edit distance example application: Google search Text indexing inverted list q-grams Casus: protein strings similarity, specific for biological domein application of q-gram indexing: BLAST 2 2

3 Biological sequence alignment 3 3

4 Biological sequence alignment Ik heb een sequentie S die bij soort A eigenschap X bepaalt. Kan ik in de genomen van andere soorten sequences vinden die grote gelijkenis vertonen met S? Ik heb een aantal patiënten met aandoening Y. Kan ik in hun genoom een sequentie vinden die zij gemeenschappelijk hebben en die afwijkt in vergelijking met niet-patiënten? 4

5 DNA sequencing: mijlpalen 1953 Crick & Watson ontdekken moleculaire structuur van het DNA (dubbele helix) 1975 Sanger ontdekt sequencing techniques human genome sequenced Anno nu: onderzoek naar individuele genetische verschillen 5 5

6 Sequence basics Model: een DNA sequence is een string over het alphabet {A,C,G,T} DNA segmenten worden gekopieerd naar een sequentie van messenger RNA om een eiwit te produceren (U in RNA = T in DNA) triplet structure definieert vertaling naar sequentie van aminozuren (codons) 6 6

7 Sequence basics 7 7

8 Sequence basics Een gen is een DNA-fragment dat een proteine codeert (versimpeld) Een proteine = sequentie van aminozuren (20 letter alphabet) ATGACCAGGATCTTTAAGTGA start codon = ATG stop codon = TGA codons: ATG-ACC-AGG-ATC-TTT-AAG-TGA methionine-threonine-arginine- MTR 6 manieren om een DNA-string af te lezen 8 8

9 Biological sequence databases SWISSPROT, GENBANK, Zowel proteines als ACGT-sequenties Generieke vorm query: find protein sequences similar to MKYMTVTDLNNAGATV 9 9

10 Biological sequence databases SWISSPROT example entries (FASTA format) >gi sp P42268 NDD_BPR70 NUCLEAR DISRUPTION PROTEIN MKYMTVTDLNNAGATVIGTIKGGEWFLGTPHKDILSKPGFYFLVSEFDGSCV SARFYVGNQRSKQGFSAVLSHIRQRRSQLARTIANNNMAYTVFYLPASKM KPLTTGFGKGQLALAFTRNHHSEYQTLEEMNRMLADNFKFVLQAY >gi sp P05228 HRP2_PLAFA HISTIDINE-RICH PROTEIN PRECURSOR (CLONE PFHRP-III) MVSFSKNKVLSAAVFASVLLLDNNNSEFNNNLFSKNAKGLNSNKRLLHESQA HAGDAHHAHHVADAHHAHHVADAHHAHHAANAHHAANAHHAANAHHAANA HHAANAHHAANAHHAANAHHAANAHHAANAHHAANAHHAANAHHAANAHH AANAHHAADANHGFHFNLHDNNSHTLHHAKANACFDDSHHDDAHHDGAHH DDAHHDGAHHDDAHHDGAHHDGAHHDGAHHNATTHHLH 10 10

11 Protein based data similarity Twee fragmenten DNA zijn homoloog als ze overeenkomsten vertonen die gebaseerd zijn op gemeenschappelijk afstamming We zoeken een concept sequence similarity dat gapping ondersteunt en rekening houdt met letter distance GSAQVKGHGKKVA HV---D--DMPNAL G+ +VK+HGKKV ++ +L GNPKVKAHGKKVL QLQVTGVVVTDATL 11 11

12 Similarity Doel 1: een probabilistisch model opstellen ter onderbouwing van notie van sequence similarity Doel 2: algoritmen opstellen om optimale alignments te vinden 12 12

13 Scoring model Twee fragmenten DNA zijn homoloog als ze overeenkomsten vertonen die gebaseerd zijn op gemeenschappelijk afstamming Men heeft collecties van paren strings verzameld die corresponderen met homologieën Op grond van deze collecties kunnen we tellingen doen betreffende de frequenties van matching van paren aminozuren Door (bio)chemische oorzaken zijn niet alle matches even waarschijnlijk 13 13

14 Scoring model String x bestaat uit een reeks symbolen x i Symbool x i heeft een waarschijnlijkheid q x i Volgens random model R (er is geen sprake van een homologie) hebben twee strings x en y een waarschijnlijkheid 14 14

15 Scoring model Volgens het Match model komen paren strings voor met een gezamenlijke waarschijnlijkheid, uitgaande van gemeenschappelijke afstamming van een symbool c De odds-ratio (voor wel/geen homologie) is dan 15 15

16 Scoring model Om mathematisch-technische redenen werken we liever met log-odds De log-odds ratio voor strings x en y is 16 16

17 BLOSUM matrices Op basis van tellingen zijn matrices ter representatie van s(a,b) opgesteld; hieronder een fragment van de BLOSUM50-matrix D, E en K charged; V, I en L hydrofoob Variatie t.b.v. sensitiviteit (50, 62, 80) 17 17

18 Scoring model: gaps Penalty voor gap met lengte g optie 1 optie 2 (d = gap open, e = gap extension) 18 18

19 Alignment algoritmen Aantal mogelijke alignments voor sequences met lengte m en n is erg groot Dynamic programming: druk de optimale alignment van twee sequences uit in de optimale oplossingen voor deelsequences 19 19

