生物信息学课件_L6
合集下载
(完整)第八章-生物信息学技术ppt
体表达状况；
在一定程度上二级结构的预测可以归结为模式识别问题
10-30%的空间结构预测工作 包含描述蛋白质域的家族、超家族、折叠、等级等信息。
《Nucleic Acids Research》杂志每年的第一期中详细介绍最新版本的各种数据库。 3、 基因组序列分析 国际核酸序列委员会协作组：
第三节 生物信息学当前的主要任务
生物信息学的发展历史
生物科学和 技术的 发展
人类基因组 计划的 推动
生物信息学 基本思想的产生
二十世纪 50年代
生物信息学 的迅速发展
二十世纪 80-90年代
二、生物信息学的概念
HGP 生物数据的激增 （每15个月翻一番）
生物学家
数学家
计算机 科学家
生物信息学 （bioinfomatics)
的诞生
通过比较相似的蛋白质序列，如肌红 蛋白和血红蛋白，可以发现由于基因复 制而产生的分子进化证据。
通过比较来自于不同种属的同源蛋白质， 即直系同源蛋白质，可以分析蛋白质甚 至种属之间的系统发生关系，推测它们 共同的祖先蛋白质。
生物分子数据类型
DNA序列数据
最基本
生
蛋白质序列数据
物
分
子
生物分子结构数据
1.2 非蛋白编码区生物学意义的分析
非蛋白编码区约占人类基因组的95%，其生物 学意义目前尚不是很清楚，但从演化观点来看， 其中必然蕴含着重要的生物学功能，由于它们并 不编码蛋白，一般认为，它们的生物学功能可能 体现在对基因表达的时空调控上。
对非蛋白编码区进行生物学意义分析的策略有
两种，一种是基于已有的已经为实验证实的所有 功能已知的DNA元件的序列特征，预测非蛋白编 码区中可能含有的功能已知的DNA元件，从而预 测其可能的生物学功能，并通过实验进行验证； 另一种则是通过数理理论直接探索非蛋白编码区 的新的未知的序列特征，并从理论上预测其可能 的信息含义，最后同样通过实验验证。
在一定程度上二级结构的预测可以归结为模式识别问题
10-30%的空间结构预测工作 包含描述蛋白质域的家族、超家族、折叠、等级等信息。
《Nucleic Acids Research》杂志每年的第一期中详细介绍最新版本的各种数据库。 3、 基因组序列分析 国际核酸序列委员会协作组：
第三节 生物信息学当前的主要任务
生物信息学的发展历史
生物科学和 技术的 发展
人类基因组 计划的 推动
生物信息学 基本思想的产生
二十世纪 50年代
生物信息学 的迅速发展
二十世纪 80-90年代
二、生物信息学的概念
HGP 生物数据的激增 （每15个月翻一番）
生物学家
数学家
计算机 科学家
生物信息学 （bioinfomatics)
的诞生
通过比较相似的蛋白质序列，如肌红 蛋白和血红蛋白，可以发现由于基因复 制而产生的分子进化证据。
通过比较来自于不同种属的同源蛋白质， 即直系同源蛋白质，可以分析蛋白质甚 至种属之间的系统发生关系，推测它们 共同的祖先蛋白质。
生物分子数据类型
DNA序列数据
最基本
生
蛋白质序列数据
物
分
子
生物分子结构数据
1.2 非蛋白编码区生物学意义的分析
非蛋白编码区约占人类基因组的95%，其生物 学意义目前尚不是很清楚，但从演化观点来看， 其中必然蕴含着重要的生物学功能，由于它们并 不编码蛋白，一般认为，它们的生物学功能可能 体现在对基因表达的时空调控上。
对非蛋白编码区进行生物学意义分析的策略有
两种，一种是基于已有的已经为实验证实的所有 功能已知的DNA元件的序列特征，预测非蛋白编 码区中可能含有的功能已知的DNA元件，从而预 测其可能的生物学功能，并通过实验进行验证； 另一种则是通过数理理论直接探索非蛋白编码区 的新的未知的序列特征，并从理论上预测其可能 的信息含义，最后同样通过实验验证。
生物信息学(课堂PPT)
• 总之，信息源的特点是：
– 自治的 (autonomous)
数据集成
– 分布式的 (distributed) – 异构的 (heterogeneous)
Data Integration
2021/3/29
4
一、 生物信息学数据库
生物信息学数据库的种类
❖ 分子生物信息数据库种类繁多。归纳起来， 大体可以分为4个大类：
酵母菌Yeast ——CYGD数据库
http://mips.gsf.de/genre/proj/yeast/index.jsp
线虫 Caenorhabditis elegans ——AceDB数据库
/genome.shtml
的数据（EMBL负责欧洲，GenBank负责美洲，DDBJ负
责亚洲等），然后来自各地的所有信息汇总在一起，3
个数据库的数据共享并向世界开放，故这3个数据库又
被称为公共序列数据库（Public Sequence Database）。
所以从理论上说，这3个数据库所拥有的DNA序列数据
是完全相同的。你可以从中选择一个你喜欢的数据库；
2021/3/29
11
GenBank：由美国国家生物技术信息中心(National Center for Biotechnology Information, NCBI)建立。该 中心隶属于美国国家医学图书馆，位于美国国家卫生 研究院(NIH)内。
EMBL：欧洲分子生物学实验室(European Molecular Biology Laboratory, 其下有European Bioinformatics Centre)，主要位于英国剑桥Cambridge和德国汉堡 Hamburg。
KEYWORDS .
