FASTA e BLAST

Prévia do material em texto

Alinhamento de Sequências: 
Alinhamento pairwise – FASTA e BLAST 
 
Para alinhar sequências, existem diferentes tipos de algoritmos que podem ser 
utilizados. Entre os métodos de alinhamento, estão algoritmos de programação dinâmica, o 
qual tende a quebrar a sequência em problemas menores para encontrar o melhor resultado 
de alinhamento. Entretanto, esse tipo de abordagem consome tempo, e é inviável para alinhar 
sequências muito grandes ou comparar uma sequência com várias sequências em um banco 
de dados. Alguns programas utilizam algoritmos heurísticos, os quais são utilizados em 
buscas em bancos de dados e para alinhar sequências maiores em um menor tempo, porém 
não esses algoritmos não garantem encontrar o melhor alinhamento, diferente da 
programação dinâmica. 
Embora métodos heurísticos não encontrem a solução ótima para o problema, sua 
eficiência e rapidez na busca e alinhamento de sequências em bancos de dados fazem dessas 
ferramentas as mais utilizadas em bioinformática. Métodos de palavras (words), também 
chamados de métodos k-tuple são os tipos de algoritmos heurísticos mais utilizados no 
alinhamento de sequências. 
 
FASTA (https://www.ebi.ac.uk/Tools/sss/fasta/) 
FASTA (lido “fast A”) é um algoritmo de passos múltiplos para alinhamento de 
sequências criado em 1985 por Wilbur e Lipman. Originalmente, o software foi 
desenvolvido para alinhamento de proteínas e, por tanto, era conhecido por FASTP (“fast 
protein”). Com o avanço tanto no conhecimento de genética como na área da computação, 
em 1987, foi introduzida a capacidade do software de realizar buscas por DNA e proteínas 
traduzidas, sendo então denominado de FASTA (“fast all”). O formato FASTA (Fig. 1) 
usado como entrada no software é hoje amplamente utilizado em diversos outros programas 
para alinhamento e bancos de dados de sequências. 
 
 
Figura 1. Texto em formato FASTA. Note o cabeçalho (marcado por um “>”) contendo 
informações sobre a sequência de aminoácidos. A sequência apresenta 68 caracteres em cada 
linha, exceto na última. 
 
https://www.ebi.ac.uk/Tools/sss/fasta/
Após dar entrada na sequência (o query) que se quer alinhar com bancos de dados, o 
algoritmo FASTA irá seguir os seguintes passos (Fig. 2): a) após organizar duas sequências 
em uma matriz (o query e uma sequência do banco), é realizada uma busca por locais de 
similaridades. b) K-mers (palavras) similares são pontuadas utilizando escores ou matrizes 
de similaridade. Os melhores escores são mantidos. c) Os segmentos de similaridade que 
não fazem parte do alinhamento de maior escore são eliminados. d) É utilizado um algoritmo 
de programação dinâmica (Smith-Waterman) para otimizar o alinhamento na região mais 
estreita com melhor pontuação encontrada anteriormente. 
 
 
Figura 2. Passos realizados pelo algoritmo do programa de alinhamento FASTA. Os passos 
estão descritos no texto acima. 
 
BLAST (https://blast.ncbi.nlm.nih.gov/Blast.cgi) 
O Basic Local Alignment Search Tool (ferramenta de busca para alinhamento local 
básico, BLAST) é um dos programas de bioinformática mais utilizados. Ele foi desenvolvido 
especificamente para busca alinhamento e pesquisa em bancos de dados em 1990 por 
Stephen F. Altschul e colaboradores. Na busca por sequências semelhantes àquela que 
estamos consultando (o query), podemos identificar sequências e relacioná-las 
filogeneticamente, identificar possíveis funções com base em semelhanças com sequências 
conhecidas e identificar organismos através de alinhamento de regiões altamente 
conservadas do DNA, como o rRNA. 
https://blast.ncbi.nlm.nih.gov/Blast.cgi
O algoritmo heurístico do BLAST funciona da seguinte forma (Fig. 3): 1) a sequência 
query é quebrada em “palavras”. O tamanho dessas palavras varia, sendo que geralmente 
nucleotídeos são quebrados em um kmer de tamanho 11 e aminoácidos em kmer de 3. Essas 
palavras serão utilizadas para semear os alinhamentos. 2) O programa busca por 
similaridades ou matches sequências alvo nos bancos de dados. Tenta-se alinhar cada palavra 
do query com o alvo, procurando por similaridades. 3) Se o alvo tiver 3 matches com as 
palavras do query (dado esse threshold), o alinhamento é estendido em ambas as direções 
buscando por similaridade adicional. Por fim, é realizado o escore do alinhamento. 
 
