這一次我們來(lái)看生物信息學(xué)分析的一個(gè)重要內(nèi)容：序列比較。無(wú)論你是研究核酸的還是蛋白質(zhì)的哩至，無(wú)論你是搞測(cè)序的還是搞結(jié)構(gòu)的惕耕，甚至是編程的纺裁，都逃不掉序列的比較。

• 那什么是序列呢司澎？- 序列的英文名字是 sequence欺缘，這個(gè)單詞一定要記住。

• 那序列長(zhǎng)什么樣子呢挤安？- s 就是一條序列：s=abcdefghijklmnopqrstuvwxyz谚殊。

看了這個(gè)例子，學(xué)計(jì)算機(jī)的同學(xué)可能要笑了：“這不就是個(gè)字符串嗎蛤铜？我們管這個(gè)叫 string”嫩絮。

沒(méi)錯(cuò)丛肢，序列就是字符串剿干， 由字符穿成的串蜂怎。通常用 si 代表序列 s 的第 i 個(gè)字符，比如 s4是 s 的第 4 個(gè)字符置尔，也就 是 d杠步。當(dāng)然你的字符串是從 0 位開(kāi)始計(jì)數(shù)還是從 1 位開(kāi)始，自己根據(jù)需要定榜轿！還有幽歼，習(xí)慣上 用 s'代表 s 的子序列。這些都是大家上計(jì)算機(jī)課已經(jīng)熟知的了谬盐。

我們這里研究的序列主要是指蛋白質(zhì)序列和核酸序列甸私。

蛋白質(zhì)序列是由 20 個(gè)不同的字母，也就是 20 種不同的氨基酸排列組合而成飞傀。

核酸序列是由 4 種不同的字母皇型，也就是 4 種 不同的堿基排列組合而成。

核酸序列又分為 DNA 序列和 RNA 序列助析。 生物序列有自己的書(shū)寫(xiě)格式犀被，而且格式很多。不同的處理軟件會(huì)用到不同的格式外冀，但是最常用的寡键，大多數(shù)軟件都識(shí)別的格式是 FASTA 格式。這個(gè)格式我們已經(jīng)介紹過(guò)了雪隧，這里再?gòu)?fù)習(xí)一下西轩。

FASTA 格式，第一行是一個(gè)大于號(hào)“>”開(kāi)頭脑沿，后面緊接注釋信息藕畔，比如序列的名字，編號(hào)等庄拇。因?yàn)榍懊嬗写笥谔?hào)注服，序列分析軟件會(huì)自動(dòng)識(shí)別這是一條序列的開(kāi)始，且這一行是注釋而不是序列措近。從第二行開(kāi)始就是純序列部分溶弟，除了序列什么都不要寫(xiě)。最早定義 60 個(gè)字母一行瞭郑，現(xiàn)在這個(gè)規(guī)定不重要了辜御，經(jīng)常見(jiàn)到的也有 80 個(gè)一行的，或者不分行屈张，一行寫(xiě)下來(lái)的擒权，根據(jù)實(shí)際需要自己決定袱巨！再次強(qiáng)調(diào)，一定要記住這個(gè) FASTA 格式碳抄！后面會(huì)經(jīng)常使用這個(gè)格式的序列愉老。

認(rèn)識(shí)了序列就要開(kāi)始比較了，可是我們?yōu)槭裁匆容^它們呢纳鼎？比較的目的是為了找相似俺夕。 特別是從一大堆序列里找相似裳凸，這就是數(shù)據(jù)庫(kù)中的序列相似性搜索贱鄙。

如果給你一條序列，蛋白質(zhì)序列也好姨谷，核酸序列也罷逗宁，讓你從數(shù)據(jù)庫(kù)中找到與它相同或相似的序列。這不是能用眼睛去完成的了梦湘，因?yàn)閿?shù)據(jù)庫(kù)中的序列實(shí)在是太多瞎颗。我們了解到 UniProtKB 下屬的數(shù)據(jù)庫(kù)中，蛋白質(zhì)序列的數(shù)量是驚人的捌议。別說(shuō)從這里面找了哼拔， 就是讓你用眼睛比較一對(duì)序列都是不可能做到的。 所以我們需要特殊的算法瓣颅，特殊的工具倦逐， 在盡可能準(zhǔn)確的前提下，快速找到相似的序列宫补。

假設(shè)我們已經(jīng)找到相似的序列了檬姥，那接下來(lái)又能干什么呢，也就是說(shuō)找到這些相似的序 列有什么意義呢粉怕？意義在于健民，相似的序列往往起源于一個(gè)共同的祖先。它們很可能有相似的空間結(jié)構(gòu)和生物學(xué)功能贫贝。

因此秉犹，對(duì)于一個(gè)已知序列但未知結(jié)構(gòu)和功能的蛋白質(zhì)，如果與它序列相似的某些蛋白質(zhì)的結(jié)構(gòu)和功能已知稚晚，那么就可以推測(cè)出這個(gè)未知結(jié)構(gòu)和功能的蛋白質(zhì)的結(jié)構(gòu)和功能崇堵。簡(jiǎn)言之，相似的序列意味著相似的結(jié)構(gòu)蜈彼，相似的結(jié)構(gòu)意味著相似的功能筑辨。

當(dāng)然， 這也存在例外幸逆，比如兩個(gè)人可能長(zhǎng)得很相似棍辕，但其他方面相差甚遠(yuǎn)暮现。要說(shuō)兩個(gè)人有多相似，可以很相似楚昭，也可以很不相似栖袋，但是沒(méi)有辦法量化。

不過(guò)抚太，序列有多相似是可以量化的塘幅。 我們用一致度（identity）和相似度（similarity）這兩個(gè)指標(biāo)來(lái)定量描述序列有多相似。 我們先從最簡(jiǎn)單的情況入手尿贫，看看如何計(jì)算一致度和相似度电媳。

如果兩個(gè)序列長(zhǎng)度相同，那么它們的一致度可以暫時(shí)定義為它們對(duì)應(yīng)位置上相同的殘基數(shù)目占總長(zhǎng)度的百分比庆亡。一個(gè)殘基就是指一個(gè)字母（氨基酸或堿基）匾乓。

比如下面這兩條序列中， 上下相同的殘基位置有 2 個(gè)又谋，序列長(zhǎng)度為 4拼缝。它們的一致度就是 2 除以 4，50%彰亥。再看相似度咧七，如果兩個(gè)序列長(zhǎng)度相同，那么它們的相似度可以暫時(shí)定義為他們對(duì)應(yīng)位置上相似的殘基 與相同的殘基的數(shù)目和占總長(zhǎng)度的百分比任斋。這里继阻，相同好找，但是相似怎么找呢仁卷？比如 L 和 I 是否相似穴翩？K 和 L 是否相似呢？要解決這個(gè)問(wèn)題锦积，我們需要替換記分矩陣芒帕。