Fiche de révision : Recherche et alignement de séquences

📋 Plan du Cours

1. Fondements de la bio-informatique
2. Niveaux et champs d’application
3. Nomenclature et portails bio-informatiques
4. Bases de données biologiques
5. Catégories des sites bio-informatiques
6. Alignement des séquences biologiques
7. Comparaison et évolution des séquences
8. Matrices de scores de substitution
9. Matrices de substitution des protéines
10. Pénalités de brèches
11. Programmation dynamique et alignements
12. Format des séquences FASTA
13. Recherche locale avec BLAST
14. Interprétation des résultats BLAST
15. Alignements multiples et méthodes progressives

📖 1. Fondements de la bio-informatique

🔑 Notions clés & Définitions

• Bio-informatique : Domaine multidisciplinaire qui utilise des méthodes informatiques et mobilise notamment des bio-informaticiens, biologistes, informaticiens, mathématiciens, médecins et physiciens pour résoudre des problèmes scientifiques posés par la biologie.

📝 Points essentiels

• L’expression « biologie in silico » désigne aussi la bio-informatique par analogie avec « in vitro » et « in vivo » ; « in silico » est un néologisme formé à partir du terme anglais « silicon », qui désigne le silicium utilisé dans les processeurs d’ordinateurs.

• Au début des années 1960, les premières applications de l’informatique à l’analyse des séquences biologiques apparaissent dans le prolongement des avancées sur la structure de l’ADN, le séquençage des protéines et le déchiffrement du code génétique.

• Les fondations théoriques de la bio-informatique apparaissent dans les années 1970, et la discipline se développe particulièrement dans les années 1980.

• La bio-informatique se démocratise en France au début des années 2000 et prend ensuite une place prépondérante dans de nombreuses disciplines biologiques, médicales et pharmaceutiques.

📖 2. Niveaux et champs d’application

★ À maîtriser

• Les trois niveaux de pratique de la biologie in silico sont :

  • la recherche d’informations dans des bases de données
  • le dry lab fondé exclusivement sur des outils et données bio-informatiques
  • la recherche en bio-informatique qui crée des modèles ou des outils nouveaux

• Les champs d’application de la bio-informatique comprennent : la bio-informatique moléculaire, qui analyse les données issues des séquences d’ADN ou des protéines codées, la bio-informatique structurale, qui reconstruit, prédit ou analyse la structure tridimensionnelle et le repliement, la bio-informatique des réseaux, qui étudie des entités biologiques en interaction sous forme de réseaux

Compléments

• Le premier niveau de pratique consiste à retrouver dans des bases de données accessibles sur Internet des informations médicales ou techniques, notamment sur les gènes, les maladies, les variants, les séquences, l’expression et les fonctions biologiques.

• Le dry lab regroupe des activités exclusivement fondées sur des outils et des données bio-informatiques, telles que l’annotation, la recherche de gènes impliqués dans des maladies et l’interprétation de la structure, des variations et de l’évolution des génomes.

• Le troisième niveau, appelé computational biology par les Anglo-Saxons, correspond à la recherche qui crée des modèles informatiques ou de nouveaux outils, par exemple des programmes de prédiction biologique, et va au-delà du traitement des données.

• La bio-informatique moléculaire s’intéresse notamment à l’identification des ressemblances entre séquences et des gènes ou régions biologiquement pertinentes dans l’ADN ou les protéines.

• La bio-informatique des réseaux est aussi appelée biologie des systèmes ou médecine des systèmes selon le champ d’application, et permet une vision intégrée de systèmes multiéchelles et dynamiques tels que les cellules, les tissus ou les organes.

📖 3. Nomenclature et portails bio-informatiques

★ À maîtriser

📌 Le travail avec des méthodes informatiques exige une nomenclature commune, notamment pour les noms des gènes et des protéines, car l’absence de cohérence a causé des ambiguïtés et des erreurs au début de la génomique.

• Les deux principaux centres de bio-informatique cités sont le National Center for Biotechnology Information (NCBI), aux États-Unis, et le European Bioinformatics Institute (EBI), en Europe.

Compléments

• Le HUGO Gene Nomenclature Committee (HGNC) attribue à chaque gène un nom officiel associé à un symbole unique.

• Le HGVS Variant Nomenclature Committee (HVNC), placé sous l’autorité de la Human Genome Organisation (HUGO), définit et actualise la nomenclature HGVS pour décrire sans ambiguïté les variants de séquence au niveau de l’ADN, de l’ARN et des protéines.

• Les sites du NCBI et de l’EBI hébergent des bases de données et des outils bio-informatiques ; leur contenu est comparable, mais leur présentation diffère.

