动态规划的智慧（Needleman-Wunsch）

Sat, 12 May 2018 00:00:00 +0000

当我们谈论序列比对（sequence alignment）时，实际上是在解决一个经典问题：如何将两段序列尽可能“对齐”，以揭示它们之间的相似性？这其中既有科学家的生物学直觉，也离不开精妙的算法设计。今天，让我们聚焦于比对算法的基础，并用一个直观的例子，深入了解Needleman-Wunsch算法这颗动态规划中的明珠，将矩阵的分值转化为真正的比对结果.

从字符到序列的最佳对齐

在进行序列比对时，我们通常需要回答以下三个问题：

序列间的相似性如何量化？（使用打分矩阵定义匹配、错配和缺口的得分）
什么是最佳比对？（得分最高的对齐方式）
如何有效找到最佳比对？（算法）

比对算法就是解决第3个问题的核心工具。对短序列，可以尝试列举所有可能的对齐方式，但随着序列变长，这种暴力方法的计算量会呈指数增长，显然无法处理实际问题。Needleman-Wunsch算法的提出，完美解决了这一难题。

将大问题拆解为小问题

动态规划的核心思想是“化整为零”：将一个复杂问题分解为许多小问题，通过解决这些小问题，逐步得出大问题的答案。

在Needleman-Wunsch算法中，序列比对的问题被表示为一个比对表（矩阵）。我们通过“填表”的方式，逐步找出最佳比对。

Needleman-Wunsch算法的步骤：一步步填出比对表

Step 1: 初始化比对表

假设我们有两段DNA序列： Sequence1：GATTUACA 和 Sequence2：GCATTACG。

我们建立一个比对表，行对应 Sequence1（纵向排列），列对应 Sequence2（横向排列）。

为了允许“缺口”（gap），第一行和第一列按缺口得分初始化。例如，假设缺口惩罚为-2，初始化如下：

	-	G	C	A	T	T	A	C	G
-	0	-2	-4	-6	-8	-10	-12	-14	-16
G	-2
A	-4
T	-6
T	-8
U	-10
A	-12
C	-14
A	-16

Step 2: 填充比对表

生物学相似性的追寻

Tue, 24 Apr 2018 00:00:00 +0000

在我们身体里，存在着肉眼看不见的"生命代码"——DNA、RNA和蛋白质序列。它们由四种碱基或二十种氨基酸排列而成，看似是简单的字符串，却记录着生命的全部奥秘。

生命代码的两大主角

要比对生命序列，首先得搞清楚它们长什么样。DNA序列由A（腺嘌呤）、T（胸腺嘧啶）、C（胞嘧啶）、G（鸟嘌呤）四种碱基组成。RNA将T换成了U（尿嘧啶）。蛋白质序列更为复杂，由20种氨基酸用单字母表示，比如A是丙氨酸，L是亮氨酸。这些字符的排列顺序决定了基因的功能——就像词序决定了句子的意义。

序列比对的基本概念

拿到一段陌生的DNA序列，想知道它的作用？最直接的方法是序列比对（sequence alignment）——把它与已知序列对齐，看看两段序列"像不像"。

相似性背后可能藏着共同的祖先、相似的功能，或进化的痕迹。如果能在已知序列中找到"亲戚"，往往就能推断出它的功能。

两段序列相似，究竟有多相似？科学家用一套打分体系来量化：

匹配得分：两个位置的字符相同，得分。
错配惩罚：字符不同，扣分。
缺口惩罚：需要插入"空白"（gap）对齐时，扣更多分。

相似度（similarity）指的是两个序列在对应位置上，匹配字符的数目占总长度的百分比。例如两条序列经过比对后：

Sequence1: C V H K A T
Sequence2: C I H K - T

有4处一致，1处相似，1处缺口。

identity = (4/6)*100% = 67%
similarity = (4+1/6)*100% = 83%

这套评分系统，让科学家能够快速评估比对结果的优劣。

打分矩阵的必要性

如果说序列比对是解读生命密码的艺术，打分矩阵（scoring matrix）就是它的调色盘。比对比的不仅是字符是否"对得上"，还需要考虑生物学意义——哪些替换是自然界常见的？哪些匹配最能反映进化关系？

序列比对中的"相似性"并非一概而论。以蛋白质为例，氨基酸的化学性质、功能、结构对其进化替换的频率有重要影响。比如，亮氨酸（L）替换为异亮氨酸（I）相对常见，因为都是疏水性氨基酸。而亮氨酸被替换为带正电的赖氨酸（K）就很少发生，可能破坏蛋白质功能。

