序列比對

序列比對 ^[1]  是生物信息學 ^[2]  的基本組成和重要基礎。序列比對的基本思想是，基於生物學中序列決定結構，結構決定功能的普遍規律，將核酸序列和蛋白質一級結構上的序列都看成由基本字符組成的字符串，檢測序列之間的相似性，發現生物序列中的功能、結構和進化的信息。

序列比對的理論基礎是進化學説，如果兩個序列之間具有足夠的相似性，就推測二者可能有共同的進化祖先，經過序列內殘基的替換、殘基或序列片段的缺失、以及序列重組等遺傳變異過程分別演化而來。序列相似和序列同源是不同的概念，序列之間的相似程度是可以量化的參數，而序列是否同源需要有進化事實的驗證。在殘基－殘基比對中，可以明顯看到序列中某些氨基酸殘基比其它位置上的殘基更保守，這些信息揭示了這些保守位點上的殘基對蛋白質的結構和功能是至關重要的，例如它們可能是酶的活性位點殘基，形成二硫鍵的半胱氨酸殘基，與配體結合部位的殘基，與金屬離子結合的殘基，形成特定結構motif的殘基等等。但並不是所有保守的殘基都一定是結構功能重要的，可能它們只是由於歷史的原因被保留下來，而不是由於進化壓力而保留下來。因此，如果兩個序列有顯著的保守性，要確定二者具有共同的進化歷史，進而認為二者有近似的結構和功能還需要更多實驗和信息的支持。通過大量實驗和序列比對的分析，一般認為蛋白質的結構和功能比序列具有更大的保守性，因此粗略的説，如果序列之間的相似性超過30%，它們就很可能是同源的。

值得注意的是，在分子生物學中，DNA或蛋白質的相似性是多方面的，可能是核酸或氨基酸序列的相似，可能是結構的相似，也可能是功能的相似。一級結構序列相似的分子在高級結構和功能上並不必然有相似性，反之，序列不相似的分子，可能摺疊成相同的空間形狀，並具有相同的功能。一般的序列比對主要是針對一級結構序列上的比較。

在生物信息處理中，我們希望找出兩條序列S和T之間具有的某種相似性關係，這種尋找生物序列相似性關係的算法就是雙序列比對算法 ^[3]  。我們通常利用兩個序列之間的字符差異來測定序列之間的相似性，兩條序列中相應位置的字符如果差異大，那麼序列的相似性低，反之，序列的相似性就高。

把兩個以上字符序列對齊，逐列比較其字符的異同，使得每一列字符儘可能一致，以發現其共同的結構特徵的方法稱為多序列比對 ^[4]  。多序列比對問題其實是雙序列比對問題的推廣。

多序列比對的目標是使得參與比對的序列中有儘可能多的列具有相同的字符，即，使得相同殘基的位點位於同一列，這樣以便於發現不同的序列之間的相似部分，從而推斷它們在結構和功能上的相似關係，主要用於分子進化關係，預測蛋白質的二級結構和三級結構、估計蛋白質摺疊類型的總數，基因組序列分析等。

由於多序列比對能夠揭示雙序列比對所不能發現的序列微弱相似性、序列模式和功能位點，因而對蛋白質和核酸序列的結構、功能和進化研究更加有用。

全局比對 ^[5]  是指將參與比對的兩條序列裏面的所有字符進行比對。 全局比對主要被用來尋找關係密切的序列。由於這些序列也都很易通過本地比對方法找到，現在全局比對也有些被認為只是一種技巧。另外，全局比對在應用於分子進化時也有些問題（比如domain shuffling -見下)，這也限制了這種方法的可用性。

1981年，由F. Smith 和 M.Waterman首次提出局部比對算法，動態規劃方法通過較少的改動便可以用來識別匹配的子序列， 並且忽略匹配區域之前或之後的失配和空位;局部比對時，表中小於零的位置用零代替。主要用來考察兩序列的某些特殊片段。