《生物信息学》课件
生物信息学的重要性
解释生物信息学在生物科学 研究、药物开发和医学诊断 中的重要作用。
生物信息学的发展历程
1
计算机技术的进步
描述计算机技术的不断发展为生物信息学提供了强大的工具和平台。
2
基因测序技术的突破
介绍基因测序技术的革命性进步，推动了生物信息学的发展。
3
开放数据共享
解释开放数据共享促进了生物信息学研究的合作和创新。
生物信息学的基本原理
1 序列比对
2 基因功能注释
3 数据挖掘和机器学习
阐述序列比对在生物信息 学中的核心作用，用于识 别相似的DNA、RNA和蛋 白质序列。
描述基因功能注释的流程， 用于理解基因的功能和作 用。
介绍数据挖掘和机器学习 在生物信息学中的应用， 用于发现生物学模式和预 测结构。
生物信息学的未来发展趋势
技术革新
预测未来生物信息学将受益于技 术的不断革新，如人工智能、大 数据和基因编辑。
研究领域拓展
探索生物信息学在新兴领域，如 单细胞测序和微生物组学中的应 用潜力。
多学科融合
强调生物信息学将与其他学科， 如人类基ቤተ መጻሕፍቲ ባይዱ组学和系统生物学， 进行深入交叉。
《生物信息学》PPT课件
欢迎来到《生物信息学》PPT课件。本课程将带您了解生物信息学的定义、应 用、发展历程、基本原理和未来发展趋势。
导入生物信息学
什么是生物信息学
介绍生物信息学是一门跨学 科领域，结合了生物学和计 算机科学的知识，用于解析 和研究生物信息。
生物信息学的应用领域
探索生物信息学在基因组学、 蛋白质组学、转录组学等领 域的广泛应用。
生物信息学导论精品PPT课件
2020/10/5
16
概述
➢ 生物信息学往哪里去
表18-1生物信息学的过去、现在和将来
二十世纪90年代 的生物信息学
当前的生物信息 学
未来的生物信息 学
2020/10/5
主要内容
大规模基因组学与蛋白质组学的实 验数据形成的一级数据库及其相应 的分析方法与工具
由一级数据库分类、归纳、注释得 到的基因组学与蛋白质组学二级数 据库 （知识库）及其相应的分析方法与 工具
细胞和生物体的完全计算机表示
目的 了解单个基因和蛋白 质的功能与用途
2020/10/5
12
概述
➢ 生物信息学的起源
DNA自动测序构成过巨大的冲击，因为它曾经是各种生物学数据高通 量产出的前沿阵地。像表达序列标签（ESTs），单核苷多态性（SNPs）都 和基因序列密切相关。随后发展的研究基因表达模式（profile）的DNA微 阵列技术、用于探测蛋白质相互作用的酵母双杂交系统、以及质谱技术极 大地让生命科学类数据库飞速膨胀。结构基因组学方面的新技术还不能大 规模地产生数据，但它们正在导致蛋白质三维结构数据的增加。
2020/10/5
14
概述
➢ 生物信息学往哪里去
尽管最近十年来，高通量检测技术与信息技术的结合让人们认识了大 量的基因和蛋白质，但是和物理学、化学相比较，生物学仍旧是一门不成 熟的学科，因为对于生命过程，我们无法根据一般性原理做出像卫星轨道 那样精确的预测。随着数据的不断膨胀和知识的积累，也借助于生物信息 学，这种情形很有可能发生改变。
生物信息学导论
Introduction to Bioinformatics
Email: Tel:
2020/10/5
1
生物信息学课堂ppt课件
它是一门理论概念与实践应用并重的学科 ❖ bioinformatics这一名词在1991年左右才在文献中出现，还
只是出现在电子出版物的文本中。
5
产生 生物信息学的
❖ ２０世纪后期，生物科学技术迅猛发展，无论从数量上还是从质量上都 极大地丰富了生物科学的数据资源。数据资源的急剧膨胀迫使人们寻求 一种强有力的工具去组织这些数据，以利于储存、加工和进一步利用。 而海量的生物学数据中必然蕴含着重要的生物学规律，这些规律将是解 释生命之谜的关键，人们同样需要一种强有力的工具来协助人脑完成对 这些数据的分析工作。
❖ 基因组时代--基因寻找和识别、网络数据库系统的 建立、交互界面的开发；
❖ 后基因组时代--大规模基因组分析、蛋白质组分析。
8
重要性 生物信息学的
❖ 生物信息学不仅是一门学科，更是一种重要的研究开发工具。 ❖ 从科学的角度来讲，生物信息学是一门研究生物和生物相关
系统中信息内容与信息流向的综合系统科学。只有通过生物 信息学的计算处理，人们才能从众多分散的生物学观测数据 中获得对生命运行机制的系统理解。 ❖ 从工具的角度来讲，生物信息学几乎是今后所有生物（医药） 研究开发所必需的工具。只有根据生物信息学对大量数据资 料进行分析后，人们才能选择该领域正确的研发方向。 ❖ 生物信息学不仅具有重大的科学意义，而且具有巨大的经济 效益。它的许多研究成果可以较快地产业化，成为价值很高 的产品。
分析(主要研究内容) 应用(多个领域)
主要由数据库、计算机网络和应用软件三大部分构成
2
定义
❖ 收集、维护、传播、分析以及利用在分子生物学研究中获得的大量数据。
生物信息学（bioinformatics）是生物学与计算机科学以及应用数学等学
