Comparação e alinhamento de sequências

Comparação e alinhamento de

sequências

Comparar sequências

• A comparação de sequências de proteínas ou DNA/RNA é

uma ferramenta essencial na procura da existência de

relações de semelhança entre o todo ou parte dessas

sequências, e na avaliação da sua proximidade

• Alinhamento e comparação são problemas que podem ser

expressos de forma matemática e para os quais existem

algoritmos robustos ; no entanto:

•

A escolha dos diversos parâmetros dos algoritmos deverá

reflectir o nosso conhecimento biológico (funções de

score, gap penalties e outros afectam as soluções

Para quê comparar sequências?

• Identificação de regiões conservadas entre duas ou mais

sequências evidencia zonas importantes para a estrutura

e/ou função da proteína correspondente

• Estimativa da distância evolutiva entre os organismos dos

quais provêm as sequências: maior disparida na sequência

deve resultar de uma maior divergência evolutiva

• Identificação de sequências numa base de dados que

possuam semelhança significativa com uma determinada

sequência de busca (identificação de homólogos)

Comparar sequências

• A comparação de sequências de proteínas ou DNA/RNA é

uma ferramenta essencial na procura da existência de

relações de semelhança entre o todo ou parte dessas

sequências, e na avaliação da sua proximidade

• Alinhamento e comparação são problemas que podem ser

expressos de forma matemática e para os quais existem

algoritmos robustos ; no entanto:

•

A parametrização do problema deverá reflectir o nosso

conhecimento biológico (Escolha das funções de score, gap

penalties e outros parâmetros que afectam as soluções

Comparar sequências não é trivial

(a) Sequências muito aparentadas

(b) Sequências aparentadas

Homologia vs. semelhança

Os termos homologia, semelhança e identidade têm significados

distintos no contexto da análise de sequências biológicas:

•Homologia: descreve um parentesco evolutivo entre duas

sequências que poderão corresponder a proteínas de funções

homologas em diferentes organismos (exemplo: citocromo

c

humano

e citocromo

c

bovino).

•Semelhança: descreve o grau de parecença entre duas sequências,

independentemente do seu contexto ou significado biológico. É

quantificada através de um método matemático de alinhamento e

depende da escolha do “scoring scheme”.

•Identidade: fala-se normalmente em percentagem de identidade

entre duas sequências, sendo definida como a razão entre o número

total de resíduos idênticos e o número total de resíduos do

Comparar sequências: dot plots

Um “dot plot” é um modo de comparação de duas sequências baseado na construção de uma matriz de N linhas e M colunas, em que N e M são os comprimentos das duas sequências a comparar.

Se quê nc ia 1 Sequência 2

Exemplo de dot plot

Identidade das duas sequências

A C C T G C C C T G T C C A G C T T A C A T G C A T G C T T A T A G G G G C A T T T T A C A T ACCTGCCGATTCCATATTACGCATGCTTCTGGGTTACCGTTCAGGGCATTTTACATGTGCTG 1+1+1+1+1+1+0+1+0+1+1=9

A T G C

A 1 0 0 0

T 0 1 0 0

G 0 0 1 0

C 0 0 0 1

“window size” (11) Esquema de “scoring” (1 p/ posições iguais, 0 p/ posições diferentes)

a

a

a

a

ATGCTTCTGGG A T G C T T A T A G G

e no caso do score máximo (11) ser atingido: Detecção de correspondências exactas entre regiões

Escolher um esquema de score

A T G C

A 1 0 0 0

T 0 1 0 0

G 0 0 1 0

C 0 0 0 1

ATGCTTATAGG ATGCTTCTGGG 1+1+1+1+1+1+1+1+1+1+1=11

1)

Para cada par de janelas, calcular o score usando a matriz,

e um tamanho de janela

a

a

a

a

ATGCTTATAGG ATGCTTCTGGG 1+1+1+1+1+1+0+1+0+1+1=9

Marcar um ponto Não marcar um ponto

X

Comparações usando “dot plots”

Problema da comparação de

strings

• Consideremos as duas sequências de

caracteres:

GAATTCAGTTA

GGATCGA

• Pretendemos alinha-las de modo a obter

um score máximo na comparação

O que se entende por “alinhar” ?

• Alinhar é estabelecer uma correspondência

entre as duas sequências, o que pode ser feito

inserindo espaços:

GAATTCAGTTA

GAATTCAGTTA

G-G-ATCGA

Score=2

O que se entende por “score” ?

