जैविक क्रमों की तुलना

एचएबीआर टेट्रापेप्टाइड अतुलनीय है



पात्रों के अनुक्रमों की तुलना एक साधारण सा मामला है, लेकिन जीव विज्ञान पर लागू होता है, लगभग नीले रंग से बाहर, यह समस्याओं का एक गुच्छा सामना करता है। आधुनिक जीव विज्ञान के कुछ कार्यों को कंप्यूटर प्रौद्योगिकी के विकास के वर्तमान चरण में हल नहीं किया जा सकता है। इस लेख में, मैं उंगलियों पर दिखाऊंगा कि जैविक अनुक्रमों के बारे में क्या विशेष है और उन्हें विशेष एल्गोरिदम की आवश्यकता क्यों है। जीवविज्ञानी और विशेष रूप से जैव सूचना विज्ञान पढ़ने के लिए अनुशंसित नहीं हैं - बोरियत से मरने का खतरा है।



जैविक क्रम जैविक मैक्रोमोलेक्यूल्स की प्राथमिक संरचना है। अर्थात्, प्रोटीन और डीएनए / आरएनए। (इसमें कार्बोहाइड्रेट भी हैं, उदाहरण के लिए, स्टार्च, लेकिन वे एक ही मोनोमर्स से मिलकर होते हैं और इसलिए दिलचस्प नहीं हैं।) डीएनए अनुक्रम प्रोटीन अनुक्रम निर्धारित करता है, प्रोटीन अनुक्रम इसकी स्थानिक संरचना निर्धारित करता है, संरचना प्रोटीन के कार्यों को निर्धारित करती है, और विभिन्न प्रोटीनों के कार्यों की कुलता को जीवन कहा जाता है। यह विभिन्न प्रोटीनों के कामकाज में अंतर है जो हम, संक्षेप में, एक दूसरे से अलग हैं। तुलना करने वाले अणु दो कारणों से मोटे तौर पर बोल सकते हैं:



1) जोड़े में विभिन्न जीवों के प्रोटीन की तुलना करते हुए, हम कह सकते हैं कि कौन से जीव एक दूसरे के समान हैं, और जो कम हैं;

2) एक ही समय में एक दर्जन या दो प्रोटीनों की तुलना करते हुए, हम संरचनात्मक और कार्यात्मक रूप से महत्वपूर्ण साइटें पा सकते हैं (वे आमतौर पर संबंधित जीवों में समान हैं), जो कृत्रिम प्रोटीन (शब्द के अच्छे अर्थ में दवा डिजाइन, नैनो तकनीक) बनाते समय उपयोगी है।





डीएनए की बजाय प्रोटीन की तुलना करना बेहतर है, यदि केवल इसलिए कि "वर्णमाला" में अधिक प्रोटीन (20 अमीनो एसिड बनाम 4 न्यूक्लियोटाइड) हैं, और संयोग की संभावना कम है, इसलिए चर्चा प्रोटीन के बारे में होगी। आम तौर पर, संरचना की तुलना की जानी चाहिए, न कि अनुक्रम (क्योंकि हम अभी भी काफी नहीं जानते हैं कि दूसरा पहले को कैसे परिभाषित करता है); लेकिन ऐसा हुआ कि हमने दृश्यों को अच्छी तरह से समझ लिया, और एक स्थानिक संरचना प्राप्त करना बहुत समय लेने वाला काम है और, कई लोगों की राय में, एक कला की संभावना अधिक है। इसलिए, हमें अनुक्रम की तुलना करनी होगी। जैविक मैक्रोमोलेक्यूल्स के अनुक्रमों की तुलना को संरेखण कहा जाता है - लाइनों को एक दूसरे के नीचे इस तरह से लिखा जाता है जैसे कि संयोग या सबसे बड़ी संख्या में पात्रों की समानता प्राप्त करने के लिए। प्रोटीन में एक एमिनो एसिड अवशेष अनुक्रम में लैटिन वर्णमाला के एक अक्षर से मेल खाता है।

