Sesion07 A

Alineamiento múltiple de secuencias
Dr. Eduardo A. R ODRÍGUEZ T ELLO
C INVESTAV-Tamaulipas
11 de junio del 2013
Dr. Eduardo R ODRÍGUEZ T. (C INVESTAV) Alineamiento múltiple de secuencias 11 de junio del 2013 1 / 39
1 Alineamiento múltiple de secuencias
Introducción
Función de puntuación
Algoritmos exhaustivos
Algoritmos heurísticos
Alineamiento múltiple de secuencias Introducción

Introducción
Introducción
Una extensión natural del alineamiento de pares de secuencias

es el alineamiento múltiple, el cual consiste en alinear diversas
secuencias relacionadas para lograr la mejor coincidencia entre
las secuencias
Como vimos la clase pasada la búsqueda de similitud en BD

puede devolver como resultado un grupo de secuencias
relacionadas con la secuencia consulta (en pares)
A menudo es necesario convertir esos númerosos alineamientos

de pares en un solo alineamiento (múltiple), el cual permite
identificar posiciones evolutivas equivalentes en todas las
secuencias
Introducción
La gran ventaja del alineamiento múltiple de secuencias (AMS) es

que permite revelar mucha más información biológica que un
grupo de alineamientos de pares
El AMS es importante tiene aplicaciones importantes:

Análisis filogenético
Predicción de la estructura secundaria y terciaria de proteínas ...
Introducción
En teoría es posible usar la programación dinámica para alinear

cualquier número de secuencias, sin embargo el tiempo de
cálculo y la memoria requerida aumenta exponencialmente
En la práctica los enfoques heurísticos son los más utilizados
Alineamiento múltiple de secuencias Función de puntuación

Introducción
El AMS consiste en acomodar las secuencias de forma tal que el

máximo número de residuos de cada secuencia coincidan de
acuerdo a una función de puntuación (scoring function) particular
La función de puntuación para el AMS está basada en el

concepto de suma de pares (SP)
Como su nombre lo indica, es la suma de la puntuación de todos

los posibles pares de secuencias en un AMS utilizando una matriz
de puntuación particular
Alineamiento múltiple de secuencias Algoritmos exhaustivos

Introducción
Estas técnicas implican el alineamiento de todos los posibles

alineamientos de manera simultánea y similar a como se realiza
en la programación dinámica
Por lo tanto, implican la construcción de una matriz

multidimensional, e.g. para alinear tres secuencias (k = 3) se
requiere de construir una matriz tridimensional
Finalmente se debe llevar a cabo un seguimiento a lo largo de las

k dimensiones para encontrar el camino que represente el mejor
alineamiento posible
Suelen limitarse a pequeños conjuntos de secuencias (k < 10)
La complejidad computacional es O(N k ) (k , núm. de secuencias)

1e+15
Complejidad
9e+14
8e+14
7e+14
6e+14
N5
5e+14
4e+14
3e+14
2e+14
1e+14
0
0 100 200 300 400 500 600 700 800 900 1000
N
Para N = 1000 y k = 5 la complejidad es 1.0E+15
Usando una computadora que ejecute 1 millón de operaciones

cada segundo tardaría 277777.78 horas (11574.07 días, 31.71
años)
La alternativa es usar métodos heurísticos
Alineamiento múltiple de secuencias Algoritmos heurísticos

Introducción
Existen tres tipos de algoritmos heurísticos:

Alineamiento progresivo
Alineamiento iterativo
Alineamiento basado en bloques
Método de alineamiento progresivo
Este método va ensamblando progresivamente alineamientos de

pares para formar un AMS
Primero se lleva a cabo un alineamiento global de pares de

secuencias usando el algoritmo de Needleman-Wunsch
Con los resultados se crea una matriz de distancias, está permite

ver la relación evolutiva de la secuencia con las demás
Se realiza un análisis filogenético simple, dando como resultado

la creación de un árbol filogenético (árbol guía)
Este árbol refleja la proximidad entre todas las secuencias y es

empleado para realizar un reajuste de las secuencias
Las dos secuencias más relacionadas son realineadas usando el

algoritmo de Needleman-Wunsch convirtiéndose en un secuencia
(consenso)
Este proceso se continúa hasta que todas las secuencias quedan

alineadas
Clustal (http://www.ebi.ac.uk/Tools/msa/clustalw2) es un
programa que utiliza el método de alineamiento progresivo
Algorithm 1: Método de alineamiento progresivo

Data: N secuencias
Result: Alineamiento de las N secuencias
1 begin
2 Construir la matriz de distancias
/* Árbol guía */
3 Construir el árbol filogenético usando Neighbor-Joining
4 while no estén alineadas todas las secuencias do
5 Alinear las secuencias más relacionadas
6 Reducir las secuencias alineadas
7 end
8 end
Método de alineamiento progresivo (Ejemplo)
Se realizan todos los alineamientos de pares de secuencias y se

construye la matriz de distancias
Método de alineamiento progresivo (Ejemplo...)
Se calcula un árbol guía con los pares más próximos: C, D y A, B
Se alinean C, D y A, B por separado usando programación

dinámica
Los alineamientos C, D y A, B se reducen a secuencias consenso

las cuales se alinean entre ellas
Se crea un nuevo consenso para C, D, A, B el cual se alinea con