• Um score é um número que é associado a cada alinhamento

possível, e que pode ser definido de várias maneiras

Exemplo: associar um valor de 1 a cada posição idêntica nas

duas sequências, e 0 a posições diferentes

A T G C

A

1

0 0 0

T 0

1

0 0

G 0 0

1

0

C 0 0 0

1

GAATTCAGTTA

GGATCGA

Score=4

GAATTCAGTTA

G-GATCGA

Score=3

GAATTCAGTTA

G-G--AT--CGA

Score=1

GAATTCAGTTA

GGA-TC-G--A

Score=6

Como achar o

score

máximo ?

• Podíamos tentar experimentar TODOS alinhamentos possíveis,

e escolher aquele que produzisse o score máximo ?...

NÃO !

• Para o caso apresentado, existem cerca de 2

20

_{alinhamentos , o}

que é mais de UM MILHÃO de possibilidades! Para duas

sequências de 250 caracteres temos cerca de 10

149

alinhamentos, um número computacionalmente inatingível!

• Felizmente existem algoritmos que permitem achar o

alinhamento óptimo, ou seja aquela que maximiza o score, sem

ter que pesquisar exaustivamente todos os alinhamentos

possíveis

Alinhamento global vs. local

Alinhamento global: as

sequências A e B são

comparadas na totalidade do seu comprimento, sendo as

diferenças de comprimento da sequência compensadas com “gaps” (inserções)

Alinhamento local: consiste na

identificação de regiões isoladas de elevada similaridade entre as duas sequências,

independentemente do seu contexto.

Algoritmo de Needleman-Wunsch

Needleman, S.B & Wunsch, C.D (1970) J.Mol.Biol. 48:443

• É um algoritmo de programação dinâmica capaz de encontrar o

alinhamento global óptimo de duas sequências

• Como ponto de partida necessitamos apenas de uma matriz com

o score de alinhamento para cada par de aminoácidos (ou bases)

e uma

gap penalty

(score de penalização para criação de um

espaço na sequência)

• Este algoritmo fornece apenas o alinhamento óptimo, não

permitindo identificar outros alinhamentos com scores

próximos do óptimo e que poderão ser biologicamente

relevantes (alinhamentos sub-optimais).

Algoritmo de Needleman-Wunsch

Exemplo:

pretende-se alinhar as sequências

GVTAH e AVTLI

•A matriz de score usada vai ser a BLOSUM62

•A inserção de um gap no alinhamento tem um score negativo, -1

d _{G V T A H} d A V T L I

Algoritmo de Needleman-Wunsch

d _{G V T A H} d _{0 -1 -2 -3 -4 -5} A -1 V -2 T -3 L -4 I -5

Algoritmo de Needleman-Wunsch

2) Inserção dos valores da

gap penalty

d _{G V T A H} d _{0 -1 -2 -3 -4 -5} A -1 0 -1 -2 2 1 V -2 -1 5 4 3 2 T -3 -2 4 10 9 8 L -4 -3 3 9 8 7 I -5 -4 2 8 8 7

Algoritmo de Needleman-Wunsch

3) Preenchimento da tabela, da esquerda para a direita e de cima

para baixo, de acordo com seguinte regra:

(

1,

1)

( , )

( , )

max

(

1, )

( , )

( ,

1)

( , )

H i

j

S i j

H i j

H i

j

S

i

H i j

S i

−

− +





=

_

−

+

−



_{− +}

₋



( 1, 1) H i− j − ( , 1) H i j − ( 1, ) H i− j ( , ) H i j

S(i,j) é o score da matriz de score (BLOSUM 52 neste caso), e

S(-,j) e S(i, -) scores para inserção de um gap horizonal ou vertical

G V T A H A 0 0 0 5 -2 V -4 5 0 0 -4 T -2 0 5 0 -2 L -4 1 -1 -2 -3 I -4 4 -1 -1 -4 d _{G V T A H} d _{0 -1 -2 -3 -4 -5} A -1 0 -1 -2 2 1 V -2 -1 5 4 3 2 T -3 -2 4 10 9 8 L -4 -3 3 9 8 7 I -5 -4 2 8 8 7

Scores da matrix Blosum 50

Cada célula mantém a informação da proveniência do valor anterior (setas)

d _{G V T A H} d _{0 -1 -2 -3 -4 -5} A -1 0 -1 -2 2 1 V -2 -1 5 4 3 2 T -3 -2 4 10 9 8 L -4 -3 3 9 8 7 I -5 -4 2 8 8 7

Algoritmo de Needleman-Wunsch

4) Traçar o caminho desde o canto inferior direito, seguindo as

setas. Cada movimento horizontal ou vertical corresponde a

uma gap na sequência respectiva.