20 Needleman-Wunsch (global) Globale match Eenvoudige gap penalty We zoeken de optimale match van x 1.. x m en y 1.. y n We hebben optimale matches van x 1.. x m-1 en y 1.. y n-1 x 1.. x m-1 en y 1.. y n x 1.. x m en y 1.. y n

21 Needleman-Wunsch De optimale match van x 1.. x m en y 1.. y n verkrijg je door de beste optie te kiezen uit: x 1.. x m-1 en y 1.. y n-1, waarbij x m gepaard wordt aan y n x 1.. x m-1 en y 1.. y n : x m gepaard aan gap x 1.. x m en y 1.. y n-1 : y n gepaard aan gap 21 21

22 Needleman-Wunsch De keuze uit deze drie mogelijkheden wordt bepaald aan de hand van de scorefunctie F 22 22

23 Needleman-Wunsch De keuze uit deze drie mogelijkheden wordt bepaald aan de hand van de scorefunctie F In de matrix: F (i-1, j-1) F (i, j-1) F (i-1, j) F (i, j) Via trace-back pijlen geven we de herkomst van de oplossing weer 23 23

24 Needleman-Wunsch Voorbeeld Match HEAGAWGHEE en PAWHEAE d = 8 -- H E A -- 0 P A W 24 24

25 Needleman-Wunsch Voorbeeld Match HEAGAWGHEE en PAWHEAE d = 8 -- H E A P -8 A -16 W

26 Needleman-Wunsch Voorbeeld Match HEAGAWGHEE en PAWHEAE d = 8 -- H E A P -8-2 A -16 W

27 Match HEAGAWGHEE en PAWHEAE Needleman-Wunsch From: Biological Sequence Analysis; Durbin, Eddy e.a

28 Needleman-Wunsch Alignment is klaar als je het veld rechtsonderin bereikt. Deze bevat de globale score van de match Time complexity: O(mn) 28 28

29 Smith-Waterman (local) Voorbeeld Globale match: score = +1 HEAGAWGHE-E --P-AW-HEAE Lokale match: score = +21 HEA HEA \Lokale matches zijn interessanter 29 29

30 Smith-Waterman (local) Vraag Hoe pas je Needleman-Wunsch aan zodanig dat je lokale matches vindt? Antwoord 1. Zorg dat je op elk punt in de matrix met een schone lei begint: zet negatieve scores direct op 0 2. Je mag overal stoppen 30 30

31 Smith-Waterman (local) De keuze uit de mogelijkheden wordt bepaald aan de hand van de scorefunctie F 31 31

32 Smith-Waterman Voorbeeld Match HEAGAWGHEE en PAWHEAE d = 8 -- H E A P 0 A 0 W

33 Smith-Waterman Voorbeeld Match HEAGAWGHEE en PAWHEAE d = 8 -- H E A P A W

34 Smith-Waterman Voorbeeld Match HEAGAWGHEE en PAWHEAE d = 8 -- H E A P A W

35 Smith-Waterman (local) Alignment kan op elk punt in de matrix eindigen From: Biological Sequence Analysis; Durbin, Eddy e.a

36 Heuristieken In principe is ons probleem opgelost via dynamic programming Complexiteit O(mn) m: lengte query string n: lengte database! Behoefte aan heuristiek: Blast Methode: filtering gebaseerd op 3-grams 36 36

37 Blast Als twee strings een 3-gram delen, noemen we dat een hit HEAGAWGHEE en PAWHEAE Idee van filtering: Zoek via 3-gram hits kansrijke posities Pas op zo n kansrijke positie een lokaal expansiealgoritme toe 37 37

38 Blast Als twee strings een q-gram delen, noemen we dat een hit HEAGAWGHEE en PAWHEAE Het hebben van één hit geeft veel false positives; Hoe kunnen we spelen met selectiviteit en sensitiviteit? 38 38

39 Blast Extensie van hit-notie Twee q-grams zijn similar als hun onderlinge matchscore boven een bepaalde drempel komt (default = 11) HEAGAWGHEE en PAWHEAE Effecten: verhoging sensitivity (recall) verlaging selectivity (precision) 39 39

40 BLAST2 (PBLAST) Eis voor selectie is Two-hit diagonal principe: paar hits met dezelfde onderlinge afstand in query en db-string query = CWYWRWYYC dbstr = RRWYWAWYYRR OK! query = CWYWRWYYC dbstr = RRWYWABCWYYRR FOUT! Wat gebeurt er met sensitivity/selectivity? 40 40

41 Blast: expansie Eenvoudige ungapped expansie: ga uit van match op hits schuif naar rechts totdat match-score een val van 8 punten heeft gemaakt ten opzichte van optimum idem naar links 41 41

42 Blast: expansie Gapped expansie: pas lokaal een variant van Smith-Waterman (dynamic programming) toe 42 42

43 43

44 PBLAST: an RDB approach 44 44

45 PBLAST: an RDB approach Oefening: Druk BLAST-filtering uit in Relationele algebra (of SQL) 45 45