E con lo que se completa el AMS
Para este ejemplo con Clustal

(http://www.ebi.ac.uk/Tools/msa/clustalw2) se utilizarán las
secuencias de proteínas siguientes:
NP_006735.2
BAB25881.1
NP_001638.1
MUP4_MOUSE
P0A901
Método de alineamiento progresivo, limitantes
El método de alineamiento progresivo presenta algunas limitantes:

Este método no es adecuado para comparar secuencias de
diferentes longitudes (global)
El resultado final proporcionado por éste también se ve muy

influenciado por el orden de las secuencias
Debido a la naturaleza codiciosa (greedy) del método el resultado

depende del alineamiento inicial de pares de secuencias
(propagación de errores)
Si las dos primeras secuencias son muy similares, el alineamiento
base contendrá pocos errores
Si las dos secuencias son muy divergentes los errores y los huecos
se irán propagando
Método de alineamiento progresivo, T-Coffee
T-Coffee (Tree-based Consistency Objective Function for

alignment Evaluation, http://www.ebi.ac.uk/Tools/msa/tcoffee)
realiza alineamiento progresivo al igual que Clustal
La principal diferencia radica en que T-Coffee realiza un

alineamiento de pares tanto local como global
Para el alineamiento global usa Clustal mientras que para el

alineamiento local usa Lalign
(http://www.ch.embnet.org/software/LALIGN_form.html)
Método de alineamiento progresivo, T-Coffee...
Los resultados de estas dos alineaciones son almacenadas para

formar una biblioteca
Para cada par de residuos en cada par de secuencias se calcula

una puntuación de consistencia para los alineamientos globales y
locales
Cada alineamiento de pares se alinea con una tercera posible

secuencia
El resultado es usado para refinar el alineamiento de pares

original en un proceso llamado extensión de la biblioteca
Basado en el refinamiento de alineamiento de pares se construye

una matriz de distancias para obtener un árbol guía
Finalmente se utiliza este árbol para realizar un AMS mediante el

enfoque progresivo
Algorithm 2: Algoritmo T-Coffee

Data: N secuencias
Result: Alineamiento de las N secuencias
1 begin
2 Alineamiento de pares de secuencias (Clustal y Lalign)
3 Construcción de la librería
4 Calcular la matriz de distancias
5 Crear el árbol guía mediante mediante Neighbor-Joining
6 Construir el alineamiento múltiple siguiendo el árbol
7 end
Método de alineamiento progresivo, Ejemplo T-Coffee
Para este ejemplo usaremos las secuencias de proteínas siguientes y

T-Coffee (http://www.ebi.ac.uk/Tools/msa/tcoffee):
NP_006735.2
BAB25881.1
NP_001638.1
MUP4_MOUSE
P0A901
Método de alineamiento iterativo
Este tipo de métodos se basan en la idea de que la solución

óptima a un problema puede ser encontrada mediante la
modificación iterativa de soluciones subóptimas existentes
El proceso consiste en encontrar un alineamiento de “baja

calidad” y mejorarlo gradualmente hasta que ya no sea posible
Método de alineamiento iterativo, PRRN
PRRN (http://www.genome.jp/tools/prrn) es un
algoritmo para AMS que emplea una estrategia iterativa doble
anidada
Efectúa el AMS mediante dos conjuntos de iteraciones: la interna

y la externa
En la iteración externa, se genera un alineamiento inicial aleatorio

que es usado para derivar un árbol UPGMA (Unweighted Pair
Group Method with Arithmetic Mean, método de agrupamiento)
Método de alineamiento iterativo, PRRN...
Los pesos son posteriormente aplicados para optimizar el

alineamiento
En la iteración interna, las secuencias son aleatoriamente

divididas en 2 grupos
El alineamiento aleatorizado es usado para cada grupo en el ciclo

inicial, después de lo cual las posiciones del alineamiento en cada
grupo son fijadas
Los 2 grupos, cada uno tratado como una sola secuencia, son
entonces alineados entre ellos usando programación dinámica
global
Método de alineamiento iterativo, PRRN...
El proceso se repite de manera cíclica hasta que la puntuación

total SP (suma de pares) no se incremente
En este punto, el alineamiento resultante es usado para construir

un nuevo árbol UPGMA
Los nuevos pesos son aplicados para optimizar las puntuaciones

del alineamiento
El alineamiento optimizado es sujeto a un realineamiento en la

iteración interior
Este proceso es repetido durante varios ciclos hasta que no hay

más mejora en las puntuaciones globales del alineamiento
Método de alineamiento iterativo, Ejemplo PRRN
Método de alineamiento iterativo, Ejemplo PRRN