G V T — A H

A V T L I —

Alinhamento óptimo

Alinhamento local: algoritmo de Smith-Waterman

O algoritmo de Smith-Waterman é uma versão modificada de N-W que permite encontrar o alinhamento local óptimo entre duas sequências.

0

(

1,

1)

( , )

( , )

max

(

1, )

( , )

( ,

1)

( , )

H i

j

S i j

H i j

H i

j

S

i

H i j

S i





₋

_{− +}



=

_

−

+

−





_{− +}

₋



Se o valor calculado partir das células anteriores for <0, é substituído pelo valor zero e o alinhamento termina nesse ponto. O alinhamento local inicia-se na célula de valor mais alto da matriz de alinhamento.

Para que este algoritmo funcione, é necessário que o score esperado para um alinhamento aleatório seja negativo, e que existam valores positivos na matriz de comparação

Importância do alinhamento local

Muitas proteínas apresentam uma estrutura modular, tendo regiões com proveniências evolutivas distintas e relacionadas com diferentes

famílias.

A comparação local de duas sequências permite mais facilmente reconhecer estas regiões, mesmo quando na sua globalidade as sequências são largamente discrepantes.

Matrizes de

score

•As matrizes de

score

, ou matrizes de substituição, permitem obter um score para cada par de aminoácidos comparados.

• Os valores destas matrizes reflectem as diferentes tendências que os aminoácidos têm de ser substituídos por outros.

• Existem diferentes tipos de matrizes de

score

, baseados em

diferentes análises e diferentes pressupostos sobre os mecanismos de substituição

• O processo de inserção (criação de

gaps

) é geralmente tratado separadamente.

• Os dois tipos de matrizes mais usados são:

Matrizes PAM: baseadas na comparação, por alinhamento global, de famílias de sequências muito próximas

Matrizes BLOSUM: baseadas no alinhamento de regiões de elevada similaridade (blocos) entre diferentes grupos de proteínas.

Matrizes PAM

1 PAM = 1 Point Accepted Mutation per 100 aminoacids PAM250 ≈ 20% de identidade entre as sequências

Matriz PAM 256

• As matrizes PAM são geradas a partir das frequências de

substituição para sequências muito próximas (%id > 85%) e depois extrapoladas para sequências mais distantes

• Assume-se que a probabilidade de substituição numa posição é

independentes das substituições anteriores e dos resíduos

circundantes

• As matrizes PAM deverão ser

escolhidas de acordo com o grau de proximidade esperado entre as sequências.

Exemplo:

PAM400 - para sequências distantes PAM10 - para sequências próximas

XXXXXXXXXXXXXA_{XXXXXXXXXXXXXX} XXXXXXXXXXXXXG_{XXXXXXXXXXXXXX} XXXXXXXXXXXXXE_{XXXXXXXXXXXXXX} Tempo XXXXXXXXXXXXXA_{XXXXXXXXXXXXXX} XXXXXXXXXXXXXW_{XXXXXXXXXXXXXX} R e ve rs ão Score=1 Score=0 Score=-6 Pouco provável

% identidade Unidades PAM 99 1 95 5 90 11 85 17 80 23 75 30 70 38 66 47 60 56 55 67 50 80 45 94 40 112 35 133 30 159 25 195 20 246 15 328 % de identidade mínima para conseguir produzir um alinhamento

Os valores de score são logaritmos

S

_ij

= log

_b

(p

_i

M

_ij

/ p

_i

p

_j

)

S_ij = score (“log odds” ratio)

M_ij =

score

da matriz de transição

p_i , p_j = probabilidades de ocorrência dos aminoácidos

b = base do logaritmo (arbitrária)

Odds ratio (p_i M_ij/p_ip_j) – razão entre a probabilidade de ocorrência de um transição, e a probabilidade de ocorrência desta transição para um fenómeno aleatório

GAATTCAGTTA

GGATCGA

p₁*p₂*p₃*p₄*p₅*p₆*p₇ = probabilidade ocorrência do alinhamento (posições independentes)

dado que log(a) + log(b) = log(a*b), temos

log(p₁)+log(p₂)+log(p₃)+log(p₄)+log(p₅)+log(p₆)+log(p₇)=log(p₁*p₂*p₃*p₄*p₅*p₆*p₇) assim, o uso de logaritmos permite a soma dos scores, ao invés da sua

