Substitutionsmatriser

Substitutionsmatriser, eller substitution matrices, är tabeller som tilldelar varje möjligt par av tecken (amino- eller nukleotider) ett poängvärde som speglar sannolikheten för att den ena substitutionen ersätter den andra under evolution. I sekvensjämförelser används dessa poäng för att sammanfatta hur gynnsamt eller sannolikt en viss matchning eller substitution är när kedjor jämförs. Poängen används tillsammans med gap-penalitet i dynamiska programmeringsalgoritmer som Needleman–Wunsch och Smith–Waterman för att hitta optimala alignments.

Hur matriserna byggs varierar, men de är vanligtvis baserade på empiriska observationer av substitutioner i uppmätta sekvensöverlapp. Man beräknar sannolikheter för i att substituera mot j relativt till i:s bakgrundsfördelning och omvandlar dessa sannolikheter till log-odds-poäng. Resultatet är i regel en symmetrisk matris där diagonalen (samma aminosyra mot sig själv) ger höga poäng.

De mest kända matriserna för proteiner är PAM- och BLOSUM-serierna. PAM-matriserna modellererar substitutioner med avseende på evolutionsavstånd och utvecklas genom extrapolering av små antal mutationer (PAM1, PAM250 är exempel på olika distanser). BLOSUM-matriserna härstammar från klusterbaserad analys av bevarade regioner i proteiner; BLOSUM62 är en standardval som används ofta, medan högre nummer används för mer lika sekvenser och lägre nummer för mer distanta släktskap. För nukleotider finns enklare matriser och modeller som tar hänsyn till över- eller underrepresentation av övergångar och transversioner, men i många jämförelser används enklare match/mismatch-poäng tillsammans med olika gap-penaliteter.

Användningen av substitutionsmatriser är bred inom bioinformatik, inklusive proteinsökning i databaser (t. ex. BLAST), funktions- och familjeklassificering samt strukturprediktion.