打分矩阵的任务，正是为这些替换赋予合适的分值，使比对结果既符合生物学事实，又有助于后续分析。

常用的打分矩阵

PAM矩阵

PAM（Point Accepted Mutation）矩阵是最早的蛋白质打分矩阵之一。它以"单位进化时间"为基础——1 PAM相当于每100个氨基酸中约有1个发生了可接受的突变。PAM1自乘n次可以得到PAM-n，表示发生了更多次突变。

PAM矩阵的核心思想是：通过研究近亲物种的蛋白质序列，推测不同氨基酸在进化中的替换频率。

PAM1：适用于非常相似的序列。
PAM250：适用于亲缘关系较远的序列。

PAM矩阵像一台时间机器，帮我们回溯序列在进化中的替换轨迹。随着PAM数值增加，比对倾向于寻找远亲关系。

BLOSUM矩阵

BLOSUM（BLOcks SUbstitution Matrix）矩阵更关注当前的序列相似性，尤其适用于远亲序列的比对。它通过分析保守序列区块（blocks）中的氨基酸替换频率得出得分。

与PAM不同，BLOSUM不假设进化模型，而是基于实际观测数据生成。BLOSUM编号代表该矩阵由一致度≥该数值的序列计算而来。例如BLOSUM62是由一致度≥62%的序列计算得出。

BLOSUM62：最常用，适用于大多数情况。
BLOSUM80：更适合相似性较高的序列。
BLOSUM45：适合亲缘关系更远的序列。

简单说，BLOSUM后面数字越小，适合比较的序列相似度越低；数字越大，适合比较的序列相似度越高。

选择矩阵的原则

如何选择合适的矩阵？关键在于序列的"亲疏"。

相似序列（近亲）：选择细致的矩阵，如PAM1或BLOSUM80，强调微小差异。
差异较大序列（远亲）：选择更粗略的矩阵，如PAM250或BLOSUM45，允许更多替换。

这一选择直接影响比对结果的敏感性与特异性。近亲需要精确，远亲需要包容。

如何解读打分矩阵

下表为PAM-250矩阵，对角线上的数值为匹配氨基酸的得分。在其他位置上，≥0的得分代表对应的一对氨基酸为相似氨基酸，<0的是不相似的氨基酸。

	A	B	C	D	E	F	G	H	I	K	L	M	N	P	Q	R	S	T	U	V	W	X	Y	Z
A	2
B	0	3
C	-2	-4	12
D	0	3	-5	4
E	0	3	-5	3	4
F	-3	-4	-4	-6	-5	9
G	1	0	-3	1	0	-5	5
H	-1	1	-3	1	1	-2	-2	6
I	-1	-2	-2	-2	-2	1	-3	-2	5
K	-1	1	-5	0	0	-5	-2	0	-2	5
L	-2	-3	-6	-4	-3	2	-4	-2	2	-3	6
M	-1	-2	-5	-3	-2	0	-3	-2	2	0	4	6
N	0	2	-4	2	1	-3	0	2	-2	1	-3	-2	2
P	1	-1	-3	-1	-1	-5	0	0	-2	-1	-3	-2	0	6
Q	0	1	-5	2	2	-5	-1	3	-2	1	-2	-1	1	0	4
R	-2	-1	-4	-1	-1	-4	-3	2	-2	3	-3	0	0	0	1	6
S	1	0	0	0	0	-3	1	-1	-1	0	-3	-2	1	1	-1	0	2
T	1	0	-2	0	0	-3	0	-1	0	0	-2	-1	0	0	-1	-1	1	3
U	0	-1	-3	-1	-1	-2	-1	-1	-1	-1	-1	-1	0	-1	-1	-1	0	0	-1
V	0	-2	-2	-2	-2	-1	-1	-2	4	-2	2	2	-2	-1	-2	-2	-1	0	-1	4
W	-6	-5	-8	-7	-7	0	-7	-3	-5	-3	-2	-4	-4	-6	-5	2	-2	-5	-4	-6	17
X	0	-1	-3	-1	-1	-2	-1	-1	-1	-1	-1	-1	0	-1	-1	-1	0	0	-1	-1	-4	-1
Y	-3	-3	0	-4	-4	7	-5	0	-1	-4	-1	-2	-2	-5	-4	-4	-3	-3	-2	-2	0	-2	10
Z	0	2	-5	3	3	-5	0	2	-2	0	-3	-2	1	0	3	0	0	-1	-1	-2	-6	-1	-4	3

