Curs 08

BIOLOGIE COMPUTAIONAL
ANALIZA DE SIMILARITATE.
3.1. SIMILARITATE CALITATIV
(DEFINIIE & MSURI DE
SIMILARITATE)
Sorana D. BOLBOAC
Despre
SIMILARITATE: DEFINIIE
SIMILARITATE SAU OMOLOGIE
METODE DE CALCUL A SIMILARITII
MATRICEA DE SIMILARITATE
BIOLOGIE COMPUTA
OMPUTAIONAL
IONAL BIODIVERSITATE & BIOCONSERVARE CURS 8
SIMILARITATE: DEFINIIE
Similar
= analog, apropiat, asemntor, asemenea,

corespondent, nrudit, (nv.) asemnat,
podobnic, semntor
= de aceeai natur, de acelai fel; asemntor,
analog
BIOLOGIE COMPUTA
OMPUTAIONAL
SIMILARITATE: DE CE?
Punct de plecare pentru determinarea i
nelegerea funciei proteinei (similaritate
structural i topologic a proteinelor)
Punct de plecare pentru identifiarea de noi
compui biologic activi (ex. compui chimici
cu aciune bactericid, erbicid, terapeutic,
etc.)
BIOLOGIE COMPUTA
OMPUTAIONAL
SIMILARITATE SAU OMOLOGIE

Similaritate Omologie
25% similaritate = 100 AA o eviden
puternic a omologiei
Omologia = descendent al unui strmo comun
Structur 3D comun
Frecvent aceeai funcie
Omologia e totul sau nimic
BIOLOGIE COMPUTA
OMPUTAIONAL
RICHARD OWEN (1804-1892)
BIOLOGIE COMPUTA
OMPUTAIONAL
OMOLOGIE
Caracter omolog = caracteristic a organismelor
derivate dintr-un strmo comun.
Owen (1847): coresponden structural (similaritate a
caracteristicilor datorit nrudirii)
Un caracter omolog poate fi:
Homoplazic: a evoluat independent dar din aceeai

surs ancestral.
Plesiomorfic: prezent la nivelul unei surse ancestrale
comune dar care s-a pierdut la nivelul unor descendeni
(urmai).
(sin)apomorfic: prezent la nivelul unei surse ancestrale
comune i respectiv la nivelul tuturor descendenilor
(urmailor).
BIOLOGIE COMPUTA
OMPUTAIONAL
OMOLOGIE: EXEMPLU
Frunzele au diferite forme i funcii dar au structur
omoloag, derivat dintr-o surs ancestral comun
BIOLOGIE COMPUTA
OMPUTAIONAL
OMOLOGIE: EXEMPLU
Omologie anatomic:
Aceeai structur de baz
Aceeai relaie cu alte pri ale corpului
Dezvoltare similar la nivelul embrionului
BIOLOGIE COMPUTA
OMPUTAIONAL
OMOLOGIE: EXEMPLU
Globine umane
Sursa:http://books.google.ro/books?id=Emr0ZABQUAIC&pg=PA50&lpg=PA50&dq=hemoglobin+ho
mology+comparison&source=bl&ots=wM0DKEBJro&sig=o9LhrlfxCKleWliiWkmBPV3u1A0&hl=ro
&ei=5jwoTa3jB4is8gOItdClAg&sa=X&oi=book_result&ct=result&resnum=8&ved=0CFAQ6AEwBzg
K#v=onepage&q=hemoglobin%20homology%20comparison&f=false
BIOLOGIE COMPUTA
OMPUTAIONAL
OMOLOGIE: EXEMPLU
Lanul beta al hemoglobinei

umane difer cu numrul
specificat de aminoacizi
pentru speciile:
BIOLOGIE COMPUTA
OMPUTAIONAL
OMOLOGIE: EXEMPLU
Zuckerkandl E., L. Pauling. Evolutionary Divergence and

