BLOSUM

Elimine las secuencias que sean idénticas en más del r%. Existen dos maneras de eliminar las secuencias: eliminando las secuencias del bloque o buscando secuencias similares y reemplazándolas por nuevas secuencias que representen el clúster. La eliminación se realiza para descartar las secuencias de proteínas que sean más similares que el umbral especificado.

Una base de datos que almacena los alineamientos de secuencias de las regiones más conservadas de familias de proteínas. Estos alineamientos se utilizan para derivar las matrices BLOSUM. Solo se utilizan las secuencias con un porcentaje de identidad inferior al umbral. Mediante el uso del bloque, se cuentan los pares de aminoácidos en cada columna del alineamiento múltiple.

Indica la proporción de la frecuencia de aparición de cada combinación de aminoácidos en los datos observados con respecto al valor esperado de la frecuencia de aparición del par. Se redondea y se utiliza en la matriz de sustitución.

${\displaystyle LogOddRatio=2\log _{2}{\left({\frac {P\left(O\right)}{P\left(E\right)}}\right)}}$

dónde${\displaystyle P\left(O\right)}$es la probabilidad de observar el par y${\displaystyle P\left(E\right)}$es la probabilidad esperada de que ocurra tal par, dadas las probabilidades de fondo de cada aminoácido.

Las probabilidades de parentesco se calculan a partir del logaritmo de la razón de probabilidades, que luego se redondean para obtener las matrices de sustitución BLOSUM.

Se requiere una matriz de puntuación o una tabla de valores para evaluar la significancia de una alineación de secuencias, como por ejemplo, para describir la probabilidad de que un par de residuos de aminoácidos o nucleótidos biológicamente significativos aparezca en una alineación. Normalmente, cuando se comparan dos secuencias de nucleótidos, solo se puntúa si dos bases son iguales en una posición. A todas las coincidencias y discrepancias se les asigna la misma puntuación (normalmente +1 o +5 para las coincidencias y -1 o -4 para las discrepancias). ^{[ 9 ]} Pero es diferente para las proteínas. Las matrices de sustitución para aminoácidos son más complejas e implícitamente tienen en cuenta todo lo que podría afectar la frecuencia con la que un aminoácido se sustituye por otro. El objetivo es proporcionar una penalización relativamente alta para alinear dos residuos si tienen una baja probabilidad de ser homólogos (correctamente alineados por descendencia evolutiva). Dos fuerzas principales hacen que las tasas de sustitución de aminoácidos se alejen de la uniformidad: las sustituciones ocurren con diferentes frecuencias y son menos toleradas funcionalmente que otras. Por lo tanto, las sustituciones son seleccionadas en contra. ^{[ 7 ]}

Las matrices de sustitución más utilizadas incluyen la matriz de sustitución por bloques (BLOSUM) ^{[ 1 ]} y la matriz de mutación puntual aceptada (PAM) ^{[ 10 ] [ 11 ]} . Ambas se basan en tomar conjuntos de alineamientos de alta confianza de muchas proteínas homólogas y evaluar las frecuencias de todas las sustituciones, pero se calculan utilizando métodos diferentes. ^{[ 7 ]}

Las puntuaciones dentro de un BLOSUM son puntuaciones de log-odds que miden, en una alineación, el logaritmo de la razón de la probabilidad de que dos aminoácidos aparezcan con un sentido biológico y la probabilidad de que los mismos aminoácidos aparezcan por azar. Las matrices se basan en el porcentaje mínimo de identidad de la secuencia de proteína alineada utilizada para calcularlas. ^{[ 12 ]} A cada identidad o sustitución posible se le asigna una puntuación basada en sus frecuencias observadas en la alineación de proteínas relacionadas. ^{[ 13 ]} Se da una puntuación positiva a las sustituciones más probables, mientras que se da una puntuación negativa a las sustituciones menos probables.

Para calcular una matriz BLOSUM, se utiliza la siguiente ecuación:

${\displaystyle S_{ij}={\frac {1}{\lambda }}\log {\frac {p_{ij}}{q_{i}q_{j}}}}$

Aquí,${\displaystyle p_{ij}}$es la probabilidad de dos aminoácidos${\displaystyle i}$y${\displaystyle j}$sustituyéndose entre sí en una secuencia homóloga, y${\displaystyle q_{i}}$y${\displaystyle q_{j}}$son las probabilidades de fondo de encontrar los aminoácidos${\displaystyle i}$y${\displaystyle j}$en cualquier secuencia de proteínas. El factor${\displaystyle \lambda }$es un factor de escala, establecido de tal manera que la matriz contenga valores enteros fácilmente computables.

