【BLAST算法原理】什么是K串？什么是HSP？什么是E值？

“ 做过多序列比对的人都知道BLAST，也常听到K串、HSP以及E值，那么这些名词到底是什么意思？”

BLAST算法背景

我们知道全局比对使用Needleman-Wunsch算法，局部比对使用Smith-Waterman算法，这两个算法都是基于动态规划。两、三条序列比对尚可使用上述算法，比对的运算时间我们还能接受，但当更多条序列进行比对时，前趋节点个数为2^k-1，正比于节点数，时间复杂度为O(2^k*N^k)，运算量极大，运算时间也变得很长。所以为了解决运算量大、耗时长这一问题，1990年，Altschul等人提出了用于数据库搜索的BLAST算法（Basic Local Alignment Search Tool），至今也广泛使用，其发表的文献也被引用万次。如其名，使用的是局部比对，也是基于动态规划。那么同样是动态规划，它与Smith-Waterman算法有何不同呢？

BLAST算法原理

为了降低比对时间，BLAST算法中的一个很重要的手段是建立序列数据库的“字”检索系统，也就是K-tuple或K-mer，这种思想最初由Wilber和Lipman提出。建立“字”检索系统就是将数据库中所有序列包含的不同长度字符串进行扫描，建立索引。当对递交序列进行数据库搜索比对时，首先对待检索序列进行扫描，确定其中包含的所有特定长度字符串，接着在实际数据库搜索时，只对包含相同字符串的数据库序列进行比对，忽略不包含这些索引的序列（大量无关序列），进而能够节省时间。比如有一段DNA序列TGCAGCG，以3个碱基长度的字符串为例，它包含5个字长为3的字符串（TGC,GCA,CAG,AGC,GCG）,那么在比对之前，先搜索实际数据库中包含这5个字符串的序列有哪些，不比对无关序列。这种思想和操作是真的妙，通过提前筛选，忽略掉无关序列，不做无用功。

那么具体步骤是什么呢？

具体步骤：

I.第一步：对递交序列进行字符串分割，字长为k，建立所有词的索引列表（如图A）。

II.第二步：检索目标数据库中所有包含列表中字符串完全一样的序列（如图B）。

III.第三步：获取HSP(High Scoring Segment Pair，高得分联配对)。对每个数据库序列包含或匹配的词得到的联配（即“hit”），用动态规划算法向两端延伸，延伸过程中联配值S会变化，设定一个阈值X，当联配值到达X时，延伸结束，就获得了HSP（如图C）。

如下图D，在延伸过程中，联配得分在动态变化，比如说这里的阈值X，把它沿横坐标延长，在原字符串长度基础上匹配值有极大值就可以停止延伸（即a点），如果延伸到b点匹配值会降到该邻域的极小值。

 通过上述三步，我们就得到了序列比对相似度比较高的HSP。那么这个相似性高或者不高怎么判断呢？这就需要统计推断。

序列相似性的统计推断

BLAST搜索返回的结果中，有递交序列与数据库序列比对结果的得分，也有一个统计检验结果E-value。对于两条序列，在一定的长度m和n的限定下，HSP的统计值可由两个参数（k和λ）确定。E-value的公式是：

E=kmne^(-λS)

E值是指随机情况下获得的≥联配S值的HSP数量，可想而知，E值越小，说明随机获得的HSP联配值≥真实比对的S值的数量越少，也就是假阳性小，说明统计学意义上递交序列与得到的联配序列相似性越高。

我们再来观察一下E值公式，m是递交序列的长度，n是整个数据库序列的长度，λ是打分修正参数，mn可以代表搜索空间大小，m和n的变化会影响比对随机发生的可能性。当联配值S变大时，E值变小，这也符合预期，因为我们通过BLAST比对，期望得到的联配分数越大，那么随机匹配它的“成功率”越低。

 

从上面这个图可以看出，当E＜0.05时，P值与E值趋近相同。

参考资料

樊龙江-《生物信息学》