Convergence in Proteins, in Evolving Genes and Proteins, eds. V.
Bryson and H. Vogel (New York: Academic Press, 1965). pp. 97166.
BIOLOGIE COMPUTA
OMPUTAIONAL
OMOLOGIE: SECVENE GENETICE

Secvenele omoloage se mai numesc i secvene
conservate.
Omologia n structura secvenelor de aminoacizi sau
baze purinice i piridimidinice se face pe baza
similaritii secvenelor.
Similaritatea secvenelor poate ns s apar i n
absena unui strmo comun: similaritatea secvenelor
scurte poate s apar datorit ansei, secvenele pot fi
similare deoarece au fost selectate pentru a se lega de
o anumit protein (ex. factor de transcripie). Aceste
secvene sunt similare dar nu i omoloage.
BIOLOGIE COMPUTA
OMPUTAIONAL

Exprimarea de tipul procentul omologiei este
incorect. Pentru a cuantifica similaritatea ntre
secvene se utilizeaz expresii de tipul
procentul de identitate sau procentul de
similaritate.
BIOLOGIE COMPUTA
OMPUTAIONAL
OMOLOGIE: DEFINIIE
Omologie: o gen n relaie cu alt gene, ambele
provenind de la o secven ADN ancestral
comun.
Speciaia: originea unei noi specii capabile s
triasc ntr-o modalitate nou n comparaie cu
specia din care a luat natere.
Paralogie: gene relaionate prin duplicaie ntr-un
genom. n cazul paralogiei funcia genei evolueaz
chiar dac este relaionat cu funcia iniial.
BIOLOGIE COMPUTA
OMPUTAIONAL
OMOLOGIE: DEFINIIE
Ortologie: gene ale speciilor diferite care
evolueaz dintr-o gen ancestral comun prin
speciaie. n mod normal, n cazul ortologiei
funcia se menine pe parcursul evoluiei .
Identificarea ortologiei este important pentru
predicia unei funcii a unei gene ntr-o nou
secven.
BIOLOGIE COMPUTA
OMPUTAIONAL

Teoria Darwin-ist reinterpreteaz omologia ca strmo comun
BIOLOGIE COMPUTA
OMPUTAIONAL

Ortologia apare prin speciaie
BIOLOGIE COMPUTA
OMPUTAIONAL

Paralogia apare prin duplicaie
BIOLOGIE COMPUTA
OMPUTAIONAL
EVOLUIE: EXEMPLU
Sonnhammer & Koonin (2002) TIGs 18 619-220
BIOLOGIE COMPUTA
OMPUTAIONAL
EVOLUIE: EXEMPLU
Gena drojdiei este n relaie de tip ortogonal pentru toate genele

umane i ale viermilor; toate aceste gene sunt co-ortogonale cu
gena drojdiei
BIOLOGIE COMPUTA
OMPUTAIONAL
EVOLUIE: EXEMPLU
Toate genele din clasa HA* sunt co-ortogonale

cu toate genele de tipul WA*
BIOLOGIE COMPUTA
OMPUTAIONAL
EVOLUIE: EXEMPLU
Genele HA* sunt inparalogs una fa de alta

cnd comparm omul cu viermele
BIOLOGIE COMPUTA
OMPUTAIONAL
EVOLUIE: EXEMPLU
Speciaie
Duplicaie
Genele HB i HA* are outparalogs cnd
comparm omul cu viermele
BIOLOGIE COMPUTA
OMPUTAIONAL
SIMILARITATE vs OMOLOGIE
Proteinele umane i ale cimpanzeului sunt identice n
procent de 99%. Diferenele ntre secvenele AND
non-repetitive sunt ns mai mari.
Lanul alfa al hemoglobinei difer la om fa de cal cu
aproximativ 17 aminoacizi
LHRH (luteinizing hormone-releasing hormone) este
identic la amfibieni i mamifere dar diferit fa de cel
al psrilor, reptilelor i anumitor peti.
Citocromul C este foarte similar la om i cimpanzeu
(diferen de doar un aminoacid)
BIOLOGIE COMPUTA
OMPUTAIONAL
Se utilizeaz pentru alinierea secvenelor
Scor mare pozitiv: caractere similare
Scor mic sau negativ: caractere nesimilare
BIOLOGIE COMPUTA
OMPUTAIONAL
Alinierea secvenelor de amino-acizi:
Pentru baze identice se atribuie un scor de +1

