Sekvensjämförelser

Sekvensjämförelser är metoder för att uppskatta likhet mellan sekvenser av nukleotider eller aminosyror, i första hand DNA, RNA eller proteiner, men även textsträngar i datavetenskap. Syftet är att identifiera likheter som avspeglar gemensam härkomst, funktion eller struktur och att stödja funktionell annotation samt evolutionära studier. Jämförelser kan göras mellan två sekvenser (parvisa) eller mellan flera sekvenser samtidigt (multipla sekvensjämförelser). Global jämföring söker optimera likhet över hela längden; lokal jämföring identifierar högst liknande delområden.

De rådande metoderna bygger ofta på dynamisk programmering. Needleman-Wunsch används för global alignering och Smith-Waterman för lokal alignering. Dessa metoder beräknar en optimal alignering enligt en poängmodell som innefattar match och mismatch samt kostnader för gaps. Gappenaltyer kan vara linjära eller affine. För proteinsekvenser används substitutionsmatriser som BLOSUM eller PAM för att återspegla biologisk sannolikhet; nucleotidbaserade jämförelser är ofta mer förenklade men kan också använda jämna poäng.

Vid storskalig jämförelse används heuristiska metoder som BLAST och FASTA, som snabbare hittar regioner av likhet i stora databaser genom indexering och heuristik. Resultatet är ofta ett alignement, ett poängvärde och mått som identitet/likhet samt statistiska mått som E-värde.

Användningar inkluderar homologi-detektion, funktionell klassificering, strukturprediktion och evolutionära analyser inom biologi, samt ordlikhet i språkliga eller textbaserade tillämpningar. Begränsningar inkluderar beräkningskostnader och risk för felaktiga alignments vid stor variation eller repetitiva regioner.