Cours Bioinformatique
S1
Alignement de séquences
L’algorithme BLAST
Pr Amal Maurady
2020-2021
2
Objectif de alignement de séquence
C’est un outil d’identification de géne ou
séquence qui permet :
Comparer 2 séquences : pour connaitre les
régions similaires et les régions différentes
Identifier les mutations qui sont du à
radiations ou évolution de espèce, effet
externe,
OGM : organisme génétiquement modifiable
Déterminer l’homologie dans de protéines
Déterminer espèce
3
Séquences d’ADN
FMR1, SMR1 et SMR2 c est trois gènes impliqués dans
la transcription c est a dire la reproduction sexuelle des
champignons
4
Sequence codante d’un gène (aussi appelée la région codante
ou CDS, pour Coding DNA Sequence), est la partie de l’ADN ou de
l’ARN d'un gène, composée des exons, traduite en protéine. Elle ne
représente donc qu'une partie du gène duquel elle provient, de
même que de l'ARNm dans laquelle elle est inscrite.
5
Problématiques Bioinformatiques
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?
6
Pourquoi rechercher des séquences
dans les banques?
Identifier des protéines homologues:
Orthologue: organisme différents :
Paralogue: organisme identiques :
Déterminer si des séquences ont une
fonction similaire ou proche.
Déterminer des familles des protéines ayant
un domaine conservé.
7
Des genes homologues : c’est des genes ayant un
ancetres commun.
Homéologie : ce sont des regions chromosomiques
ou genes qui ont été homologues qui ont divergé
8
Localiser des régions codantes et non
codantes
Aligner des séquences génomiques ADN et
des séquences exprimées (cDNA, EST)
Déterminer la similarité entre les séquences
9
Exemple de séquence :
10
Un alignement permet :
De superposer deux séquences et de trouver soit :
[Link] les caractères sont les mêmes: une Identité
2. Si les caractères ne sont pas les mêmes: une
Substitution
[Link] l 'une des position est un espace: Insertion/
délétion
11
Homologue & Similaire
Le pourcentage de Similarité (%) = Présence
d'un ensemble de position identiques et
conservatives dans deux séquences
Deux séquences sont Homologues = fait
référence à une parenté évolutive entre
séquences
12
Acides aminées identique : M-M
Acides aminées conservés :
CODONS DU MEME ACIDE AMINEES
DES AA qui sont proches dans la forme, la
charge,……
Hydrophobes : A –V - M
Chargées négatif : Asp (D) ; Glu (E),
Chargées positif :K-R-H
Aromatique : W, F, Y
13
14
Matrices d’alignements
Matrice BLOSUM (BLOcks SUbstitutions
Matrices)
La matrice PAM souffre du choix restringent
des familles de protéines
pour calculer les probabilités p(A--->G)
15
Matrice BLOSUM 62
Score positif pour les identités,
et négatif pour les mismatchs
16
17
18
Alignement de séquences
Alignement global:
Seq1
Seq2
Alignement local:
Seq1
Seq2
Recherche de motif:
Seq1
Seq2
19
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
CAGCACTTGG ATTCTCGG
TAGTTTAGGTGGCAT
Score final= somme de 18 score
CAGCAC TT – GG AT TCTCGG
ll 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) 20
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
21
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 tout ce qui
est intéressant sur le plan biologique
Problème des Faux-Négatifs
22
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
23
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…}
24
25
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
26
SLAALLNKC
TLAASVLDC
27
Le HSP (High scoring segment) 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
28
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)
29
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.
30
Comparaison d’une séquence à celles
d'une BD données:
Objectif : Trouver des séquences similaires avec une
signification biologique
Lorsque l'alignement est fait sur au moins 70% de la
séquence:
Des séquence sont homologues au delà de 70% de
similarité, mais cela reste à confirmer par d'autres
hypothèses: présence de motifs communs.....
Si la E-value est très faible (<10-20), nous avons une
similarité entre les séquences.
31
32
On choisit son BLAST
La page d’entrée NCBI BLAST
[Link]
33
Où trouver les outils de bioinformatique ?
Outils indépendants, autonomes, en accès libre via internet (soit à
utiliser en ligne, soit à télécharger sous forme d’installeurs).
on les recherche par l’intermédiaire d’un moteur de recherche
Portails de bioinformatiques, fonctionnant en ligne, et comportant
plusieurs outils en accès libre ou payant.
Exemples :
- EBI (European Bioinformatics Institute)
[Link]
- NCBI (National Center for Biotechnology Information)
[Link]
Initiation à la bioinformatique – 20 mars 2013
Le portail NCBI
Où trouver les outils de bioinformatique ?
Le logiciel BLAST accessible depuis le portail
37
On entre la séquence à chercher
38
Choisir la banque de données dans laquelle on veut
faire la recherche
39
On a soumis et on attend les résultats
40
Les résultats
41
Les résultats: vue graphique 42
43
44
45
Travaux Dirigés : Logiciel Blast
Les travaux dirrigés de ce cours sont joint en fichier pdf
46
Problématiques Bioinformatiques
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?
47
48
