FASTA - FASTA
| Vývojáři | |
|---|---|
| Stabilní uvolnění | 36
|
| Úložiště |
|
| Operační systém | |
| Typ | Bioinformatika |
| Licence | apache2.0 |
| webová stránka |
FASTA je softwarový balíček pro sladění sekvencí DNA a proteinů, který poprvé popsali David J. Lipman a William R. Pearson v roce 1985. Jeho dědictvím je formát FASTA, který je nyní v bioinformatice všudypřítomný .
Dějiny
Původní program FASTP byl navržen pro vyhledávání podobnosti proteinových sekvencí. Kvůli exponenciálně se rozšiřujícím genetickým informacím a omezené rychlosti a paměti počítačů byly v 80. letech zavedeny heuristické metody, které zarovnaly sekvenci dotazů s celými databázemi. FASTA, publikovaná v roce 1987, přidala schopnost provádět vyhledávání DNA: DNA, přeložila vyhledávání protein: DNA a také poskytla sofistikovanější míchací program pro hodnocení statistické významnosti. V tomto balíčku je několik programů, které umožňují srovnání proteinových sekvencí a sekvencí DNA. Zvýšený výkon počítače v dnešní době umožňuje provádět vyhledávání pro detekci lokálního zarovnání v databázi pomocí algoritmu Smith – Waterman .
FASTA se vyslovuje jako „rychlé A“ a znamená „FAST-All“, protože funguje s jakoukoli abecedou, rozšířením původních nástrojů pro zarovnání „FAST-P“ (protein) a „FAST-N“ (nukleotid).
Využití
Aktuální balíček FASTA obsahuje programy pro protein: protein, DNA: DNA, protein: přeložená DNA (s posuny rámců) a uspořádané nebo neuspořádané vyhledávání peptidů. Nedávné verze balíčku FASTA obsahují speciální přeložené vyhledávací algoritmy, které správně zpracovávají chyby posunu rámců (což vyhledávání v přeložených šesti rámcích nezpracovává příliš dobře) při porovnávání údajů o nukleotidech a sekvencích proteinů.
Kromě metod rychlého heuristického vyhledávání poskytuje balíček FASTA SSEARCH, implementaci optimálního algoritmu Smith – Waterman .
Hlavním cílem balíčku je výpočet přesné statistiky podobnosti, aby biologové mohli posoudit, zda k vyrovnání pravděpodobně došlo náhodou, nebo zda jej lze použít k odvození homologie . Balíček FASTA je k dispozici na University of Virginia a Evropském institutu pro bioinformatiku .
Formát souboru FASTA použitý jako vstup pro tento software nyní do značné míry používají jiné nástroje pro vyhledávání sekvenční databáze (například BLAST ) a programy pro zarovnání sekvencí ( Clustal , T-Coffee atd.).
Metoda hledání
FASTA přebírá danou nukleotidovou nebo aminokyselinovou sekvenci a prohledává odpovídající sekvenční databázi pomocí zarovnání lokálních sekvencí k nalezení shody podobných databázových sekvencí.
Program FASTA sleduje převážně heuristickou metodu, která přispívá k vysoké rychlosti jeho provádění. Zpočátku sleduje vzorec slovních zásahů, shod mezi slovy a slovy dané délky a označuje potenciální shody, než provede časově náročnější optimalizované vyhledávání pomocí algoritmu typu Smith – Waterman .
Velikost slova je dána parametrem kmer a řídí citlivost a rychlost programu. Zvýšení hodnoty k-mer sníží počet nalezených zásahů na pozadí. Ze slova, která jsou vrácena, program hledá segmenty, které obsahují shluk blízkých přístupů. Poté prozkoumá tyto segmenty pro možnou shodu.
Existují určité rozdíly mezi fastn a fastp týkající se typu použitých sekvencí, ale oba používají čtyři kroky a vypočítají tři skóre k popisu a formátování výsledků podobnosti sekvencí. Tyto jsou:
- V každém porovnání sekvencí identifikujte oblasti s nejvyšší hustotou. Vezmeme-li k-mer na rovné 1 nebo 2.
- V tomto kroku jsou pomocí vyhledávací tabulky nalezeny všechny nebo skupina identit mezi dvěma sekvencemi. Hodnota k-mer určuje, kolik po sobě jdoucích identit je požadováno pro deklarování shody. Čím je tedy hodnota k-mer menší: tím je vyhledávání citlivější. k-mer = 2 je často užíván uživateli pro proteinové sekvence a kmer = 4 nebo 6 pro nukleotidové sekvence. Krátké oligonukleotidy se obvykle spouštějí s k-mer = 1. Program poté vyhledá všechny podobné lokální oblasti , reprezentované jako úhlopříčky určité délky v bodovém grafu, mezi oběma sekvencemi spočítáním shod k-mer a penalizací za zasahující nesoulad. Tímto způsobem jsou místní oblasti s nejvyšší hustotou shod v diagonále izolovány od zásahů na pozadí. Pro proteinové sekvence se pro vyhodnocování k-mer shod používají hodnoty BLOSUM50 . Tím je zajištěno, že skupiny identit s vysokým skóre podobnosti více přispívají k místnímu diagonálnímu skóre než k identitám s nízkým skóre podobnosti. Nukleotidové sekvence používají matici identity ke stejnému účelu. Poté se uloží 10 nejlepších regionů vybraných ze všech diagonál dohromady.