📖 4. Bases de données biologiques

🔑 Notions clés & Définitions

• Base de données : Collection de données structurées, indexées et périodiquement mises à jour.

★ À maîtriser

• Les bases de données sont généralement consultées par des sites web dont les liens croisés facilitent la navigation vers d’autres bases et des articles scientifiques, mais leur redondance peut rendre la navigation complexe.

• Les bases de données organisent les informations selon six niveaux : génome, transcrits, protéines, fonctions, dysfonctions et références bibliographiques.

Compléments

• L’informatique a permis de stocker et d’organiser l’information biologique et médicale sous forme de bases de données.

• Le niveau génomique regroupe les gènes, leur localisation chromosomique, leur séquence nucléique et leur structure en exons et introns.

• Le niveau des transcrits comprend les séquences codantes (CDS), les variants du transcrit et les ARN non traduits.

• Le niveau protéique comprend les séquences polypeptidiques, les isoformes, la structure, la spécificité tissulaire et la localisation subcellulaire.

• Les données fonctionnelles comprennent les domaines protéiques, les enzymes, les interactions et les voies métaboliques, tandis que les dysfonctions recensent les maladies ou syndromes associés.

📌 Les références bibliographiques des bases de données comprennent des articles présentant des résultats scientifiques originaux et des articles de revue dressant l’état des lieux d’un domaine.

📖 5. Catégories des sites bio-informatiques

🔑 Notions clés & Définitions

• Banques de séquences : Dépôts de séquences acquises et caractérisées, issues de différentes espèces, comprenant notamment des gènes et des ADN complémentaires.
• Sites de génomique : Sites fournissant des séquences de référence de génomes entiers avec leurs annotations et des outils de navigation appelés browsers.
• Sites d’exploitation : Sites extrayant des informations biologiques à partir des séquences brutes des banques au moyen de programmes informatiques.

★ À maîtriser

• Les quatre catégories de sites sont :

  • les banques de séquences
  • les sites de génomique
  • les sites d’exploitation
  • les sites dédiés à de grands projets ciblés

• Chaque séquence d’une banque reçoit un numéro d’accès unique qui permet de retrouver sans équivoque sa provenance et ses attributs, et qui est fréquemment indiqué dans les publications.

Compléments

• GenBank est une très grande banque généraliste de séquences nucléiques qui présente de la redondance, tandis qu’UniProtKB/Swiss-Prot contient des séquences protéiques annotées manuellement avec une redondance limitée.

• UCSC Genome Browser est un navigateur de séquences de référence des génomes qui synthétise de nombreuses sources de données in silico.

• Les grands projets ciblés portent notamment sur la caractérisation du transcriptome, du protéome et du variome, ainsi que sur des problématiques médicales comme la cancérologie, les haplotypes et la diversité interindividuelle.

• dbSNP inventorie des variants de petite taille, notamment des SNP, DGV catalogue les CNV et HGMD recense des variants pathogènes.

• HapMap est un projet international historique achevé, tandis que les données du projet 1000 Genomes sont maintenues et enrichies par l’International Genome Sample Resource.

• OMIM est une encyclopédie des maladies ayant une composante génétique et les relie si possible à des gènes, tandis qu’Orphanet fournit des informations sur les maladies rares et les médicaments orphelins en français.

📖 6. Alignement des séquences biologiques

🔑 Notions clés & Définitions

• Alignement de séquences : Représentation de deux ou plusieurs séquences d’ADN, d’ARN ou de protéines les unes sous les autres afin de faire ressortir leurs régions identiques ou similaires.
• BLAST : Altschul et ses collaborateurs - Programme recherchant des régions similaires entre deux séquences de nucléotides ou d’acides aminés et réalisant un alignement par paires de ces régions pour retrouver dans les bases des séquences similaires à une séquence requête.
• Clustal : Famille de programmes, comprenant ClustalW, ClustalX et Clustal Omega, qui réalise des alignements multiples d’au moins trois séquences, généralement protéiques mais aussi nucléiques.

★ À maîtriser

• L’alignement vise à repérer les correspondances (match) et les non-correspondances (mismatch) entre séquences et nécessite généralement des brèches (gaps), qui correspondent à des insertions ou délétions (indels).

📌 Dans un alignement protéique, une identité est une correspondance parfaite entre acides aminés, tandis qu’une similarité concerne des acides aminés différents aux propriétés physicochimiques semblables.

• L’interprétation évolutive des alignements considère que les séquences aux fonctions similaires peuvent dériver d’un ancêtre commun, que leurs divergences résultent de mutations et que les régions conservées subissent une pression de sélection maintenant la fonction.