n caz contrar se atribuie un scor de -1
Alinierea secvenelor de proteine:
Matricea de similaritate este mai complicat

datorit existenei a 20 aminoacizi
Matricea conine 400 de intrri
BIOLOGIE COMPUTA
OMPUTAIONAL
Matrice mprit de diagonal
(Swindell, BMC Genomics,
2007 ):
Dreapta: culorile nchise
indic similaritate mare
ntre rnd i coloan
Stnga: nivelul se
semnificaie a similaritii
BIOLOGIE COMPUTA
OMPUTAIONAL
Matricea de similaritate (Williams et al., 2001):
Calculat prin aplicarea coeficientului de corelaie

Culorile identific semnificaia coeficientului de corelaie
BIOLOGIE COMPUTA
OMPUTAIONAL
INDICATORI DE SIMILARITATE
Indicele Jaccard:
Coeficient de similaritate Jaccard

Statistic utilizat pentru similaritii i diversitii a
mai multor eantioane
|XY|
Formula de calcul: J (X, Y ) =
|XY|
Distana Jaccard: 1- J(X,Y)
BIOLOGIE COMPUTA
OMPUTAIONAL
Indicele Jaccard: exemplu
Fie dou eantioane X i Y.
Tabelul conine frecvena
absolut a caracterelor
pentru eantioanele X,
respectiv Y:
BIOLOGIE COMPUTA
OMPUTAIONAL
Indicele Jaccard: exemplu
Aplicarea legii Totul sau
nimic (ex. prezent = 1 / absent
= 0)
Aplicarea formulei de calcul a
Indicelui Jaccard:
J = 4/5 = 0,80
Calcularea distanei Jaccard:
Jd = 1-0.80 = 0,20
BIOLOGIE COMPUTA
OMPUTAIONAL
Coeficientul Dice:
Formula de calcul: D = 2J/(1 + J)

D ia valori n intervalul [0, 1]
Pentru exemplul precedent: J = 0,80
D = 2*0,80/(1+0,80) = 0,89
BIOLOGIE COMPUTA
OMPUTAIONAL
Coeficientul Tanimoto:
Similaritatea cosin
Identificarea unghiului dintre 2 vectori de dimensiune n
Frecvent utilizat n compararea documentelor n text
minning
Formula de calcul
XY
T ( X, Y ) =
|| X ||2 + || Y ||2 X Y
BIOLOGIE COMPUTA
OMPUTAIONAL
Indicele Tversky (abreviat cu S):
Msur asimetric a similaritii

Utilizat pentru compararea unei variate cu un prototip
Poate fi vzut ca o generalizare a coeficientului Dice sau
Tanimoto
S ia valori n intervalul [0, 1]
Datorit asimetriei, indicele Tversky nu ndeplinete
condiiile unei metrici de similaritate
BIOLOGIE COMPUTA
OMPUTAIONAL
Indicele Tversky (abreviat cu S):
Formula de calcul:
|XY|
S(X, Y) =
| X Y | + | X Y | + | Y X |
unde , 0 sunt parametrii indicelui Tversky.
= = 1 coeficientul Tanimono
= = 0.5 coeficientul Dice
BIOLOGIE COMPUTA
OMPUTAIONAL
Indicele Srensen (coeficientul de similaritate
Srensen):
Abreviere: QS
Compar similaritatea a dou eantioane.
Se aplic pentru variabile de tip calitativ.
Formula:
QS = 2C/(A+B)
unde A i B sunt numrul de specii n eantionul A,
respectiv B; C = numrul de specii comune celor dou
eantioane
BIOLOGIE COMPUTA
OMPUTAIONAL
Indicele Srensen (coeficientul de similaritate
Srensen):
Ia valori identice cu coeficientul Dice