BLOSUM80: más proteínas relacionadas

BLOSUM62: gama media

BLOSUM45: proteínas distantemente relacionadas

La matriz BLOSUM62 con los aminoácidos en la tabla agrupados según la química de la cadena lateral, como en (a). Cada valor en la matriz se calcula dividiendo la frecuencia de aparición del par de aminoácidos en la base de datos BLOCKS, agrupada al nivel del 62%, entre la probabilidad de que los mismos dos aminoácidos se alineen por casualidad. La razón luego se convierte a un logaritmo y se expresa como una puntuación de logaritmo de probabilidades, como para PAM. Las matrices BLOSUM generalmente se escalan en unidades de medio bit. ^{[ 14 ]} Una puntuación de cero indica que la frecuencia con la que se encontraron alineados dos aminoácidos dados en la base de datos fue la esperada por casualidad, mientras que una puntuación positiva indica que la alineación se encontró con más frecuencia que por casualidad, y una puntuación negativa indica que la alineación se encontró con menos frecuencia que por casualidad.

La matriz de probabilidad de bloques (PMB, por sus siglas en inglés) de 2004 utiliza la aditividad de las distancias evolutivas para mejorar el análisis de la base de datos BLOSUM. La versión actualizada de BLOSUM de 2001 se utilizó para generar un nuevo conjunto de matrices BLOSUM. Las "frecuencias de sustitución observadas" que se encuentran en estas matrices BLOSUM se utilizan para estimar las frecuencias de sustitución reales (con una mayor distancia evolutiva, es decir, un r menor , algunas sustituciones posteriores pueden enmascarar sustituciones anteriores). Por lo tanto, PMB define un modelo evolutivo verdadero como lo hacen PAM y JTT. No es una matriz simétrica . ^{[ 15 ]}

El código original escrito por Henikoff y Henikoff no se ajusta exactamente a la descripción del algoritmo que aparece en su artículo ^{[ 1 ]} . El BLOSUM62 de dicho programa se ha utilizado durante muchos años como estándar. Sorprendentemente, el BLOSUM62, aunque mal calculado, mejora el rendimiento de la búsqueda en comparación con la versión corregida de 2008 de la misma entropía relativa (RBLOSUM64). ^{[ 16 ]}

Un artículo de 2018 afirma que RBLOSUM es mejor que BLOSUM y CorBLOSUM. ^{[ 17 ]}

Un artículo de 2016 encuentra más errores en el código original que no fueron corregidos por la corrección RBLOSUM de 2008. La versión corregida de este artículo, CorBLOSUM, logra ser más efectiva que BLOSUM en la búsqueda de similitud en aproximadamente el 75% de los casos. ^{[ 18 ]}

Las puntuaciones BLOSUM se utilizaron para predecir y comprender las variantes del gen de superficie entre los portadores del virus de la hepatitis B ^{[ 19 ]} y los epítopos de células T. ^{[ 20 ]}

Las matrices BLOSUM también se utilizan como matriz de puntuación al comparar secuencias de ADN o secuencias de proteínas para evaluar la calidad del alineamiento. Este sistema de puntuación es utilizado por una amplia gama de software de alineamiento, incluido BLAST . ^{[ 21 ]}

La versión de referencia de BLOSUM se encuentra en los kits de herramientas del NCBI . Tanto el antiguo (obsoleto) kit de herramientas C del NCBI como el actual kit de herramientas C++ del NCBI proporcionan las matrices BLOSUM45, BLOSUM50, BLOSUM62, BLOSUM80 y BLOSUM90. Ambos también ofrecen API para utilizar las matrices. ^{[ 24 ] [ 25 ]}

El código fuente original para calcular BLOSUM también se encuentra en el sitio web del NCBI, en https://ftp.ncbi.nih.gov/repository/blocks/unix/blosum/ . Este archivo "blosum.tar.Z" representa la versión original con errores de cálculo y un rendimiento de búsqueda mejorado de 1992. ^{[ 16 ]} El archivo también contiene resultados de BLOSUM precalculados en los siguientes niveles de similitud: "-2" (blosumn), 30, 40, 45, 50, 55, 60, 62, 65, 70, 75, 80, 85, 90, 95 y 100. ^{[ 26 ]}