局部匹配&Smith Waterman 算法 | 生物人最值得看的哈佛生信课02

为什么要进行序列匹配

序列匹配是理解生物序列信息、揭示生物学过程和开发治疗方法的基础。当我们测序完，获得的只是一堆ACTG的字符串的组合，我们看着这一串字符，并不会直接得到新的简介。通过序列匹配，科学家能够更好地解读生物数据，促进生物学和医学的研究，比如：

• 同源性搜索：确定一个新序列是否与数据库中的已知序列有同源关系，即它们是否来自共同的祖先。

• 相似性搜索：找到与查询序列相似的序列，即使它们没有共同的祖先，这有助于发现保守区域或功能域。

• 基因家族分析：通过序列匹配，可以识别属于同一基因家族的多个基因，并研究它们的共同特征。

• 生物标记发现：在疾病研究中，通过序列匹配可以发现特定的生物标志物，用于诊断、预后或治疗反应的预测。

使用mega11进行全局比对（Global aliment）

另一篇有关全局比对的文章

局部匹配（Local Alignment）

局部匹配则关注于序列中特定区域的相似性，而不是整个序列。它允许序列的其他部分不匹配，只寻找最优的局部区域对齐。局部匹配特别适用于那些只有部分区域相似的序列，或者当序列之间有大量插入、删除或突变时。

Smith Waterman算法是最常用的局部比对的算法。该算法属于动态规划,适用于部分相似序列的局部对齐。例：

胰岛素是一个调节血糖水平的激素，它在人类和许多其他哺乳动物中起着至关重要的作用。人类和鼠类是哺乳动物，它们的胰岛素基因是同源的，即它们起源于共同的祖先。
局部比对揭示了尽管两个基因的整体序列存在一些差异，但在编码胰岛素蛋白的关键区域，序列是高度保守的。保守区域通常与基因的重要功能相关。在这个例子中，胰岛素蛋白的活性位点在人类和鼠类中是高度保守的，这表明这些位点对于胰岛素调节血糖的功能至关重要。

胰岛素基因在鸡、兔子和鼠中的差别。出处：《gene XII》

Smith Waterman 算法步骤

在动态规划算法中，解题思路往往是把一个问题分解成更小更简单的子问题，通过解决子问题，来得到原问题的解。

1. **初始化：**创建一个矩阵，其大小为序列A和序列B的长度加1。这个矩阵用于存储比对分数。
   
   出处：视频课截图

2. 得分规则：定义匹配match得分（通常为+1），错配mismatch得分（通常为-1）和空位罚分gap（通常为-2）。

3. 填充矩阵：从矩阵的左上角开始，逐个填充矩阵的每个格子。填充的规则如下：

• 如果当前比较的两个字符相同，则得分通常是正数（例如+1）。
• 如果字符不同，则得分通常是负数或零（例如-1或0）。
• 每个格子的得分是以下三个值中的最大值：
• 左边格子的得分-2（代表插入一个空格的惩罚）
• 上边格子的得分-2（代表插入一个空格的惩罚）。
• 左上角格子的得分+1（如果字符相同）或-1（如果字符不同），这代表两个字符匹配或不匹配的得分。
• 如果计算出的得分是负数，则将该格子设置为0，因为局部比对只关心非负的相似度得分。
  

1. **追踪回溯：**一旦矩阵被填充，算法通过回溯找到得分最高的路径。这条路径代表了最优的局部比对。回溯从矩阵中的最高得分点开始，沿着得分下降的路径移动，直到达到得分为0的点。

视频链接

https://www.bilibili.com/video/BV1yS4y1Z721?spm_id_from=333.788.videopod.episodes&vd_source=495deae41cc91675c82bcb979ebe3326&p=11