Matriz PAM 1

Matrizes BLOSUM

Matriz BLOSUM62 • As matrizes BLOSUM são

construídas a partir da alinhamentos

locais sem gaps de regiões de elevada

similaridade

• Estes alinhamentos (blocos) estão organizados numa base de dados chamada BLOCKS

• O número da matriz BLOSUM indica

qual a percentagem de identidade mínima usada para distinguir

sequências dentro de um grupo • Quanto mais baixo o valor, maior a

diversidade incorporada na criação da matriz

Exemplo:

BLOSUM90 - para sequências próximas BLOSUM20 - para sequências afastadas

Exemplo de entrada na base de dados BLOCKS

Matriz

Utilização

% identidade

PAM40

Alinhamentos curtos,

elevada similaridade

70-90

PAM160

Detecção de membros

de uma família

50-60

PAM250

Alinhamentos de

sequências distantes

~20-30

BLOSUM90

Alinhamentos curtos,

elevada similaridade

70-90

BLOSUM80

Detecção de membros

de uma família

50-60

BLOSUM62

Eficaz na detecção de

possíveis similaridades

30-40

BLOSUM30

Alinhamentos longos,

sequências distantes

<30

Matrizes de probabilidades de transição para

nucleótidos

Transições:

A ↔

↔

↔

↔ G , C ↔

↔

↔ T

↔

Transversões: A ↔

↔

↔

↔ T , G ↔

↔

↔

↔ T

A ↔

↔

↔

↔ C , G ↔

↔

↔ C

↔

A T G C A 0.99 T 0.0033 0.99 G 0.0033 0.0033 0.99 C 0.0033 0.0033 0.0033 0.99

Frequências de mutação uniformes (1 PAM)

A T G C

A 0.99

T 0.0020 0.99

G 0.0060 0.0020 0.99

C 0.0020 0.0060 0.0020 0.99

A T G C A 2

T -6 2

G -6 -6 2

C -6 -6 -6 2

Frequências de mutação uniformes (1 PAM)

A T G C

A 2

T -5 2

G -7 -7 2

C -7 -7 -5 2

Transições mais frequentes (3x) que transversões

Matrizes de

score

para nucleótidos (log odds)

S

_ij

= log

_b

(p

_i

M

_ij

/ p

_i

p

_j

)

S

_ij

= “log odds” score

M

_ij

=

score

da matriz de transição

p

_i

, p

_j

= probabilidades de ocorrência dos nucleótidos

b = base do logaritmo (arbitrária)

SA,A = log2(0.25*0.99 /0.25*0.25) ≈ 2 ST,A = log2(0.25*0.0033/0.25*0.25) ≈ -6

ST,A = log2(0.25*0.0020/0.25*0.25) ≈ -5 SG,A = log2(0.25*0.0060/0.25*0.25) ≈ -7

Gap penalties

A produção de gaps durante um alinhamento de sequências tem que ser penalizada com um score negativo, caso contrário observar-se-ia um número elevado de inserções sem qualquer significado biológico.

Existem diferentes esquemas de

gap penalty

:

• Constante: o tipo mais simples, consistem a atribuir uma penalização constante cada vez que é criado um gap num alinhamento

• Linear: a penalização é proporcional ao comprimento total dos gaps criados no alinhamento, não dependendo do seu número

• Afim (affine gap penalties): as penalizações possuem um termo constante para cada gap criado, e um termo proporcional ao

Affine gap penalties

Uma representação mais realista do processo de evolução das proteínas deveria penalizar de modo diferente a

criação

e a

extensão

de um

gap

. Para entender este facto, devemos considerar que os alinhamentos entre sequências tem tendência a conter poucos gaps, mas quase sempre com vários resíduos de comprimento.

Se atribuirmos uma penalidade

c

para a criação de um gap e uma penalidade

e

para a sua extensão, temos:

gp =

c

+

n

x

e

,

em que

n

é o comprimento do gap.

Não existe uma teoria rigorosa para a escolha de valores para este parâmetros!

Valores usuais:

c

= -10, e = -2 (FASTA)

c = -5… -10, e = -1, -2 (BLAST) c = -12, -2 (Smith-Waterman)

O valor óptimo das

gap penalties

depende da matriz de score usada!