只是出现在电子出版物的文本中。
5
产生 生物信息学的
❖ ２０世纪后期，生物科学技术迅猛发展，无论从数量上还是从质量上都 极大地丰富了生物科学的数据资源。数据资源的急剧膨胀迫使人们寻求 一种强有力的工具去组织这些数据，以利于储存、加工和进一步利用。 而海量的生物学数据中必然蕴含着重要的生物学规律，这些规律将是解 释生命之谜的关键，人们同样需要一种强有力的工具来协助人脑完成对 这些数据的分析工作。
❖ 基因组时代--基因寻找和识别、网络数据库系统的 建立、交互界面的开发；
❖ 后基因组时代--大规模基因组分析、蛋白质组分析。
8
重要性 生物信息学的
❖ 生物信息学不仅是一门学科，更是一种重要的研究开发工具。 ❖ 从科学的角度来讲，生物信息学是一门研究生物和生物相关
系统中信息内容与信息流向的综合系统科学。只有通过生物 信息学的计算处理，人们才能从众多分散的生物学观测数据 中获得对生命运行机制的系统理解。 ❖ 从工具的角度来讲，生物信息学几乎是今后所有生物（医药） 研究开发所必需的工具。只有根据生物信息学对大量数据资 料进行分析后，人们才能选择该领域正确的研发方向。 ❖ 生物信息学不仅具有重大的科学意义，而且具有巨大的经济 效益。它的许多研究成果可以较快地产业化，成为价值很高 的产品。
分析(主要研究内容) 应用(多个领域)
主要由数据库、计算机网络和应用软件三大部分构成
2
定义
❖ 收集、维护、传播、分析以及利用在分子生物学研究中获得的大量数据。
生物信息学（bioinformatics）是生物学与计算机科学以及应用数学等学
生物信息学分析方法介绍PPT课件
生物信息学分析方法 介绍
目录
• 生物信息学概述 • 基因组学分析方法 • 转录组学分析方法 • 表观遗传学分析方法 • 蛋白质组学分析方法 • 生物信息学分析流程和方法比较
01
生物信息学概述
生物信息学的定义和重要性
定义
生物信息学是一门跨学科的学科，它利用计算机科学、数学和工程学的原理和 技术，对生物学数据进行分析、建模和解读，以揭示生命现象的本质和规律。
研究蛋白质的序列、结构 和功能，以及蛋白质相互 作用和蛋白质组表达调控 机制。
研究基因转录本的序列、 结构和表达水平，以及转 录调控机制。
研究基因表达的表观遗传 调控机制，如DNA甲基化 、组蛋白修饰等。
通过对患者基因组、蛋白 质组和转录组等数据的分 析，为个性化医疗和精准 医学提供支持。
02
基因组学分析方法
基因组注释
基因组注释是指对基因组序列中的各 个区域进行标记和描述的过程，包括 基因、转录单元、重复序列、调控元 件等。
注释信息可以通过数据库（如RefSeq、 GeneBank等）或注释软件（如GATK、 ANNOVAR等）获取。注释信息对于 理解基因组的生物学功能和进化关系 具有重要意义。
基因组变异检测
基因组变异检测是指检测基因组序列 中的变异位点，包括单核苷酸变异、 插入和缺失等。
VS
变异检测对于遗传疾病研究、进化生 物学和生物进化研究等领域具有重要 意义。常用的变异检测方法有SNP检 测、CNV检测等，它们基于不同的原 理和技术，具有不同的适用范围和精 度。
03
转录组学分析方法
RNA测序技术
利用生物信息学方法和算法，对 RNA测序数据进行基因融合检测， 寻找融合基因及其融合方式。
基因融合检测结果可以为研究肿 瘤等疾病提供重要线索，有助于 深入了解疾病发生发展机制。
目录
• 生物信息学概述 • 基因组学分析方法 • 转录组学分析方法 • 表观遗传学分析方法 • 蛋白质组学分析方法 • 生物信息学分析流程和方法比较
01
生物信息学概述
生物信息学的定义和重要性
定义
生物信息学是一门跨学科的学科，它利用计算机科学、数学和工程学的原理和 技术，对生物学数据进行分析、建模和解读，以揭示生命现象的本质和规律。
研究蛋白质的序列、结构 和功能，以及蛋白质相互 作用和蛋白质组表达调控 机制。
研究基因转录本的序列、 结构和表达水平，以及转 录调控机制。
研究基因表达的表观遗传 调控机制，如DNA甲基化 、组蛋白修饰等。
通过对患者基因组、蛋白 质组和转录组等数据的分 析，为个性化医疗和精准 医学提供支持。
02
基因组学分析方法
基因组注释
基因组注释是指对基因组序列中的各 个区域进行标记和描述的过程，包括 基因、转录单元、重复序列、调控元 件等。
注释信息可以通过数据库（如RefSeq、 GeneBank等）或注释软件（如GATK、 ANNOVAR等）获取。注释信息对于 理解基因组的生物学功能和进化关系 具有重要意义。
基因组变异检测
基因组变异检测是指检测基因组序列 中的变异位点，包括单核苷酸变异、 插入和缺失等。
VS
变异检测对于遗传疾病研究、进化生 物学和生物进化研究等领域具有重要 意义。常用的变异检测方法有SNP检 测、CNV检测等，它们基于不同的原 理和技术，具有不同的适用范围和精 度。
03
转录组学分析方法
RNA测序技术
利用生物信息学方法和算法，对 RNA测序数据进行基因融合检测， 寻找融合基因及其融合方式。