Compléments

• Les alignements permettent de prédire des sites fonctionnels, souvent situés dans les régions les plus conservées sous forte pression de sélection.

• Une similarité significative avec une protéine de fonction connue peut suggérer une homologie et aider à prédire la fonction de la protéine étudiée.

• Si la structure secondaire ou tertiaire d’une protéine homologue est connue, l’alignement peut aider à prédire la structure de la protéine étudiée.

• Les alignements multiples au sein d’une famille de protéines peuvent servir à établir une phylogénie.

• Un alignement multiple peut révéler des motifs communs dans un groupe de protéines homologues, motifs susceptibles de contribuer à leur fonction ou à leur structure.

📖 7. Comparaison et évolution des séquences

🔑 Notions clés & Définitions

• Identité de séquences : La correspondance exacte du même nucléotide ou acide aminé, à une position donnée de l’alignement.
• Similarité de séquences : La présence de positions identiques ou occupées par des acides aminés différents auxquels la matrice de substitution attribue un score favorable.
• Homologie de séquences : Une parenté évolutive : deux séquences homologues dérivent d’un ancêtre commun.

★ À maîtriser

• Un alignement optimal de deux séquences est celui qui obtient le meilleur score parmi les alignements possibles, selon des critères définis.

Compléments

• La significativité d’un alignement s’évalue notamment en examinant la probabilité d’obtenir un alignement de qualité équivalente avec deux séquences aléatoires.

• Une similarité statistiquement significative peut étayer l’inférence d’une homologie, qui peut être confortée par des données structurales, fonctionnelles ou phylogénétiques.

• Un pourcentage de similarité peut être calculé, mais l’homologie est une relation binaire et ne s’exprime pas en pourcentage.

💡 Astuce mémo

Similarité décrit des positions conservées ; homologie affirme un ancêtre commun.

📖 8. Matrices de scores de substitution

🔑 Notions clés & Définitions

• Matrice de substitution : Un tableau attribuant des scores aux différentes paires de résidus susceptibles d’être placées face à face dans un alignement.

★ À maîtriser

• Pour les protéines, les scores des matrices de substitution sont généralement calculés à partir du logarithme du rapport entre la fréquence observée d’une paire de résidus dans des séquences apparentées et la fréquence attendue au hasard.

📌 Les matrices nucléiques utilisent généralement une récompense pour une correspondance et une pénalité pour une non-correspondance, sans tenir compte de la fréquence des bases, tandis que les matrices protéiques reposent sur les fréquences de substitution observées dans des alignements de protéines apparentées.

Compléments

• Les matrices BLOSUM et PAM sont deux familles couramment utilisées pour les substitutions entre acides aminés.

• Dans la matrice BLOSUM62, l’acide glutamique (E) a un score de substitution positif avec l’acide aspartique (D) et la glutamine (Q), mais négatif avec l’isoleucine (I) et la leucine (L).

💡 Astuce mémo

Fréquences de substitution observées → scores qui pondèrent l’alignement.

📖 9. Matrices de substitution des protéines

★ À maîtriser

• Dans BLOSUM62, les valeurs positives indiquent des paires d’acides aminés observées plus fréquemment qu’attendu au hasard dans des alignements de protéines apparentées, tandis que les valeurs négatives indiquent des paires moins fréquentes.

• Les matrices BLOSUM sont calculées à partir des fréquences de substitution observées dans des groupes de séquences apparentées issus de blocs d’alignements sans brèche de la base Blocks.

• Dans BLOSUM62, les séquences partageant au moins 62 % d’identité sont regroupées afin de limiter la surreprésentation des séquences très proches.

📌 Une valeur de seuillage BLOSUM plus faible regroupe des séquences plus éloignées sur le plan évolutif ; BLOSUM45 peut ainsi être utilisée pour rechercher des relations entre séquences plus divergentes, tandis que BLOSUM62 est une matrice d’usage général, notamment par défaut avec BLASTP.

Compléments

• Les scores diagonaux d’une matrice de substitution reflètent le caractère plus ou moins favorable de l’alignement d’un acide aminé avec lui-même par rapport au hasard ; le score élevé du tryptophane (W) s’explique par sa rareté, tandis que celui de la sérine (S), plus fréquente, est plus faible mais positif.

• Une unité PAM correspond à une moyenne d’une mutation ponctuelle acceptée pour 100 acides aminés, soit 1 %.

📌 Les matrices PAM sont fondées sur un modèle de distance évolutive établi à partir d’alignements de séquences fortement apparentées ; plus le nombre PAM est élevé, plus la distance évolutive modélisée est importante.