मोनोमर्स की समानता की डिग्री को ध्यान में रखते हुए

हम दो अनुक्रमों पर समान रूप से विचार करने के आदी हैं, उनमें जितने अधिक अक्षर हैं। जीव विज्ञान में, यह दृष्टिकोण अच्छा नहीं है। दृश्यों के दो जोड़े पर विचार करें:



1 2





ASDLV ASDLV





ATEIV AWDKV







ओल्ड हैमिंग असमान रूप से कहते हैं कि दूसरा संरेखण बेहतर है: पहली जोड़ी में केवल पांच में से दो अक्षर मेल खाते हैं, और दूसरे में - तीन। लेकिन आइए उनकी संरचनाओं को देखें:







एस और टी, डी और ई - वे अवशेष जिनके द्वारा पहली जोड़ी के क्रम भिन्न होते हैं - संरचना में बिल्कुल एक कार्बन परमाणु, एल और मैं आम तौर पर आइसोमर्स होते हैं। ज्यादातर मामलों में, इस तरह के अंतर को प्रोटीन की संरचना में परिलक्षित नहीं किया जाता है। लेकिन चार्ज किए गए लाइसिन के साथ बड़े गैर-ध्रुवीय ट्रिप्टोफैन या हाइड्रोफोबिक ल्यूसीन के साथ छोटे ध्रुवीय सेरीन के प्रतिस्थापन, दूसरी जोड़ी के रूप में, अणु की संरचना को बहुत बदल देगा। इस प्रकार, पहले संरेखण में, अनुक्रम लगभग समान हैं, और दूसरे में, वे बहुत अलग हैं।







तुलनात्मक पात्रों की संरचनात्मक विशेषताओं को ध्यान में रखते हुए, काफी सरल बनाया गया है: तथाकथित प्रतिस्थापन मैट्रिक्स, आकृति में एक की तरह। मिलान पत्रों के चौराहे पर संख्या जितनी बड़ी होगी, मात्रात्मक समानता सूचक ("स्कोर", या "स्कोर") कहा जाता है।



ASDL V ASDLV





ATEI V AWDKV





Score = 4+1+2+2+4 = 13 Score = 4-3+6-2+4 = 9







पहले से ज्ञात संरचना के साथ प्रोटीन में अमीनो एसिड प्रतिस्थापन के आंकड़ों के आधार पर मैट्रिस संकलित किए जाते हैं: अधिक बार एक अक्षर को दूसरे से बदल दिया जाता है, उनके चौराहे पर संख्या अधिक होती है। समस्या यह है कि समय-समय पर नए मैट्रिस दिखाई देते हैं, पिछले वाले की तुलना में बेहतर; तदनुसार, वे सभी कुछ खराब हैं और कुछ को ध्यान में नहीं रखते हैं।

सम्मिलन और विलोपन के लिए लेखांकन

मैं नहीं जानता कि कैसे दूसरे, लेकिन मैं एक समय में मारा गया था, विभिन्न जीवों के प्रोटीन समान कैसे होते हैं। आदमी कहां है - और खरगोश कहां है, और दोनों में सीरम एल्ब्यूमिन केवल कुछ एमिनो एसिड द्वारा भिन्न होता है। लेकिन वे अभी भी कुछ हद तक भिन्न हैं: उत्परिवर्तनीय परिवर्तनशीलता जीवन का एक अभिन्न गुण है। वास्तव में, प्रोटीन की समानता का मूल्यांकन करते हुए, हम एक प्रोटीन के दूसरे में विकासवादी परिवर्तन के मार्ग पर होने वाले उत्परिवर्तन की संख्या का अनुमान लगाते हैं। पहले प्रकार के म्यूटेशनों पर विचार - प्रतिस्थापन - हमने ऊपर जांच की। दो और प्रकार - सम्मिलन और विलोपन (विलोपन) - अब हम विचार करेंगे।