基因融合检测结果可以为研究肿 瘤等疾病提供重要线索，有助于 深入了解疾病发生发展机制。
生物信息学PPT课件
生物信息学在农业研究中的应用
1 2 3
作物育种
生物信息学可以通过基因组学手段分析作物的遗 传变异，为作物育种提供重要的遗传资源。
转基因作物研究
通过生物信息学分析，可以了解转基因作物的基 因表达和性状变化，为转基因作物的研发和应用 提供支持。
农业环境监测
生物信息学可以帮助研究人员监测农业环境中的 微生物群落、土壤质量等指标，为农业生产提供 科学依据。
特点
生物信息学具有数据密集、技术依赖、多学科交叉、应用广泛等特点。
生物信息学的重要性
促进生命科学研究
提高疾病诊断和治疗水平
生物信息学为生命科学研究提供了强 大的数据分析和挖掘工具，有助于深 入揭示生命现象的本质和规律。
生物信息学在疾病诊断和治疗方面具 有重要作用，通过对基因组、蛋白质 组等数据的分析，有助于实现个体化 精准医疗。
03 生物信息学技术与方法
基因组测序技术
基因组测序技术概述
基因组测序是生物信息学中的一项关键技术，它能够测定生物体的 全部基因序列，为后续的基因组学研究提供基础数据。
测序原理
基因组测序主要基于下一代测序技术，如高通量测序和单分子测序， 通过这些技术可以快速、准确地测定生物体的基因序列。
测序应用
基因组测序在医学、农业、生物多样性等多个领域都有广泛应用，如 疾病诊断、药物研发、作物育种等。
生物信息学ppt课件
目录
• 生物信息学概述 • 生物信息学的主要研究领域 • 生物信息学技术与方法 • 生物信息学的应用前景 • 生物信息学的挑战与展望 • 案例分析
01 生物信息学概述
定义与特点
定义
生物信息学是一门跨学科的学科，它利用计算机科学、数学和工程学的原理、 技术和方法，对生物学数据进行分析、解释和利用，以解决生物学问题。
《生物信息学介绍》PPT课件
9. 生物信息学分析（如cluster 算法、差异基因的 同源性比对，差异基因的相关文献检索等）
基因芯片应用
• 基因表达检测
– 特异性相关的基因：差异表达的基因 – 基因功能研究 – 健康状况的检测 – 毒理学研究 – 药物作用机制的研究
• 定位克隆 • 基因突变和多态性检测 • 确定重叠群克隆的排序
基因芯片流程（二）
6. 图象处理（采用专门软件，对图象进行分析， 提取每个点上的数字信号），得到原始数据表。
7. 数据校正和筛选（对cy5或cy3信号进行校正， 消除实验或扫描等各环节因素对数据的影响， 同时利用筛选规则对数据中的“坏点”，“小 点”，“低信号点”进行筛选，并作标记。）
8. 差异表达基因的确定（采用ratio值对差异基因 进行判断，或采用统计方法如线性回归、主成 分分析、调整P值算法等对差异基因进行统计 推断）
• cDNA 芯片相关的数据管理和分析
实验室信息管理系统 基因表达公共数据库
• 分子进化
研究分类
• 序列分析 • 不基于序列的研究
–生物芯片的基因表达谱分析 –全基因组关联分析 –基因调控网络的反向工程研究
数据挖掘技术在生物信息学的应用
• 异质、分布式基因组数据的语义综合 • DNA序列的相似性查找和比较 • 关联分析：识别基因序列的共发生性 • 路径分析：在疾病发展的不同阶段的相
的机理和疾病发生的分子机制
• 人类基因组计划（Human Genome PROJECT, HGP)
1986年Americian Rensto Dulbecco 《Science》
阐明人类基因组的全部核苷酸序列，从整体上破译人类 遗传信息，在分子水平全面认识自我
近期任务
• 大规模基因组测序中的信息分析 • 新基因和新SNPS(单核苷酸多态性)的发
基因芯片应用
• 基因表达检测
– 特异性相关的基因：差异表达的基因 – 基因功能研究 – 健康状况的检测 – 毒理学研究 – 药物作用机制的研究
• 定位克隆 • 基因突变和多态性检测 • 确定重叠群克隆的排序
基因芯片流程（二）
6. 图象处理（采用专门软件，对图象进行分析， 提取每个点上的数字信号），得到原始数据表。
7. 数据校正和筛选（对cy5或cy3信号进行校正， 消除实验或扫描等各环节因素对数据的影响， 同时利用筛选规则对数据中的“坏点”，“小 点”，“低信号点”进行筛选，并作标记。）
8. 差异表达基因的确定（采用ratio值对差异基因 进行判断，或采用统计方法如线性回归、主成 分分析、调整P值算法等对差异基因进行统计 推断）
• cDNA 芯片相关的数据管理和分析
实验室信息管理系统 基因表达公共数据库
• 分子进化
研究分类
• 序列分析 • 不基于序列的研究
–生物芯片的基因表达谱分析 –全基因组关联分析 –基因调控网络的反向工程研究
数据挖掘技术在生物信息学的应用
• 异质、分布式基因组数据的语义综合 • DNA序列的相似性查找和比较 • 关联分析：识别基因序列的共发生性 • 路径分析：在疾病发展的不同阶段的相
的机理和疾病发生的分子机制
• 人类基因组计划（Human Genome PROJECT, HGP)