PRRN (http://www.genome.jp/tools/prrn):
NP_006735.2
BAB25881.1
NP_001638.1
MUP4_MOUSE
P0A901
Método basado en bloques
Las estrategias progresivas e iterativas se basan en gran medida

en alineamiento global
Por lo tanto surge la necesidad de generar estrategias para

encontrar similitudes locales
Las secuencias a alinear pueden compartir bloques más o menos

conservados, separados por regiones largas bastante menos
conservadas
Cada bloque está construido con alineamientos locales de varios

fragmentos en cada secuencia
Una vez que se han fijado los bloques se utilizan otros métodos
de alineamiento para alinear dichas regiones
Método basado en bloques, DIALIGN2
DIALIGN2 es un programa para encontrar similitudes locales
Este método rompe las secuencias en secuencias más pequeñas

y realiza todos los alineamientos de pares posibles
Los segmentos con alta puntuación son denominados bloques
Entre las diferentes secuencias, estos bloques son compilados de

manera progresiva
Método basado en bloques, Ejemplo DIALIGN2

DIALIGN2 (http://mobyle.pasteur.fr):
NP_006735.2
BAB25881.1
NP_001638.1
MUP4_MOUSE
P0A901

Sesion07 A

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Sesion07 A

Cargado por

Copyright:

Formatos disponibles

Alineamiento múltiple de secuencias

Dr. Eduardo A. R ODRÍGUEZ T ELLO

11 de junio del 2013

1 Alineamiento múltiple de secuencias

Una extensión natural del alineamiento de pares de secuencias

Como vimos la clase pasada la búsqueda de similitud en BD

A menudo es necesario convertir esos númerosos alineamientos

La gran ventaja del alineamiento múltiple de secuencias (AMS) es

El AMS es importante tiene aplicaciones importantes:

Predicción de la estructura secundaria y terciaria de proteínas ...

En teoría es posible usar la programación dinámica para alinear

En la práctica los enfoques heurísticos son los más utilizados

1 Alineamiento múltiple de secuencias

El AMS consiste en acomodar las secuencias de forma tal que el

La función de puntuación para el AMS está basada en el

Como su nombre lo indica, es la suma de la puntuación de todos

1 Alineamiento múltiple de secuencias

Estas técnicas implican el alineamiento de todos los posibles

Por lo tanto, implican la construcción de una matriz

Finalmente se debe llevar a cabo un seguimiento a lo largo de las

Suelen limitarse a pequeños conjuntos de secuencias (k < 10)

La complejidad computacional es O(N k ) (k , núm. de secuencias)

Para N = 1000 y k = 5 la complejidad es 1.0E+15

Usando una computadora que ejecute 1 millón de operaciones

La alternativa es usar métodos heurísticos

1 Alineamiento múltiple de secuencias

Existen tres tipos de algoritmos heurísticos:

Alineamiento basado en bloques

Este método va ensamblando progresivamente alineamientos de

Primero se lleva a cabo un alineamiento global de pares de

Con los resultados se crea una matriz de distancias, está permite

Se realiza un análisis filogenético simple, dando como resultado

Este árbol refleja la proximidad entre todas las secuencias y es

Las dos secuencias más relacionadas son realineadas usando el

Este proceso se continúa hasta que todas las secuencias quedan

Algorithm 1: Método de alineamiento progresivo

Se realizan todos los alineamientos de pares de secuencias y se

Se calcula un árbol guía con los pares más próximos: C, D y A, B

Se alinean C, D y A, B por separado usando programación

Los alineamientos C, D y A, B se reducen a secuencias consenso

Se crea un nuevo consenso para C, D, A, B el cual se alinea con

Para este ejemplo con Clustal

El método de alineamiento progresivo presenta algunas limitantes:

El resultado final proporcionado por éste también se ve muy

Debido a la naturaleza codiciosa (greedy) del método el resultado

T-Coffee (Tree-based Consistency Objective Function for

La principal diferencia radica en que T-Coffee realiza un

Para el alineamiento global usa Clustal mientras que para el

Los resultados de estas dos alineaciones son almacenadas para

Para cada par de residuos en cada par de secuencias se calcula

Cada alineamiento de pares se alinea con una tercera posible

El resultado es usado para refinar el alineamiento de pares

Basado en el refinamiento de alineamiento de pares se construye

Finalmente se utiliza este árbol para realizar un AMS mediante el

Algorithm 2: Algoritmo T-Coffee

Para este ejemplo usaremos las secuencias de proteínas siguientes y

Este tipo de métodos se basan en la idea de que la solución

El proceso consiste en encontrar un alineamiento de “baja

Efectúa el AMS mediante dos conjuntos de iteraciones: la interna

En la iteración externa, se genera un alineamiento inicial aleatorio

Los pesos son posteriormente aplicados para optimizar el

En la iteración interna, las secuencias son aleatoriamente