- Znovu prohledejte oblasti pořízené pomocí bodovacích matic. ořezávání konců regionu tak, aby zahrnovalo pouze ty, které přispívají k nejvyššímu skóre.
- Znovu prohledejte 10 zabraných oblastí. Tentokrát použijte příslušnou skórovací matici při překódování, abyste povolili běhy identit kratší než hodnota k-mer. Rovněž se přehodnocují konzervativní náhrady, které přispívají ke skóre podobnosti. Ačkoli proteinové sekvence používají matici BLOSUM50 , lze v programu použít také bodovací matice na základě minimálního počtu změn bází požadovaných pro konkrétní náhradu, na identitách samotných nebo na alternativním měřítku podobnosti, jako je PAM . Pro každou z diagonálních oblastí znovu naskenovaných tímto způsobem je identifikován podoblast s maximálním skóre. Počáteční skóre nalezená v kroku 1 se použijí k seřazení sekvencí knihovny. Nejvyšší skóre se označuje jako skóre init1 .
- Při zarovnání, pokud je nalezeno několik počátečních oblastí se skóre vyšším než hodnota CUTOFF, zkontrolujte, zda lze ořezané počáteční oblasti spojit a vytvořit tak přibližné zarovnání s mezerami. Vypočítejte skóre podobnosti, které je součtem spojených regionů penalizujících za každou mezeru 20 bodů. Toto počáteční skóre podobnosti ( initn ) se používá k hodnocení sekvencí knihovny. Je zaznamenáno skóre jediné nejlepší počáteční oblasti nalezené v kroku 2 ( init1 ).
- Zde program vypočítá optimální zarovnání počátečních oblastí jako kombinaci kompatibilních oblastí s maximálním skóre. Toto optimální zarovnání počátečních oblastí lze rychle vypočítat pomocí algoritmu dynamického programování. Výsledné skóre initn se použije k seřazení sekvencí knihovny. Tento proces spojování zvyšuje citlivost, ale snižuje selektivitu. Pečlivě vypočítaná mezní hodnota se tedy používá ke kontrole, kde je tento krok implementován, hodnota, která je přibližně o jednu standardní odchylku nad průměrným skóre očekávaným od nesouvisejících sekvencí v knihovně. Sekvence dotazů s 200 zbytky s k-mer 2 používá hodnotu 28.
- Pomocí páskovaného algoritmu Smith – Waterman vypočítejte optimální skóre pro zarovnání.
- Tento krok používá pásmový algoritmus Smith – Waterman k vytvoření optimalizovaného skóre ( opt ) pro každé zarovnání sekvence dotazu se sekvencí databáze (knihovny). K výpočtu optimálního zarovnání je zapotřebí pás 32 zbytků se středem v oblasti init1 kroku 2. Poté, co jsou prohledány všechny sekvence, program vykreslí počáteční skóre každé databázové sekvence do histogramu a vypočítá statistickou významnost „opt“ skóre. U proteinových sekvencí je konečné zarovnání vytvořeno pomocí úplného zarovnání Smith -Waterman . Pro sekvence DNA je poskytnuto páskové zarovnání.
FASTA nemůže odstranit oblasti s nízkou složitostí před zarovnáním sekvencí, jak je to možné s BLAST. To může být problematické, protože když dotazovací sekvence obsahuje takové oblasti, např. Mini- nebo mikrosatelity, které často opakují stejnou krátkou sekvenci, zvyšuje to skóre neznámých sekvencí v databázi, které se shodují pouze v těchto opakováních, které se vyskytují poměrně často. Program PRSS je proto přidán do distribučního balíčku FASTA. PRSS zamíchá odpovídající sekvence v databázi buď na úrovni jednoho písmene, nebo zamíchá krátké segmenty, jejichž délku může uživatel určit. Zamíchané sekvence jsou nyní znovu zarovnány a pokud je skóre stále vyšší, než se očekávalo, je to způsobeno tím, že oblasti s nízkou složitostí jsou smíchány a stále mapovány na dotaz. Podle výše skóre mohou míchané sekvence stále dosahovat PRSS a nyní mohou předpovídat význam skóre původních sekvencí. Čím vyšší je skóre náhodných sekvencí, tím méně významné jsou shody mezi původní databází a sekvencí dotazu.
Programy FASTA nacházejí oblasti místní nebo globální podobnosti mezi sekvencemi proteinů nebo DNA, a to buď prohledáváním proteinových nebo DNA databází, nebo identifikací lokálních duplikací v rámci sekvence. Jiné programy poskytují informace o statistické významnosti vyrovnání. Stejně jako BLAST lze FASTA použít k odvození funkčních a evolučních vztahů mezi sekvencemi a také k identifikaci členů genových rodin.
Viz také
- VÝBUCH
- Formát FASTA
- Sekvenční zarovnání
- Software pro zarovnání sekvencí
- Nástroj pro profilování sekvencí