1986年Americian Rensto Dulbecco 《Science》
阐明人类基因组的全部核苷酸序列，从整体上破译人类 遗传信息，在分子水平全面认识自我
近期任务
• 大规模基因组测序中的信息分析 • 新基因和新SNPS(单核苷酸多态性)的发
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
– 广义：指下列所有的序列功能特征区域代表形式。一致性序列即是一种 序列模型，它能够从已观测到的序列字符出现的频率来预测还未观测到 的序列字符出现的频率。由于模型允许查询序列中出现部分匹配的情况， 因此常用来发现远源序列家族成员，增加分析的敏感性。 – 狭义：a single string with the most likely sequence (+/- wildcards)
• Correctness Evaluation of representation
• Mainly Storage Database for motifs/domains and their representations • How to detect/summarize motifs/domains in sequences
Previous lecture
• Tips of Blast Search
– Evaluate the significance of your results
• View the E value, Bit Scores and Coverage region • Sometimes need a reciprocal BLAST
13
/cgi/content/full/OC_sigtrans; 2001/113/re22
Question 2
How to represent these “functional region” (motifs/domains) in sequences?
14
Outline for this lecture
• Advanced Blast
– MegaBLAST is suit for the alignments of about 95% identities within the same or closely related species. – PSI-BLAST is used to get more target sequences and allow the user to select sequences to build the PSSM for the next PSI-BLAST iteration – PHI-BLAST is used to limits alignments to those that match a pattern in the query
• Mainly Storage Database for motifs/domains and their representations • How to detect/summarize motifs/domains in sequences
15
Four representation
• Consensus sequence (一致性序列)
Generally we call them sequence motif or sequence domain.
7
Outline for this lecture
• Terms (术语) of functional region in sequences • Representation (表示形式）of functional region (motifs/domains) in sequences
– a list of the nucleotide/amino acid frequencies/probability value/weight at each position
谱是指序列特征区域每一个位点上核苷酸/氨基酸残基的频率/概率值/权重。
• Hidden Markov Model (HMM, 隐马可夫模型)
• Main software for MSA
– ClustalW/X, T-coffee, MUSCLE… 2
Lect 6 特征序列的发现、总结与预测
凌毅 bioinfo_cau@
3
Pre-Question
• What is protein family? • How they were detected? • Let us find the answer in Wikipedia, the free encyclopedia using google search
– Use Request ID to recall the recent blast result within 24h