Alinhamentos sub-óptimos: o programa LALIGN

• Neste caso o alinhamento 1 é o alinhamento local óptimo, e os

alinhamentos 2 e 3 são alinhamentos sub-óptimos identificados pelo programa LALIGN

• Muitas vezes a análise de alinhamentos sub-óptimos permite a identificação de regiões de similaridade entre duas sequências, não imediatamente

reconhecíveis num alinhamento óptimo

3 2 1

f9

f12

Alinhamento múltiplo de

sequências

Importância do alinhamento múltiplo de

sequências

• Os alinhamentos múltiplos de sequências são uma ferramenta central para a inferência da função das proteínas por comparação das suas sequências

• Os alinhamentos múltiplos são o ponto de partida para a previsão da estrutura secundária e identificação dos resíduos importantes para a especificidade

• Os alinhamentos múltiplos são a base dos métodos de pesquisa de sequências mais sensíveis de que dispomos (ex.: PSI-Blast)

• Os alinhamentos múltiplos são ainda o ponto de partida para a construção de árvores filogenéticas e determinação das relações evolutivas entre organismos

• Os alinhamentos múltiplos são uma forma conveniente de anotar as características estruturais e funcionais comuns a uma família de proteinas.

O alinhamento múltiplo aumenta a precisão do alinhamento simples

Pr e ci sã o d o a li nh h a m e nt o m úl ti pl o (% )

Precisão do alinhhamento simples (%)

Comparação da precisão de

alinhaments de pares de sequências quando produzidos de forma isolada ou fazendo parte de um alinhamento múltiplo.

Pode ver-se que na maior dos casos a precisão obtida com o alinhamento múltiplo é superior (valores acima da diagonal).

(A precisão é avaliada através da comparação com alinhamentos

Alinhamento múltiplo de sequências. O que é ?

• Um alinhamento múltiplo de sequências é simplesmente uma extensão do alinhamento de pares de sequências para um conjunto igual ou

superior a 3

• É o estabelecimento de correspondências entre resíduos de diferentes sequências

• A determinação do alinhamento múltiplo óptimo de um conjunto de sequências não é um problema trivial e só pode ser resolvido para um pequeno número de sequências

• A geração de alinhamentos múltiplos é normalmente feita com recurso a métodos heurísticos que não garantem a solução óptima

Exemplo de alinhamento múltiplo

Alinhamento múltiplo: métodos

Os métodos para a produção de alinhamentos de 3 ou mais

sequências podem ser divididas em várias categorias:

• Extensão dos métodos óptimos para N sequências: o

algoritmo de N-W pode ser estendido para 3 ou mais

sequências, mas exige o uso de matrizes multi-dimensionais e

torna-se muito pesado computacionalmente (exp.: MSA)

• Métodos progressivos (ou hierárquicos) : baseiam-se na

aplicação sucessiva de métodos óptimos a todos os pares de

sequências, depois a pares de pares, etc., através de uma

estrutura em árvore. São os métodos mais usados. (Exp:

Clustalw, t-coffee)

• Métodos iterativos: geral um alinhamento global inicial de

todas as sequências, que é refinado em passos sucessivos

(SAGA, DIALIGN)

• Métodos de segmentos: comparação de “janelas” de

comprimento fixo nas várias sequências (p.exp.: MACAW)

Programação dinâmica a N dimensões

A extensão directo dos algoritmos de Needleman-Wunsch ou Smith-Waterman para N sequências torna-se impraticável

computacionalmente: o alinhamento óptimo é agora um caminho num cubo a N dimensões.

Se tivermos N sequências de comprimento L, a matriz terá LN _células

Exemplo: 10 sequências de comprimento 200 - 20010 _{= 10}22 _{células !}

Matriz para o alinhamento múltiplo de 3 sequências (a seta vermelha representa o caminho óptimo na matriz)

Algoritmo de Carrillo-Lipman-Gupta

Este método é uma simplificação que reduz o espaço de busca e permite encontrar um alinhamento

próximo

do óptimo.

O método começa por definir intervalos para o alinhamento de cada par de sequências, e usa este intervalos para definir um volume de busca dentro do hipercubo.

Implementado no programa MSA - demasiado pesado para ser usado com mais de 25-30 sequências com ~100 aminoácidos.

Não existem servidores de acesso livre para este programa.

Alinhamento óptimo Alinhamento heurístico Volume de busca Os alinhamentos produzidos têm baixa probabilidade de ser óptimos!

Cálculo do

score

num alinhamento múltiplo:

o método SP (sum of pairs)

Métodos de alinhamento progressivo

Os métodos de alinhamento progressivo usam o algoritmo de

programação dinâmica calcular distâncias entre pares de sequênicas. As distâncias são usadas para construir uma árvore que serve de guia para criação do alinhamento múltiplo.