 
Figura 3. Passos realizados pelo algoritmo do programa de alinhamento BLAST. Os passos 
estão descritos no texto acima. 
 
Quando interpretando o resultado dos alinhamentos de programas como FASTA e 
BLAST, deve se reconhecer as informações fornecidas para cada alinhamento (Fig. 4-5). 
Alguns conceitos são importantes e devem ser avaliados quando observamos o resultado de 
um alinhamento. 
Score – a pontuação do alinhamento. Pode ser max score, ou seja, o maior escore encontrado 
naquele alinhamento, ou total score, o escore de todos os escores daquele alinhamento. Isso 
ocorre porque alguns alinhamentos apresentam mais de uma região alinhada e pontuada. 
Query cover – porcentagem da query que é coberta pela sequência alvo. A parte não coberta 
corresponde a gaps. 
Ident ou Identities % – a identidade é a porcentagem de letras que são idênticas entre o 
query e a sequência avo do banco de dados. A ident só é 100% em proteínas se as duas 
sequências forem a mesma. 
E-value ou E() – probabilidade do alinhamento ocorrer ao acaso. Esse valor varia de 0 a 1, 
sendo que os melhores resultados apresentam os menores valores. Geralmente, são 
considerados bons e-valores menores de 1E-5 (1 x 10-5). O E significa potência de 10. 
Positivities – o número ou porcentagem de resíduos para os quais os valores do escore 
durante o alinhamento foram positivos. 
 
 
Figura 4. Exemplo de resultado de alinhamento obtido através do programa FASTA. Este é 
um alinhamento de proteínas. DB:ID significa o número de identificação de banco de dados 
de onde a sequência alvo foi retirada. Source indica a fonte da sequência alvo (organismo e 
outras informações). 
 
 
Figura 5. Exemplo de resultado de alinhamento obtido através do programa BLAST. Este é 
um alinhamento de DNA. Accession significa o número de identificação de banco de dados 
de onde a sequência alvo foi retirada. Description indica a fonte da sequência alvo 
(organismo e outras informações). 
 
 
Figura 6. Exemplo de resultado de alinhamento obtido através do programa BLAST. Este é 
um alinhamento de DNA. O cabeçalho indica dados da sequência alvo do banco de dados. 
Query é a sequência de entrada e Sbjct é a sequência do banco de dados. Note que letras 
iguais entre as sequências recebem um traço vertical, enquanto letras diferentes apresentam 
um espaço vazio. O traço horizontal (-) indica gap. Letras minúsculas e cinzas (não 
mostradas na imagem) representam sequências pouco complexas. 
 
 
 
 
Figura 7. Exemplo de resultado de alinhamento obtido através do programa BLAST. Este é 
um alinhamento de proteína. O cabeçalho indica dados da sequência alvo do banco de dados. 
Query é a sequência de entrada e Sbjct é a sequência do banco de dados. Note que letras 
iguais entre as sequências recebem a mesma letra, enquanto letras diferentes apresentam um 
espaço vazio. O traço horizontal (-) indica gap. O sinal positivo entre letras (+) indica uma 
substituição conservativa, significando que houve uma troca no aminoácido daquela posição 
por outro aminoácido com propriedades similares. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Exercício 
1. O BLAST apresenta diferentes algoritmos dependendo do tipo de alinhamento 
que se quer realizar. Observe os tipos de BLAST na figura abaixo e diga qual a 
sequência de entrada (query) e qual o tipo de sequência de banco de dados (o 
alvo) que cada tipo de BLAST utiliza no alinhamento. 
 
___________________________________________________________________
___________________________________________________________________
______________________________________________________________________________________________________________________________________
___________________________________________________________________ 
 
2. Utilizando o programa de alinhamento BLAST, realize o alinhamento da seguinte 
sequência proteica (use o algoritmo blastp) e responda o que se pede: 
 
MARLLQASCLLSLLLAGFVSQSRGQEKSKMDCHGGISGTIYEYGALTIDGEEYIPFKQYAGKYVLFVNVA 
SYUGLTGQYIELNALQEELAPFGLVILGFPCNQFGKQEPGENSEILPTLKYVRPGGGFVPNFQLFEKGDV 
NGEKEQKFYTFLKNSCPPTSELLGTSDRLFWEPMKVHDIRWNFEKFLVGPDGIPIMRWHHRTTVSNVKMD 
ILSYMRRQAALGVKRK 
 
a) Qual o nome da proteína e a qual família ela pertence? 
 
 
b) Qual o melhor valor de score e e-valor encontrados? 
 
c) Qual a espécie que apresenta uma proteína com melhor resultado? 
 
 
d) Qual a função dessa proteína?