打分矩阵的表格看似复杂，但很直观：

	A	B	C	D	E	F	G	H	I	K	L	M	N	P	Q	R	S	T	U	V	W	X	Y	Z
A	2
B	0	3
C	-2	-4	12
D	0	3	-5	4
E	0	3	-5	3	4
F	-3	-4	-4	-6	-5	9
G	1	0	-3	1	0	-5	5
H	-1	1	-3	1	1	-2	-2	6
I	-1	-2	-2	-2	-2	1	-3	-2	5
K	-1	1	-5	0	0	-5	-2	0	-2	5
L	-2	-3	-6	-4	-3	2	-4	-2	2	-3	6
M	-1	-2	-5	-3	-2	0	-3	-2	2	0	4	6
N	0	2	-4	2	1	-3	0	2	-2	1	-3	-2	2
P	1	-1	-3	-1	-1	-5	0	0	-2	-1	-3	-2	0	6
Q	0	1	-5	2	2	-5	-1	3	-2	1	-2	-1	1	0	4
R	-2	-1	-4	-1	-1	-4	-3	2	-2	3	-3	0	0	0	1	6
S	1	0	0	0	0	-3	1	-1	-1	0	-3	-2	1	1	-1	0	2
T	1	0	-2	0	0	-3	0	-1	0	0	-2	-1	0	0	-1	-1	1	3
U	0	-1	-3	-1	-1	-2	-1	-1	-1	-1	-1	-1	0	-1	-1	-1	0	0	-1
V	0	-2	-2	-2	-2	-1	-1	-2	4	-2	2	2	-2	-1	-2	-2	-1	0	-1	4
W	-6	-5	-8	-7	-7	0	-7	-3	-5	-3	-2	-4	-4	-6	-5	2	-2	-5	-4	-6	17
X	0	-1	-3	-1	-1	-2	-1	-1	-1	-1	-1	-1	0	-1	-1	-1	0	0	-1	-1	-4	-1
Y	-3	-3	0	-4	-4	7	-5	0	-1	-4	-1	-2	-2	-5	-4	-4	-3	-3	-2	-2	0	-2	10
Z	0	2	-5	3	3	-5	0	2	-2	0	-3	-2	1	0	3	0	0	-1	-1	-2	-6	-1	-4	3

	A	B	C	D	E	F	G	H	I	K	L	M	N	P	Q	R	S	T	U	V	W	X	Y	Z
A	2
B	0	3
C	-2	-4	12
D	0	3	-5	4
E	0	3	-5	3	4
F	-3	-4	-4	-6	-5	9
G	1	0	-3	1	0	-5	5
H	-1	1	-3	1	1	-2	-2	6
I	-1	-2	-2	-2	-2	1	-3	-2	5
K	-1	1	-5	0	0	-5	-2	0	-2	5
L	-2	-3	-6	-4	-3	2	-4	-2	2	-3	6
M	-1	-2	-5	-3	-2	0	-3	-2	2	0	4	6
N	0	2	-4	2	1	-3	0	2	-2	1	-3	-2	2
P	1	-1	-3	-1	-1	-5	0	0	-2	-1	-3	-2	0	6
Q	0	1	-5	2	2	-5	-1	3	-2	1	-2	-1	1	0	4
R	-2	-1	-4	-1	-1	-4	-3	2	-2	3	-3	0	0	0	1	6
S	1	0	0	0	0	-3	1	-1	-1	0	-3	-2	1	1	-1	0	2
T	1	0	-2	0	0	-3	0	-1	0	0	-2	-1	0	0	-1	-1	1	3
U	0	-1	-3	-1	-1	-2	-1	-1	-1	-1	-1	-1	0	-1	-1	-1	0	0	-1
V	0	-2	-2	-2	-2	-1	-1	-2	4	-2	2	2	-2	-1	-2	-2	-1	0	-1	4
W	-6	-5	-8	-7	-7	0	-7	-3	-5	-3	-2	-4	-4	-6	-5	2	-2	-5	-4	-6	17
X	0	-1	-3	-1	-1	-2	-1	-1	-1	-1	-1	-1	0	-1	-1	-1	0	0	-1	-1	-4	-1
Y	-3	-3	0	-4	-4	7	-5	0	-1	-4	-1	-2	-2	-5	-4	-4	-3	-3	-2	-2	0	-2	10
Z	0	2	-5	3	3	-5	0	2	-2	0	-3	-2	1	0	3	0	0	-1	-1	-2	-6	-1	-4	3

Dynamic-Programming on TouchingFish.top