– View different reports of the blast result such as taxonomy report, search summary etc. – Adjust the Blast strategy, if the results are more/less…
• Sequences share common motifs do not directly mean they have the common ancient (homolog,同系 物/同源物).
9
Term
domain (结构域)
• Also a conserved sequence region, defined as an independent functional or structural unit. The combination of domains in a single protein determined its overall function. 结构域是蛋白质中有着特定功能/独立结构的保 守序列区域。而整个蛋白质的功能由其所含有 的多个结构域共同决定。 • Could consist of 40-700 residues, average length: 100 residues
5
序列中的 Functional region
6
In this lecture, “functional region” is defined broadly refers to subsequences of large sequences that share some common functionality.
1
Previous lecture II
• Multiple Sequence Alignment
– Definition: 3 or more sequences are partially or completely aligned. Resides in the same column means homologous, evolutional and structural meaning – Properties (usually use protein sequence for MSA, not necessary a “correct” alignment of protein family) – Features (conserved position must be important for maintain its structure/function, conserved region like hydrophobicity/hydrophilicity motif or helix/sheet motif, consistent patterns of insertions or deletions (indels) – Use of MSA (more sensitive in detecting homologs than pairwise alignment, could find functional/structural conserved residues or region in the sequences,…) – Methods to do MSA • Exhaustive or heuristic algorithms – dynamic programming, progressive, iterative, consistency-based, structure-based • Three stages of construct MSA using progressive methods – Global pairwise alignment, making guide tree, progressive align the sequence according to the order of guide tree
• Terms (术语) of functional region in sequences • Representation (表示形式）of functional region (motifs/domains) in sequences
• Correctness Evaluation of representation
8
Term
motif (模体、基序)
• A short conserved region in a DNA or protein sequence which associated with distinct functions. • Average length: 10-20, or even shorter • In proteins, motif refers to highly conserved parts of domains, but a domain may or may not include motifs within its boundaries.