Cunoscut i sub denumire de indicele Czekanowski
Transformat n distan: 1-QS
Identic cu distana Hellinger
Identic cu disimilaritatea Bray Curtis
n comparaie cu distana Euclidian, distana
Srensen i pstreaz sensibilitatea n seturi de date
heterogene i d greutate mai mic outlier-ilor
BIOLOGIE COMPUTA
OMPUTAIONAL
COMPARAREA SIMILARITII
Condiii de aplicare:
Acelai numr de specii & Acelai tip de specii
6 specii
36 indivizi
6 specii
36 indivizi
BIOLOGIE COMPUTA
OMPUTAIONAL
Indicele Simpson
Simbol: D
Definiie: probabilitatea ca doi indivizi extrai la
ntmplare din populaie s aparin aceleai specii
Formula de calcul:
n (n 1)
D=
i
D = (ni/N)2 sau
unde ni = numrul de indivizi al speciei i, N = numrul

de indivizi ai tuturor speciilor
N ( N 1)
BIOLOGIE COMPUTA
OMPUTAIONAL
Indicele Simpson
D ia valori n intervalul [0, 1]

Interpretare:
0 = diversitate
1 = lipsa diversitii (cu ct valorare lui D este mai
mare cu att diversitatea este mai mic)
BIOLOGIE COMPUTA
OMPUTAIONAL
Mrimi derivate: Indicele de diversitate Simpson
Formula de calcul: 1-D

Ia valori n intervalul [0, 1]
Cu ct valoarea este mai mare cu att diversitatea n
eantion este mai mare
Reprezint probabilitatea ca 2 indivizi extrai la
ntmplare s aparin unor specii diferite
BIOLOGIE COMPUTA
OMPUTAIONAL
Mrimi derivate: Reciproca Indicelui Simpson
Simbol: ds
Formula de calcul:
N ( N 1)
ds =
ni (ni 1)
ds = 1 eantionul conine o singur specie

Interpretare:
cu ct valoarea este mai mare cu att diversitatea este
mai mare
valoarea maxim pe care o poate lua este egal cu
numrul maxim de specii
BIOLOGIE COMPUTA
OMPUTAIONAL
Indicele de diversitate al lui Shanon (H):
Formula de calcul:
H = piln(pi)
unde pi = probabilitatea de apariie a speciei i
Interpretare: cu ct valoarea indicatorului e
mai mare cu att diversitatea e mai mare.
BIOLOGIE COMPUTA
OMPUTAIONAL
Indicele Simpson d o greutate mai mare speciilor mai
abundente din eantion. Existena Adugarea speciilor rare n
eantion determin doar modificri mici n valoarea lui D.
Exemplu
Compara similaritatea prin utilizarea indicelui Simpson i

derivailor (pai):
Identificarea eantioanelor de comparat (ariilor)
Identificarea i cuantificarea speciilor pentru fiecare
eantion
Aplicarea formulelor de calcul pentru identificarea
valorilor indexului Simpson i a derivailor
Interpretarea rezultatelor
BIOLOGIE COMPUTA
OMPUTAIONAL
BIOLOGIE COMPUTA
OMPUTAIONAL
BIOLOGIE COMPUTA
OMPUTAIONAL
BIOLOGIE COMPUTA
OMPUTAIONAL
BIOLOGIE COMPUTA
OMPUTAIONAL
Indicele Srensen
Scop: Analiza similaritii primilor 40 aa al concavalinei