• Les matrices PAM couramment utilisées comprennent PAM120 et PAM250 ; les matrices BLOSUM sont très utilisées pour aligner des protéines et rechercher des similarités dans les banques de données, tandis que les matrices PAM restent importantes pour modéliser les distances évolutives.

• La matrice de score doit être choisie en fonction du degré de divergence attendu entre les séquences ; les serveurs sélectionnent souvent BLOSUM62 par défaut, tout en proposant d’autres matrices.

• À pH physiologique, la chaîne latérale de l’histidine est majoritairement non chargée, mais peut facilement se protoner ou se déprotoner selon son environnement ; l’histidine est généralement classée parmi les acides aminés basiques.

💡 Astuce mémo

BLOSUM regroupe des séquences ; PAM modélise une distance évolutive.

📖 10. Pénalités de brèches

★ À maîtriser

• Les insertions et les délétions de nucléotides ou d’acides aminés peuvent nécessiter l’introduction de brèches dans l’une des séquences pour obtenir un meilleur alignement.

• Une pénalité de brèche rend l’ajout d’une brèche coûteux dans le score total afin que les brèches ne soient ouvertes que lorsqu’elles sont nécessaires.

📌 La plupart des modèles distinguent la pénalité d’ouverture d’une brèche de celle de son extension, cette dernière étant souvent moins élevée, car les insertions et délétions évolutives apparaissent plutôt par petits blocs.

Compléments

• Les pénalités d’ouverture et d’extension dépendent notamment du type de séquences comparées et de la matrice de scores choisie.

• Pour BLASTP, les pénalités de brèche associées à BLOSUM62 sont 11 à l’ouverture et 1 à l’extension, tandis qu’avec BLOSUM45 le couple utilisé est 15/2.

💡 Astuce mémo

Ouvrir une brèche coûte généralement plus cher que l’étendre.

📖 11. Programmation dynamique et alignements

🔑 Notions clés & Définitions

• Programmation dynamique : Classe de méthodes d’optimisation qui décompose un problème en sous-problèmes plus petits dont les solutions peuvent être réutilisées.

★ À maîtriser

• Pour résoudre un problème d’optimisation, la programmation dynamique décompose le problème en sous-problèmes qui se recouvrent, calcule et stocke leurs scores intermédiaires dans un tableau, puis détermine le chemin conduisant au score optimal.

• En comparaison de deux séquences, la programmation dynamique vise à maximiser le score total de l’alignement en favorisant les paires de résidus à score élevé et en minimisant les brèches ainsi que les paires à score faible ou négatif.

Compléments

• La programmation dynamique a été décrite pour la première fois dans les années 1950 par Richard Bellman de l’université de Princeton comme méthode générale d’optimisation.

• La programmation dynamique semble avoir été introduite dans la comparaison de séquences biologiques par Saul Needleman et Christian Wunsch.

📌 Pour chaque paire de résidus, l’algorithme compare trois possibilités : aligner les deux résidus, ce qui peut correspondre à une identité ou une substitution, ou insérer une brèche dans l’une des deux séquences, ce qui correspond à une insertion ou une délétion.

💡 Astuce mémo

Sous-problèmes → scores stockés → chemin optimal.

📖 12. Format des séquences FASTA

🔑 Notions clés & Définitions

• Fichier FASTA : Fichier contenant une ou plusieurs séquences, chaque enregistrement étant constitué d’une ligne d’identification commençant par « > », suivie d’un commentaire permettant d’identifier la séquence.

★ À maîtriser

• La seconde partie d’un enregistrement FASTA contient la séquence de nucléotides ou d’acides aminés, répartie sur une ou plusieurs lignes.

Compléments

📌 Les programmes lisant des fichiers FASTA doivent accepter des longueurs de lignes différentes, mais il est recommandé de vérifier leur documentation pour formater correctement les données.

📖 13. Recherche locale avec BLAST

🔑 Notions clés & Définitions

• BLAST : Programme qui compare une séquence à une banque en recherchant des régions de similarité locale plutôt qu’un alignement optimal sur toute la longueur des séquences.

★ À maîtriser

• 🔄 BLAST procède en plusieurs étapes :

  1. Repérer des mots suffisamment similaires à la séquence requête.
  2. Retrouver ces mots dans les séquences de la banque.
  3. Étendre les correspondances dans les deux directions tant que le score reste assez élevé.
  4. Construire des paires de segments de score élevé (HSP).
  5. Classer les alignements selon leur score et leur valeur E.