Software para alinhamento múltiplo progressivo

• CLUSTALW:

Um dos softwares mais usados, existe também como um

programa que pode ser instalado e executado no PC.

http://www.ebi.ac.uk/clustalw

• T-COFFEE:

Mais rigoroso, mas mais lento que CLUSTALW, usa uma

combinação de vários métodos, incluindo a geração de

alinhamentos de pares sub-óptimos com o programa LALIGN.

http://www.ebi.ac.uk/t-coffee http://www.tcoffee.org

Métodos iterativos alinhamento

Os métodos de alinhamento progressivo têm como principal problema a propagação dos erros nos alinhamentos iniciais para o alinhamento

final. Os métodos iterativos obviam esta situação através de

repetidos passos de alinhamento global, com vista à optimização do score (por exemplo SP).

• DIALIGN: pesquisa de alinhamentos locais sem gaps em pares de sequências, pesados para o cálculo e optimização do alinhamento final.

http://bibiserv.techfak.uni-bielefeld.de/dialign

• PRRP/PRRN: refinamento iterativo de um alinhamento progressivo com construção de árvore e uso de pesos no alinhamento de pares.

http://prrn.hgc.jp

• SAGA: método iterativo baseado num algoritmo genético.

Não está disponível na forma de serviço “on-line”. É bastante pesado computacionalmente.

Inferências estruturais e funcionais a partir de alinhamentos

múltiplos de sequências

Centro activo “loop” Estrutura secundária Estrutura secundária

Protocolo de alinhamentos múltiplos

1. Encontrar as sequências a alinhar, através de pesquisas em bases de dados ou por outra via

2. Definir as regiões de cada sequência a incluir no alinhamento (não tentar alinhar regiões demasiado diferentes!)

3. Avaliar o grau de semelhança das sequências através dos alinhamentos de pares

4. Começar por alinhar as sequências mais semelhantes, adicionar em seguida as mais distantes

5. Inspeccionar o alinhamento obtido, procurando problemas: regiões com demasiados gaps, baixa conservação, conflito com outras fontes de

informação (p.exp. localização do centro activo). Corrigir manualmente com um editor de alinhamento (p.exp. Seaview ou Jalview)

6. Remover as sequências que “destroem” o alinhamento, re-alinhar as restantes

7. Usar os resíduos-chave conservados no sub-alinhamento como guia para a adição de novas sequências

Perfis

Um perfil é uma descrição do padrão subjacente a um alinhamento múltiplo e reflecte a probabilidade de ocorrência de cada tipo de resíduo numa dada posição. Tem várias aplicações:

• Permite uma maior precisão no alinhamento de sequências distantes da mesma família

• Os padrões emergentes são úteis para a classificação de sub-famílias dentro de um conjunto de sequências homólogas.

• O alinhamento de uma sequência a um perfil é geralmente mais fiável e melhora o processo de modelação estrutural por homologia

• Os perfis permite pesquisas de elevada sensibilidade para a detecção de parentes distantes de uma dada família de proteínas

O alinhamento de uma sequência a um perfil é condicionado pela sua natureza e pelo seu grau de conservação. Assim, resíduos altamente conservados no perfil terão um score mais alto, e resíduos pouco conservados um score mais baixo. Este processo impõe uma tendência para alinhar em primeiro lugar as

Geração de perfis a partir de alinhamentos

múltiplos

Sequence logos: identificação visual de padrões

conservados em alinhamento múltiplos

Motivos

Padrões de sequência primária característicos de locais de reconhecimento ou de famílias de proteínas. Associados a aspectos funcionais e estruturais. Exemplos (usando o formato PROSITE):

• site de fosforilação das proteínas cinases:

[RK](2)-x-[ST]

• local de glicosilação:

S-G-x-G

• “Zipper” de leucina:

L-x(6)-L-x(6)-L-x(6)-L

• Família das proteases de serina, histidina do centro activo:

[LIVM]-[ST]-A-[STAG]-H-C

• Local de γ-carboxilação dependente da vitamina-K:

Exemplo de entrada na base PROSITE (motivo)

Bases de dados de motivos e domínios

•

PROSITE

http://www.expasy.ch/prosite

• PRINTS

http://www.bioinf.man.ac.uk/dbbrowser/PRINTS

•

PFAM

http://www.sanger.ac.uk/Software/Pfam • PRODOM http://prodom.prabi.fr • SMART http://smart.embl-heidelberg.de

Pesquisa em múltiplas bases de dados:

INTERPRO