जैव सूचना विज्ञान में सम्मिलन और विलोपन को एक साधारण कारण के लिए एक इकाई के रूप में माना जाता है - दो अनुक्रम होने, जिनमें से एक में एक अतिरिक्त पत्र होता है, हम यह निर्धारित नहीं कर सकते कि कौन सा अनुक्रम "मूल" है। दोनों जीवों के काल्पनिक सामान्य पूर्वज लाखों साल पहले मर गए थे, इसलिए हम यह सुनिश्चित करने के लिए नहीं जानते हैं कि इस मामले में सम्मिलन या विलोपन होता है या नहीं। इस कारण से, "इंड" शब्द दिखाई दिया (प्रविष्टि + विलोपन); रूसी जैव सूचना विज्ञान में, अंग्रेजी शब्द "गैप" से "विलोपन" या ट्रेसिंग पेपर अधिक आम है।





संबंधित अनुक्रमों की उत्पत्ति के दो संभावित रूप। निचली रेखा से कुछ अनुक्रम वास्तव में "अणु" मौजूद हैं, शीर्ष पर एक काल्पनिक पूर्वज है जो या तो बाईं तरफ या दाईं ओर (या सामान्य रूप से या तो) हो सकता है।



यदि संरेखण में विलोपन हैं, तो उन पर जुर्माना लगाया जाता है। अधिक विलोपन, अधिक अंक खाते से घटाए जाते हैं। और फिर से, दो संरेखणों पर विचार करें:



ASGHDLV AMSDCLV





AT--EIV A-TD-VV







दोनों संरेखण में, दो अमीनो एसिड "बाहर निकल गए"। दोनों मामलों में, औपचारिक रूप से, दो उत्परिवर्तन हुए। वास्तव में, पहले मामले में, एक उत्परिवर्तन हुआ। दो लंबे समय तक रहता है। लेकिन एक। एक विकासवादी घटना। और इसकी संभावना दो अलग-अलग लोगों से अधिक है, जैसा कि दूसरे उदाहरण में है। इसलिए, बाईं ओर संरेखण स्कोर अधिक होना चाहिए, और पहले दो अनुक्रमों को अधिक समान माना जाना चाहिए।



हटाने के लिए खाते में, तथाकथित एक ठीक "खोलने के लिए" और "जारी रखने के लिए" एक विलोपन से युक्त ठीक है। पहला आमतौर पर परिमाण का एक क्रम होता है या दूसरे (लगभग 10 और 1, क्रमशः, या 10 और 0.1) की तुलना में दो अधिक होता है। बाईं ओर के उदाहरण में, हमारे पास एक उद्घाटन है और एक निरंतरता है, दाईं ओर - दो खोजें।



विलोपन के लिए लेखांकन की समस्या यहीं तक सीमित नहीं है। अणु में विलोपन के स्थान के आधार पर, यह संरचना को अधिक या कम सीमा तक प्रभावित कर सकता है। कुछ एल्गोरिदम, जैसे क्लस्टल, "अवशिष्ट-विशिष्ट जुर्माना" को ध्यान में रखते हैं, कुछ नहीं। आमतौर पर यह इस तथ्य को उबालता है कि हाइड्रोफिलिक क्षेत्रों में विलोपन - एक जलीय वातावरण में संभावित लूप्स झूलते हैं - हाइड्रोफोबिक (संभावित कसकर पैक ग्लोब्युल नाभिक) की तुलना में कम जुर्माना लगाया जाता है। सवाल यह है कि ये जुर्माना कितना अलग होना चाहिए, और केवल तभी जब हाइड्रोपाथी को मतभेदों के लिए एक मानदंड के रूप में काम करना चाहिए, जाहिर है, हर कोई खुद के लिए निर्णय लेता है ...





