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 l l 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 trout 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.