Алгоритмы и программы множественного выравнивания

Используемое для сравнения MSA семейство доменов

Я выбрала семейство доменов с параметрами:

• AC: PF16661
• ID: Lactamase_B_6
• Summary name: Metallo-beta-lactamase superfamily domain

Сравнение выравниваний одних и тех же последовательностей тремя разными программами Muscle, Mafft, Tcoffee

Я воспользовалась программой MACHO, которую написали Нагорный Даниил, Гагарочкин Виталий и Масленников Всеволод.

Tcoffee VS Muscle

Tcoffee VS Mafft

Обсуждение результатов

Из таблицы1 и таблицы2 видно, что сходства между выравниями Tcoffee и Muscle больше, чем между Tcoffee и Mafft. Также одинаково выравненных колонок в паре Tcoffee VS Mafft хоть не намного, но больше, чем в паре Tcoffee VS Muscle. Как видно из списков блоков, в целом, много блоков одинаково выравнены во всех трех выравниваниях. При этом блоков в первой паре выравниваний, которых нет во втором выравниии((72,73)=(74,75) (141,144)=(163,166) (177,178)=(192,193) (218,236)=(231,249) (258,266)=(266,274)), больше, чем тех которые есть во второй паре, но нет в первой((149,153)=(166,170)) (пренебрегаем разницей в несколько позиций и отмечаем только полностью неперкрывающиеся блоки). Mafft работает быстрее чем Muscle, и возможно за счет этого точность получилась ниже.

Выравнивание по совмещению структур и сравнение его с выравниванием программой MSA

Из выбранного мной семейства были взяты 3 белка с известной структурой: 3AF5, 2I7X, 6Q55.

Было проведено выравнивание 3D струтур с референсом 3AF5 (рис1). Большая часть альфа спиралей и бета листов совпали, однако у 3AF5 есть достаточно большой фрагмент, который не выравнился ни с какими струтурами двух других белков (если посмотреть на последовательности, окажется, что 3AF5 существенно длиннее двух других белков, чем и обусловлены эти невыровненные альфа спирали и бета листы).
Далее сравниваем 2 выравнивания: полученное экспортом текстового файла из 3D выравнивания и выравнивание T-Coffee. Сравнивали программой MACHO, используемой в предыдущем пункте.

Получили одинаково выравненные блоки:

• (2,112)=(1,111)
• (119,173)=(118,172)
• (193,214)=(192,213)
• (220,223)=(219,222)
• (236,256)=(235,255)
• (268,289)=(268,289)
• (309,335)=(307,333)
• (338,339)=(336,337)
• (341,363)=(339,361)
• (367,389)=(365,387)
• (391,393)=(389,391)
• (419,464)=(418,463)
• (471,475)=(470,474)
• (485,505)=(483,503)
• (509,530)=(507,528)
• (532,533)=(530,531)
• (536,540)=(534,538)
• (554,575)=(553,574)
• (609,610)=(611,612)

Как видно из таблицы 3, схожесть данных выравниваний достаточно большая.

Краткое описание алгоритма T-coffee [1]

Алгоритм T-Coffee имеет две основные особенности.
Во-первых, он использует различные источники данных. Данные предоставляются в T-Coffee через библиотеку парных выравниваний. Может использоваться библиотека, которая была создана с использованием смеси локальных и глобальных парных выравниваний (рис2).
Второй основной особенностью T-Coffee является метод оптимизации, который используется для нахождения множественного выравнивания, которое лучше всего соответствует парным выравниваниям во входной библиотеке. Используется прогрессивная стратегия, которая похожа на ту, что используется в ClustalW. Но в данном случае мы используем информацию в библиотеке для выполнения прогрессивного выравнивания таким образом, который позволяет нам учитывать выравнивания между всеми парами, пока мы выполняем каждый шаг множественного выравнивания. То есть при добавлении новой последовательности, она выравнивается попарно со всеми уже выровненными. Поэтому, ошибки, которые возникали до этого, могу быть исправлены. Это дает нам прогрессивное выравнивание с характерной для него сокростью и простотой, но с гораздо меньшей тенденцией совершать ошибки (т.к. у нас есть возможность рассматривать информацию из всех последовательностей на каждом шаге выравнивания, а не только тех, которые выравниваются на этом этапе).

Литература