साइट नंबर 1 में उत्परिवर्तन - एक कसकर भरा और सख्ती से संरचित (बीटा-स्ट्रैंड) ग्लोबुल का कोर - प्रोटीन संरचना को बहुत बाधित कर सकता है। प्लॉट नंबर 2 (एक असंरचित अपेक्षाकृत लूप लूप) में उत्परिवर्तन, सबसे अधिक संभावना है, यह किसी भी तरह से प्रभावित नहीं करेगा।

संरेखण गणना

अब तक, हम यह सोचते हुए कि यह कैसे निकला, समाप्त संरेखण का मूल्यांकन करने पर विचार कर रहा है। औसत प्रोटीन में कई सौ एमिनो एसिड होते हैं, यह स्पष्ट रूप से ऐसी लंबी लाइनों को "आंख से" संरेखित करना असंभव है। हालांकि संरेखण प्राप्त करने के लिए अलग-अलग तरीके हैं, नीडलमैन-वून्श एल्गोरिथ्म और इसके संशोधनों को वर्तमान में इष्टतम माना जाता है। मैं एल्गोरिथ्म के सार को छोड़ दूंगा: गणितीय दर्शक आसानी से इसका पता लगा सकते हैं, बाकी को भी नहीं आज़माया जाना चाहिए। मैं इसे हैबे के एक लेख के हिस्से के रूप में नहीं समझा सकता हूं। यह कहने के लिए पर्याप्त है कि लंबाई और n के साथ दो अनुक्रमों को संरेखित करने के लिए, आकार m * n की एक सरणी का उपयोग किया जाता है; चूंकि m और n एक ही क्रम की संख्या हैं, इसलिए सरणी का क्रम n ^{2 है} । आधुनिक घरेलू कंप्यूटर शांति से इसका सामना करते हैं। अब तक दो सीक्वेंस हैं।



शुरुआत में मैंने कहा कि एक ही समय में एक दर्जन या दो प्रोटीन को संरेखित करना, हम उनमें संरचनात्मक और कार्यात्मक रूप से महत्वपूर्ण साइट पा सकते हैं। उदाहरण के लिए, ट्रिप्सिन जैसे प्रोटीज के सक्रिय केंद्र को बनाने वाली आकृति में अमीनो एसिड स्पष्ट रूप से खुद को 20 ऐसे प्रोटीनों में समान होने के रूप में दिखाते हैं (इसी स्थिति को तारांकन द्वारा इंगित किया जाता है)।





अमीनो एसिड जो एंजाइम के उत्प्रेरक गुणों को निर्धारित करते हैं वे रूढ़िवादी हैं, अर्थात्। विकास के दौरान परिवर्तन न करें। एंजाइम का सक्रिय केंद्र परमाणु के लिए सब्सट्रेट की ज्यामिति और रसायन विज्ञान के अनुरूप होना चाहिए, इसलिए, इसमें एक उत्परिवर्तन का मतलब एंजाइम के "कैरियर के अंत" में उत्प्रेरक के रूप में होता है। वास्तव में, निश्चित रूप से, अणु में कहीं भी उत्परिवर्तन होता है; लेकिन कार्यात्मक क्षेत्र में एक उत्परिवर्तन के साथ प्रोटीन अपने मेजबान को अविभाज्य बनाते हैं, इसलिए यह हमें लगता है कि वे नहीं हैं।



एक प्रोटीन की पूरी त्रि-आयामी संरचना प्राप्त करने की स्थिति में, अभी भी, एक अर्थ में, एक लक्जरी, इस तरह के पैटर्न को खोजने की क्षमता बहुत मूल्यवान है। यहाँ घात यह है कि हम एक दर्जन प्रोटीनों के गणितीय रूप से इष्टतम संरेखण प्राप्त नहीं कर सकते हैं। यदि एक दो आयामी सरणी का उपयोग दो प्रोटीनों को संरेखित करने के लिए किया जाता है, तो क्रमशः दस प्रोटीनों को संरेखित करने के लिए दस-आयामी की आवश्यकता होती है। भले ही प्रत्येक अनुक्रम में 100 वर्णों की लंबाई होती है (जो बहुत छोटे प्रोटीन से मेल खाती है), सरणी का आयाम इतना विशाल (100 ¹⁰ ) निकला कि एक आधुनिक कंप्यूटर इसे हजारों वर्षों तक गिनता रहेगा। मैं शायद आपको इस बारे में बताऊंगा कि कैसे जीवविज्ञानी अभी भी इस स्थिति में एक और बार निकल सकते हैं।