Br n comparaie cu concavalia Ma
Material:
BIOLOGIE COMPUTA
OMPUTAIONAL
Indicele Srensen
Metod:
Realizarea tabelului de frecven pentru fiecare ir de
aminoacizi (Microsoft Excel [Data PivotTable and
PivotChart Report...])
BIOLOGIE COMPUTA
OMPUTAIONAL
Indicele Srensen
Rezultat:
Calcularea parametrilor A, B i C:
A (Co-Br) = 16
B (Co-Ma) = 17
C = 16
Indicele Srensen: QS = 2C/(A+B) = 2*16/(16+17) =
0.9697
Distana Srensen = 1-QS = 1-0.9697 = 0.0303
BIOLOGIE COMPUTA
OMPUTAIONAL
Indice de similaritate Kulczyski
Permite compararea a dou grupuri pentru determinarea

omogenitii acestora
i =T
Simbol: K
2 inf (Bip , Biq )
Formula de calcul:
K = i =1
p,q
i =T
B + B
i =1
i =T
ip
i =1
unde Kp,q = similaritatea ntre eantioanele p i q, Bip este

acoperirea speciei i n eantionul p; T = numrul total de
specii.
Ia valori n intervalul [0, 1]. Valoarea 1 indic similaritate
total (identitate); valoare 0 indic disimilaritate.
BIOLOGIE COMPUTA
OMPUTAIONAL
Msuri de corelaie ca indicatori de similaritate:
Coeficientul de corelaie Pearson

Coeficientul de corelaie Spearman
Coeficientul de corelaie semni-cantitativ
Coeficienii de corelaie Kendall tau
Coeficientul de corelaie Gamma
Iau valori n intervalul [-1, 1]
BIOLOGIE COMPUTA
OMPUTAIONAL
Msuri de corelaie ca indicatori de similaritate
Interpretarea valorii coeficientului (regulile lui Colton):

[-0.25; 0.25] nu exist asociere;
(0.25; 0.50] / (- 0.25; - 0.50] = asociere slab
(0.50; 0.75] / (- 0.50; - 0.75] = asociere
moderat/bun;
> 0.75 / < - 0.75 = nivel foarte bun de asociere
Interpretarea valorii p asociate:
Pentru un prag de semnificaie de 5%: p < 0.05
corelaie semnificativ statistic
BIOLOGIE COMPUTA
OMPUTAIONAL
Coeficientul de corelaie Pearson:
variabile cantitative, scala interval sau raie
cuantific puterea i direcia legturii liniare dintre dou

variabile prin descrierea direciei i a gradului n care o
variabil este n relaie de liniaritate cu cealalt variabil
de interes
Este corect aplicat i interpretat dac:
Ambele variabile urmeaz o distribuie normal i
distribuia lor comun este bivariat normal
Exist asumpia unei relaii de liniaritate ntre cele
dou variabile
BIOLOGIE COMPUTA
OMPUTAIONAL
Coeficientul de corelaie Spearman (Spearman,
1904):
variabile cantitative care nu urmeaz o distribuie

normal / variabile calitative
msur non-parametric de cuantificare a relaiei dintre
dou caractere (evalueaz ct de bine o funcie monoton
poate descrie relaia dintre cele dou caractere)
BIOLOGIE COMPUTA
OMPUTAIONAL
Coeficientul de corelaie Semi-Cantitativ (Bolboac
i Jntschi, 2006):
calcularea coeficientului de corelaie pe baza
formulei lui Pearson i, respectiv, a lui Spearman
BIOLOGIE COMPUTA
OMPUTAIONAL
Coeficientul de corelaie Kendall tau (Kendall, 1938;
1942):
coeficieni de corelaie non-parametrici utilizai
pentru evaluarea i testarea corelaiei dintre date noninterval ordinale
Interpretare:
Dac exist concordan ntre cele dou caractere msurate, valoarea