• Les cinq principaux programmes BLAST sont :

  • BLASTN
  • BLASTP
  • BLASTX
  • TBLASTN
  • TBLASTX

📌 BLASTN compare une requête nucléique à une banque nucléique, tandis que BLASTP compare une requête protéique à une banque protéique.

Compléments

• BLAST peut effectuer des centaines voire des milliers de comparaisons en quelques secondes et comparer une séquence requête à une banque complète en quelques minutes.

• BLASTX traduit une requête nucléique dans les six cadres de lecture et la compare à une banque de séquences protéiques.

• TBLASTN compare une requête protéique à une banque de séquences nucléiques traduites dynamiquement dans les six cadres de lecture.

• TBLASTX compare une requête nucléique traduite dans les six cadres de lecture à une banque nucléique traduite dynamiquement dans les six cadres de lecture.

• L’utilisation locale de BLAST permet notamment de créer des banques de séquences personnalisées, par exemple avec des séquences non publiées.

📖 14. Interprétation des résultats BLAST

🔑 Notions clés & Définitions

• Score brut : Score obtenu en additionnant les scores des paires de résidus alignées et les pénalités liées aux brèches.
• Valeur E : Estimation du nombre d’alignements de score au moins égal au score observé que l’on obtiendrait par hasard dans une recherche de même taille.

★ À maîtriser

📌 Plus la valeur E est faible, moins un alignement est susceptible d’être dû au hasard.

• En dessous d’environ 30 % d’identité entre deux séquences protéiques, établir une relation évolutive sur la seule base de l’alignement devient difficile, mais ce seuil indicatif dépend aussi de la longueur et de la significativité statistique de l’alignement.

Compléments

• BLAST fournit un score normalisé exprimé en bits, qui facilite la comparaison entre recherches.

• Une valeur E proche ou supérieure à 1 indique que des alignements de cette qualité peuvent être obtenus par hasard, sans démontrer à elle seule l’absence de parenté entre les séquences.

• Une valeur E de 1 × 10-3 (0,001) constitue un seuil fréquemment utilisé comme repère, mais le seuil pertinent dépend du contexte de l’analyse.

📌 Un seuil de valeur E plus permissif affiche des correspondances plus distantes, mais augmente aussi le nombre d’alignements susceptibles d’être dus au hasard.

• Pour des protéines de faible identité supposées apparentées, l’analyse structurale peut apporter des arguments supplémentaires en faveur de leur parenté.

📌 L’absence de similarité significative dans une comparaison de séquences ne suffit pas à exclure une parenté évolutive, car les séquences peuvent avoir trop divergé pour que leur relation soit détectable.

💡 Astuce mémo

Score pour la qualité de l’alignement, valeur E pour sa plausibilité au hasard

📖 15. Alignements multiples et méthodes progressives

🔑 Notions clés & Définitions

• Alignement multiple : Comparaison d’au moins trois séquences en une seule fois afin d’étudier des séquences apparentées, leurs relations évolutives et leurs motifs communs liés à leur fonction ou structure.

★ À maîtriser

📌 L’extension de la programmation dynamique à plusieurs séquences est théoriquement possible, mais le temps de calcul et la mémoire nécessaires augmentent très rapidement avec leur nombre, rendant généralement cette recherche d’alignement optimal inapplicable lorsque celui-ci augmente.

• Les stratégies progressives alignent des paires de séquences successivement ; elles sont rapides, utilisent relativement peu de mémoire et donnent de bons résultats avec des séquences homologues bien conservées.

• Dans un alignement multiple de protéines homologues, les régions les plus conservées correspondent souvent à des éléments structuraux ou fonctionnels importants, tandis que les régions moins conservées présentent généralement davantage de variabilité de séquence et de structure.

Compléments

• Un alignement multiple peut concerner jusqu’à plusieurs centaines de séquences.

• Les logiciels d’alignement multiple recourent à des méthodes heuristiques, notamment à des stratégies progressives, pour contourner le coût de la recherche optimale.

📌 Les stratégies progressives se distinguent par le choix de la paire initiale, l’ajout successif des séquences à un alignement enrichi ou leur regroupement en sous-familles alignées entre elles, ainsi que par la pondération des alignements individuels et cumulés.

• Clustal est un des programmes les plus utilisés pour l’alignement multiple.

📌 Dans ClustalW, les pénalités d’ouverture de brèche peuvent être modulées selon la nature des résidus et le contexte local ; elles sont notamment réduites dans certaines régions hydrophiles et peuvent être renforcées lorsqu’une brèche est ouverte trop près d’une autre.

📊 Tableaux de synthèse

Identité, similarité et homologie

Matrices BLOSUM et PAM