實際操作中利用計算機程序實現序列比對的基本算法。序列比對不僅需要考慮子序列之間的匹配，而且需要對整個序列進行比較。也就是説，必須考慮兩個序列中所有殘基的匹配。這就意味着，不可能使所有殘基都能嚴格匹配。在這種情況下，序列比對中確定空位的過程變得十分複雜。

在進行序列兩兩比對時，有兩方面問題直接影響相似性分值：取代矩陣和空位罰分。

粗糙的比對方法僅僅用相同/不同來描述兩個殘基的關係，顯然這種方法無法描述殘基取代對結構和功能的不同影響效果，纈氨酸對異亮氨酸的取代與穀氨酸對異亮氨酸的取代應該給予不同的打分。因此如果用一個取代矩陣 ^[6]  來描述氨基酸殘基兩兩取代的分值會大大提高比對的敏感性和生物學意義。雖然針對不同的研究目標和對象應該構建適宜的取代矩陣，但國際上常用的取代矩陣有PAM和BLOSUM等，它們來源於不同的構建方法和不同的參數選擇，包括PAM250、BLOSUM62、BLOSUM90、BLOSUM30等。對於不同的對象可以採用不同的取代矩陣以獲得更多信息，例如對同源性較高的序列可以採用BLOSUM90矩陣，而對同源性較低的序列可採用BLOSUM30矩陣。

空位罰分是為了補償插入和缺失對序列相似性的影響，由於沒有什麼合適的理論模型能很好地描述空位 ^[7]  問題，因此空位罰分缺乏理論依據而更多的帶有主觀特色。一般的處理方法是用兩個罰分值，一個對插入的第一個空位罰分，如10－15；另一個對空位的延伸罰分，如1－2。對於具體的比對問題，採用不同的罰分方法會取得不同的效果。

對於比對計算產生的分值，到底多大才能説明兩個序列是同源的，對此有統計學方法加以説明，主要的思想是把具有相同長度的隨機序列進行比對，把分值與最初的比對分值相比，看看比對結果是否具有顯著性。相關的參數E代表隨機比對分值不低於實際比對分值的概率。對於嚴格的比對，必須E值低於一定閾值才能説明比對的結果具有足夠的統計學顯著性，這樣就排除了由於偶然的因素產生高比對得分的可能。

序列比對實際上是根據特定數學模型找出序列之間最大匹配殘基數。而序列比對數學模型一般用來描述序列中每一個子字符串之間的匹配情況。通過改變某些參數可以得到不同比對結果，例如空位罰分值大小。此外，序列長度差異和字母表複雜度也會影響比對結果。合理調節參數，會減少空位數目，得到較好的結果，而放寬對空位罰分的限制，理論上任意序列都可以得到某個對比結果。因此序列比對的結果並不能作為兩者之間一定存在同源關係的依據。

常用序列比對程序通常給出一些統計值 ^[8]  ，用來表示結果的可信度。BLAST程序中使用的統計值由概率p和期望值e。概率p表示比對結果得到的分數值的可信度。一般來説，p越接近於0，則比對結果的可信度越大。期望值e描述搜索某一特定數據庫時，隨機出現的匹配序列數目。

生物信息學的研究重點主要體現在基因組學和蛋白質學兩方面,具體地説就是從核酸和蛋白質序列出發, 分析序列中表達結構和功能的生物信息 ^[9]  。生物信息學的基本任務是對各種生物分析序列進行分析, 也就是研究新的計算機方法, 從大量的序列信息中獲取基因結構、功能和進化等知識。而在序列分析中, 將未知序列同已知序列進行相似性比較是一種強有力的研究手段,從序列的片段測定, 拼接, 基因的表達分析, 到RNA和蛋白質的結構功能預測。物種親緣樹的構建都需要進行生物分子序列的相似性比較。生物信息學中的序列比對算法的研究具有非常重要的理論意義和實踐意義。