10
Question1
Which part of DNA/protein sequence could form “functional region”?
11
Motifs in DNA/RNA
Domain/motifs Motifs/Domains in protein
• Correctness Evaluation of representation
• Mainly Storage Database for motifs/domains and their representations • How to detect/summarize motifs/domains in sequences
Previous lecture
• Tips of Blast Search
– Evaluate the significance of your results
• View the E value, Bit Scores and Coverage region • Sometimes need a reciprocal BLAST
13
/cgi/content/full/OC_sigtrans; 2001/113/re22
Question 2
How to represent these “functional region” (motifs/domains) in sequences?
14
Outline for this lecture
• Advanced Blast
– MegaBLAST is suit for the alignments of about 95% identities within the same or closely related species. – PSI-BLAST is used to get more target sequences and allow the user to select sequences to build the PSSM for the next PSI-BLAST iteration – PHI-BLAST is used to limits alignments to those that match a pattern in the query
• Mainly Storage Database for motifs/domains and their representations • How to detect/summarize motifs/domains in sequences
15
Four representation
• Consensus sequence (一致性序列)
Generally we call them sequence motif or sequence domain.
7
Outline for this lecture
• Terms (术语) of functional region in sequences • Representation (表示形式）of functional region (motifs/domains) in sequences
– a list of the nucleotide/amino acid frequencies/probability value/weight at each position
谱是指序列特征区域每一个位点上核苷酸/氨基酸残基的频率/概率值/权重。
• Hidden Markov Model (HMM, 隐马可夫模型)
• Main software for MSA
– ClustalW/X, T-coffee, MUSCLE… 2
Lect 6 特征序列的发现、总结与预测
凌毅 bioinfo_cau@
3
Pre-Question
• What is protein family? • How they were detected? • Let us find the answer in Wikipedia, the free encyclopedia using google search
– Use Request ID to recall the recent blast result within 24h
– View different reports of the blast result such as taxonomy report, search summary etc. – Adjust the Blast strategy, if the results are more/less…
• Sequences share common motifs do not directly mean they have the common ancient (homolog,同系 物/同源物).
9
Term
domain (结构域)
• Also a conserved sequence region, defined as an independent functional or structural unit. The combination of domains in a single protein determined its overall function. 结构域是蛋白质中有着特定功能/独立结构的保 守序列区域。而整个蛋白质的功能由其所含有 的多个结构域共同决定。 • Could consist of 40-700 residues, average length: 100 residues
5
序列中的 Functional region
6
In this lecture, “functional region” is defined broadly refers to subsequences of large sequences that share some common functionality.
1
Previous lecture II
• Multiple Sequence Alignment
– Definition: 3 or more sequences are partially or completely aligned. Resides in the same column means homologous, evolutional and structural meaning – Properties (usually use protein sequence for MSA, not necessary a “correct” alignment of protein family) – Features (conserved position must be important for maintain its structure/function, conserved region like hydrophobicity/hydrophilicity motif or helix/sheet motif, consistent patterns of insertions or deletions (indels) – Use of MSA (more sensitive in detecting homologs than pairwise alignment, could find functional/structural conserved residues or region in the sequences,…) – Methods to do MSA • Exhaustive or heuristic algorithms – dynamic programming, progressive, iterative, consistency-based, structure-based • Three stages of construct MSA using progressive methods – Global pairwise alignment, making guide tree, progressive align the sequence according to the order of guide tree
• Terms (术语) of functional region in sequences • Representation (表示形式）of functional region (motifs/domains) in sequences
• Correctness Evaluation of representation
8
Term
motif (模体、基序)
• A short conserved region in a DNA or protein sequence which associated with distinct functions. • Average length: 10-20, or even shorter • In proteins, motif refers to highly conserved parts of domains, but a domain may or may not include motifs within its boundaries.
10
Question1
Which part of DNA/protein sequence could form “functional region”?
11
Motifs in DNA/RNA
Domain/motifs Motifs/Domains in protein