coeficientului e apropiat de 1.
Dac exist o discordan ntre cele dou caractere i un caracter este
reversul celuilalt, coeficientul de corelaie se apropie ca valoare de -1.
Dac cele dou caractere sunt independente unul fa de cellalt,
coeficientul de corelaie se apropie de 0.
BIOLOGIE COMPUTA
OMPUTAIONAL
Coeficientul de corelaie Gamma (Goodman i
Kruskal, 1963):
Metod de determinare a coeficientului de corelaie
care n comparaie cu Kendall e mai rezistent la
existena perechilor de date cu ranguri egale.
Este utilizat cnd datele de analizat conin multe date
perechi cu ranguri egale (Siegel i Castellan, 1999)
BIOLOGIE COMPUTA
OMPUTAIONAL
Distana Bray-Curtis:
(suma diferenelor
absolute)/(abundena
total)
= 13/(38+31)
= 0.1885
E1 E2 |E1-E2|
A
12 10
2
B
8 10
2
C
4
0
4
D
10 6
4
E
4
5
1
Total 38 31
13
BIOLOGIE COMPUTA
OMPUTAIONAL
http://l.academicdirect.org/Agriculture/Colagen/StringAnalysis
BIOLOGIE COMPUTA
OMPUTAIONAL
BIOLOGIE COMPUTA
OMPUTAIONAL
ALTE MARIMI DE SIMILARITATE
Coeficientul de potrivire
Coeficientul de suprapunere
Media armonic
Divergena simetriei
Algoritmul Ukkonen
Distana Monge Elkan
Distana Minkowski
Distana Jaro
Distana SoundEx
Distana Hellinger
Distana Levenshtein
Distana Hamming
Distana Needleman-Wunch
(Algoritmul Sellers)
Distana Smith-Waterman
Distana Gotoh Distance
(distana Smith-WatermanGotoh)
Distana bloc (distana L1)
Distana euclidian
Distana Soergel
BIOLOGIE COMPUTA
OMPUTAIONAL

Curs 08

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Curs 08

Încărcat de

Drepturi de autor:

Formate disponibile

BIOLOGIE COMPUTAIONAL

= analog, apropiat, asemntor, asemenea,

SIMILARITATE SAU OMOLOGIE

RICHARD OWEN (1804-1892)

Homoplazic: a evoluat independent dar din aceeai

Lanul beta al hemoglobinei

Zuckerkandl E., L. Pauling. Evolutionary Divergence and

OMOLOGIE: SECVENE GENETICE

OMOLOGIE: SECVENE GENETICE

OMOLOGIE: SECVENE GENETICE

OMOLOGIE: SECVENE GENETICE

OMOLOGIE: SECVENE GENETICE

Gena drojdiei este n relaie de tip ortogonal pentru toate genele

Toate genele din clasa HA* sunt co-ortogonale

Genele HA* sunt inparalogs una fa de alta

Pentru baze identice se atribuie un scor de +1

Alinierea secvenelor de proteine:

Matricea de similaritate este mai complicat

Calculat prin aplicarea coeficientului de corelaie

Coeficient de similaritate Jaccard

Distana Jaccard: 1- J(X,Y)

Calcularea distanei Jaccard:

Formula de calcul: D = 2J/(1 + J)

Msur asimetric a similaritii

Ia valori identice cu coeficientul Dice

Acelai numr de specii & Acelai tip de specii

unde ni = numrul de indivizi al speciei i, N = numrul

D ia valori n intervalul [0, 1]

Formula de calcul: 1-D

ds = 1 eantionul conine o singur specie

Compara similaritatea prin utilizarea indicelui Simpson i

Scop: Analiza similaritii primilor 40 aa al concavalinei

Permite compararea a dou grupuri pentru determinarea

unde Kp,q = similaritatea ntre eantioanele p i q, Bip este

Coeficientul de corelaie Pearson

Iau valori n intervalul [-1, 1]

Interpretarea valorii coeficientului (regulile lui Colton):

cuantific puterea i direcia legturii liniare dintre dou

variabile cantitative care nu urmeaz o distribuie

Dac exist concordan ntre cele dou caractere msurate, valoarea

ALTE MARIMI DE SIMILARITATE

S-ar putea să vă placă și