PAM Margaret Dayhoff
Accepted Point Mutations accepted by natural selection.
Figura 1.
Numbers of accepted point mutations 260
Mutability of Amino Acids
Mutation probability matrix for the evolutionary distance of 1 PAM. 21
In this Matrix, the score for changing Phe for Tyr was PAM250 = was divided by the frequency of Phe in the sequence data, /0.04 =3.75 Log(3.75) = x 10 =5.7
Similarly the Tyr to Phe 0.20/0.03 = 6.7 Log(6.7) = x 10 = 8.3 The average of 5.7 and 8.3 is 7 The number entered in the log odds table for changes between Phe and Tyr at 250 PAMs.
PAM 250
MATRICES BLOSUM Henikoff and Henikoff 1992 Matrices estadísticas se utilizan tanto para identificar las secuencias en la base de datos cómo para estimar su significancia biológica.
Los algoritmos de alineamientos local identifican las regiones compartidas por dos secuencias que son más similares entre sí. Entonces, dominios de enlace de calcio homólogos embebido en proteínas no homólogas, exones en una secuencia genómica de ADN si se alinea con sus secuencia de ARNm.
"high-scoring segments pairs, HSPs". Durante los procesos de búsqueda y extensión se hace uso de matrices de sustitución. Entonces las secuencias reportadas serán aquellas que posean los puntajes totales más altos ("maximal-scoring segment pair, MSP").
BLOSUM (Block amino acid Substitution Matrices) Sin modelo evolutivo. Bloques de secuencias. sin gaps que incluye homólogos lejanos Basado en 2000 bloques de sec conservadas de aa, perteneciente a 500 fam relacionadas Para BLOSUM n, las secuencias con identidad > de n% se agrupan y cuentan como una sola. A mayor BLOSUM, menor distancia. Típicas: BLOSUM 62, 50, 30.
matrices log odds (logaritmo base 2) de las frecuencias de pares que se presentan en la columnas de los bloques analizados: S ab = log (q ab / е ab ) Frecuencia de ocurrencia de un aa se encuentre en un par : pi = qii + Σ qij/2 i=j
Frecuencia esperada de que los pares ocurran juntos: ε = pi *pi si i=j ε = 2pi*pj si i=j
Calculo de una matriz BLOSUM, ejemplo tomado y modificado de Henikoff and Henikoff 1992 GHGKKVADADLL AHGKKVLGADGL GHGKKVADADLL AHGKKVLGADGL GHGKKVADADLL AHGKKVLGSDGL GHGKKVADADLL AHGKKVLGADGL GHGKKVADADLL AHGKKVLGADGL bloque de secuencias (sección de una alineación local que no posee espacios) calcula el número de pares posibles en una columna como no se conoce el aminoácido ancestral, se deben tomar todos los pares posibles. En el caso del ejemplo, existen 36 pares para AA (fAA) y 9 para SA (fAS).
Para calcular los valores de una matriz BLOSUM, necesitamos las frecuencias de los pares qab (ver formula), que en este caso qAA = fAA/(fAA+ fAS) = 36/36+9 = 0.8 y qAS = fAS/(fAA+ fAS) = 9/36+9 = 0.2 La frecuencia de que A se encuentre en par. pA = (qAA + qAS/2) = /2 = 0.9 y la frecuencia esperada de S es pS = (qAS/2) = 0.2/2 = 0.1 Así mismo, necesitamos conocer la frecuencia esperada de los pares AA y AS, la cual se calcula: eAA = PA x PA = 0.9 x 0.9 = 0.81 y eAS = 2 x PS x PA = 2 x 0.1 x 0.9 = 0.18
Por último, calculamos el logaritmo (base 2) del radio de las frecuencias (qab / eab) y se multiplica por dos para trabajar con unidades de ½ de bit. En el ejemplo, S AA = log2 (qAA/eAA) = log2 (0.80/0.81) = y S AS = log2 (qAS/eAS) = log2 (0.2/0.18) = 0.30
El resultado de todo esto es que, en BLOSUM62 vemos que D - > E (aspártico -> glutámico, ambos ácidos) tiene una puntuación positiva de +2, mientras que D -> L (aspártico -> leucina, ácido a hidrofóbico) tiene un valor negativo de -4. Esto nos indica que en los alineamientos utilizados para construir la matriz BLOSUM62, se observó con mayor frecuencia de la esperada el cambio D->E, no así el cambio D->L.
Algunos de los residuos cuya conservación parece más importante son el W (11), la C (9), la H (8), la P (7), etc. (diagonales)
FILTROS secuencias de baja complejidad (filtro SEG para aminoácidos y filtro DUST para nucleótidos: enmascara con X secuencias repetitivas (filtro XNU): se aplica a secuencias con cortas repeticiones. secuencias de coiled-coils (filtro COILS): se aplica a secuencias de coiled-coils. Éstas, al tener una periodicidad (suelen tener una Leu o una Ile cada 7 residuos) pueden dar buenas puntuaciones con otras proteínas que también adopten coiled-coils, sin que por ello compartan un origen evolutivo común (sin que sean homólogas).
Extras… valor por omisión del programa Blastn es de 11 letras excluir homologos que divergen moderadamente, azar FASTA que les permite ignorar (i.e. que no aparezcan en el output) secuencias altamente similares al query. ktup en FASTA es el parámetro que indica el tamaño de la palabra utilizada en esta búsqueda inicial FASTA utiliza por default ktup=2, mientras que BLAST utiliza ktup=3. FASTA sólo considera identidades respecto a la palabra, mientras que BLAST utiliza identidades y sustituciones conservativas
Por default, BLAST filtra secuencias de baja complejidad o repeticiones. FASTA no! afectar la capacidad de discriminar falsos positivos
Heurísticas de BLAST y FASTA Estos métodos son muy rápidos. Básicamente utilizan los siguientes "truquillos": tablas de dispersión: en lugar de representar una secuencia como tal, utilizan una tabla tal que: posición : secuencia X: TCAGACGATTG Tabla de disperisón de X: A 3, 5, 8 C 2, 6 G 4, 7, 11 T 1, 9, 10