1 III Alineamiento de SecuenciasAndrés Moreira Departamento de Informática UTFSM

2 TAAACCCTGGCATGCATGTTCAAGCTTTCCAGTCTTGTCAAAATGAATTGTTCTTGTATCATCTAGAAATTTAGTTAGAGATCAATTTGCCTTTTTTACAAACAAGCATTTTTAGTTAGTAAGGTTCTGGCCTAATTTGGTATTCTGGATTTCTTATTTATCTTAATATTAAAAATAAAGGAGGAAAACTAAATTCACATTAAAAATGACTAAATTTTGAAAATTTTTTTCAACAGGTTATATCAATCAGTGAAAATTCTATATTCCTTTGGCATTTTTGTGACATATTCAATTCAGTTCTATGTTCCAGCAGAGATCATTATCCCTGGGATCACATCCAAATTTCATACTAAATGGAAGCAAATCTGTGAATTTGGGATAAGATCCTTCTTGGTTAGTATTACTTGTAAGTATCATTATATATTTATATCATAATAATTTTTTATTGTTCAATTTCAGTTTTATCCCAACTGGACACACCTAATTTACATTCTTACAGACAAGAATTGTTTGCACTGCTGTCAGTGTGCTGCAATTTAACTTCTGTCTCTACAGAATTGTAAAAGAGCCTAGTCAAAGTCACCCCTAGATGGAATTAAATAATTCCTGGGGCCTTCAGCCTTTCATTGAAAGGATATCCAATAATCTCTTTTCCTCATTTTAAAGTCTTATATTTTTCTTTGCAGTGATAAAAGTGATAATTCTGCCTTAGCTCAGTTATGGAAGGCAGAATAAGGAAGATACTTATTAACACCACACAGAAAGAAATCACATATCTTTTACGACTTATGCTTAGTTTTTTTTTAAATACATTGACAGAATAATGAAAACATAACTATTAATAATCATGAGGAGTCTGTAGATATTACCTCACTGTCATTATCTAAGATAACAAATGGAAATGTAACAACTATTAACTAAAGTCAAAATGGACACTCATAGTAAATATGTCTTTTGTTTATGCACAAAGAGTATACACTCTGTCAAATCAAAATAGATTTTTTTAAAGATGTGAAATTAATCCAATCAGTTCTTTCCTCCTTTAACAACAACAAAAATACACTGCCAGGTTAGTGAGTCAAACAAGAGAAGTCTAGGAAGATGAATGGGGAAGAGAGGCTGTTCTGGTTTAATGTAAACAGCTTAAATATGATATTCAAAGGAGTCTGAGAAGCAATTTCCTTAGACTGTTAACTTATTTGCTTTAGGATTAATTTATTCTTTTTTATTCAATGCAAGTCCAATGCATTTTAATTTTCAAACAGTAGTATGTCCAGCAGCATTTATTATATGTTCTTGCTATATGCCCAGAACCATGCTAATATTATCGTCTATCATTCAATACTGTAAAAACAATGCTATTATTACAAATCTAATTGCAGTCAGGTATTCCCTAGGCTTCAACCATGAGTGGAGGGGTGGCAGGAGCTAAGATCAAGGCACAGCTTTTGATCTCAGCTGGCAAGAAAGGAAAGTGGGTAGGGCAGGGCTGGTGATTGCTTACTTCTTGGACTCAGGGTTTCACAGAGCATCAAGATCTAATAAGCTATGCTTCTTCTGTTACCACTCCTCTATCTCTGCCTCTCTCTGCTTCTAGCACCATCTTTTCCTTCCTGTCCAAGCTCAGCAATGACATCTCCATCCTTCCCTGAGCTCTTTATCAAAATTTCCAGTGCCCTTTTGATTGCACCAGGTATTAGAAAGGAATCCTTTGGCATTAGTCCAATTGATGATCTTCTGATCCTTTCTGAGAGGTTTGAATTTTTATAAAAGATATTTGATAACAAATCTCAAATTGTTCATTTTTTTAAACTTGTTATTTCTTCTTCCTTTTAACCATTTAGTCAACAAACATTTTGAGTACCTACTACTTGCTAGGTGTTCTAGGTGCTAGGGACAATCTTCTTCCTTCATAGGTCTGCTGCTTACCTACTTGCTAGGGAACTGATGGGGAGCCATTTCTCCTTTGGGAAACCTGGGTCTAGCACTGATGAAAGAAAGTTTCATGGTTGCTTGTCAACCCCATCCTCCAACCTGGGAGTGCCACAGAGGCCAGTGCAGAAACCAGGGTTCTCAGGGTTTGTGTGAGGGACCGAGTCTCTGGAACCTGGATTGGGGGAAGGCCATTTACTTTGAAGAGCAGGGGTTGGACCTGCTGGGAAAGGGGCCCCTTTTTCTATGAGCAGAACTGAACTGGATTTTTCATTTGCATTTCATGGGCAGCCTTGCCTTCAATGTCACTGATGAGGGAAACACCACATGGGATTTCTCAGGCCTCCTCCCCCTCCTTCTCAATGTCCCTCAAGGCAGCACCCACTCCCATTTGTTTCTCTCTTGGGTGGGAAGGTACATGACATGAAAAATGCTGAATCTCACATCAAGATGTCTTTCAAAAGATGAATGGGCAGATTCTTAGTATCATCTCAAAGCAGGCAAGGCAAAGGCAGGATATTTATGAGGTTTTGGAGTGTAGTTTGAGTCAGGCCTTTTGTTTCAGGGGACTTGATTAGAATCGGGTAATCTTGTGACATATTAGGGTTAGTGGACAGAATGAGGCAAGGGTTTTGAAGACAGTCTTGGACTGTAAACCATTGTTTGAGACTATATTGTAGTAGACATGGACTATGAATAGTCTAATGTTTATTTAAATAAATTTTCAGGATATTCTTGAAATGGATAATAAAGTTATTTGCAACTTTATCTTCCATGGCAAGAGTGTCCTGGAATAATAAATAATATTGATGAAGACAATGGATAATAAAGTCATGTTAATGTAGACAGTAAGCCCTGTGGGTATAGATAATTTCAGTTCTCAAAGATTAATGGCAACAGTTATCATTTATTGAGTGGCTACTGCAGTATGTACTGGGCTGGCACTTTTAAGTTGCAATGGTCCTCTATTTTCTTCTGTCTTATTTTTTCCTCGTAAATTAAGCAGGTGTCAGCTCTGTATGCCTTTAGATGCTTGCTATTCAAACTGTGGTCCTGAGACCTGCAGCATCATCAGTATCACCCGGGAGCTTGTTACAAATGCAGACTCTCAGGCCCCACCACAGACCTACTAATTATAGTCTCCATTTTAACAAAATTTCCAGGAGAAGGGTGTACACATTAAAGTTGGTTAAAATTTTGGGCCATTTTTGGCAGAATGACATTAAAAATAAAAATTTTCGTTTCAGTTTAGAAACATTAAGGACCTCATGTTCATTGGCATCTAAGCTTTTGAACTACACTTGTTAGTATTTCATAGACATTATCTGATTTAATCCCTACAACAACCTATGAAGTAGGATTTTATGGATGAGAAAACAAAGACTCACAGTGGTGAAGCATCTAACTCAAGGTCACATCATCAGTATTAAGTGATAGAGCCAGGATTTGAATTCTGGTATGTCTTAACACAAAAGCCAAGGTTCTCAACCATAATGCCCTGCTGCCCCCTGAAGACTCTCTAGATGAGAGTTCCCCACCATCACACCCAGACTCCTGCCTTCATCTCCTAACAGCTCTACACATATCTACGTGGTGCCTTCTCTACCTCCTCCAAGCCAGATGTCTTGCACAATCCAGACCAAATCCAGACCACTGAGTACAATCTTTTTGACCTTCAGTCCACTGTCATGGTTGATATGCTTCTTCTGGATTGATGACAGAAAGTAGCCTCCCTACTTCTCAGACATATTCAGGCATAGGAATCTCTTCCCATGACTACCAATAACTTAGATTTCAGTGTACACCACCATCCTTTCTCTCTTCCTCAGAAACACGACCATCATTTGCCAGCACAAATGGAAAACAAACTTTCAGGACCCTCTATATGGAAAAGGGCATAGGTGAAGCCTCCAAACCCTGGCCTCCATCCCTGGTCTGGGGATGAAGAAAAACCCTAAAAAAATCTCTCACTCTCCCATCTATTATGGTTGCTTCTAGCACTATTTGCCTTTATCACTACCTATAGGATCAACCTTGATATGCTCAAACTCCAGAAAACTCTACACTTGAAAGTCATGTGGATGGTAGAATACAATAAAAGCACTACTAACCTTTCAAACACTGTGTTGATGCTGGTTTCCTAGGCAGGAGGTGAGAAAAGAAGACTCCAAGGGAATGATCTTTTTTATTAATCTTTCAACTTACTGTAAAAATATAAATGATCACTGTTTTTCAAGCACTTAGCATCTAGAATGGGATCTTTATTTTTTGCTTTCTGAAAGACAAAACAGAACCAACAAAGTGGTCTAGGAAAAAAATCCTTGCACCCAGAAATCCAGAGAAAATGACGTATTCTCATTGGAGTACAGGTGAAAGAGGACTTCTGAGAGGGCCAGGCAAGGTGGCTCATGCCTGTAATTCCAATGCTGTGGGAGGCCGAGACTGGAGAATTGCTTGAGGCAGGAGTTTGAGATTAGCTAGGAAAACATAGTGAGACCCTGTCTCTACAAGAAATTATAAAATTAGCCAGGTGTAGTGGTACAGCTGCAATCCTAGTGCCTGAGGCAGGAGGATCGCTTGAGCCCACGGGTTTGAGTGTTATGGTGAGCTATAATCACACCACTGCACTCCAGCCTGGGTGATAGAGTAAGATCCTGTCTCAAAAAAACAAAAACAAAAACAAACTTCAAAGAAAATCCAAGTGTAACTGCTTGAATGTGTCCTCTCCCAAATTCAGGTGTTGCCAATGTGACACTATCAAGAGGTGGGGCTTTAAGAGGTGATTAGGCTATGAAGACTCCTCCCTCATGAATAGGATTCAGTTCCCATATAAAGGGCCTTGAGAGAGGGAGCTCCTCCCTTTTATCCTTCTGCCTTTTGCCATGTGAGGACACAACACTCCTCCCCTCTGGAGAATCCAACATTAAGGTGCCATCTTGCAAGTAGGATGCATCCTTCACTAGAGAAGCTGAACCTGCTGGTCTCTTGATCTTGGATTTCACAGCCTCCAGAATTATAAGAAAGTAAATTTCTCTTCTATAAAATACCCAGTCCCAGAAATTCTGTTATACCAGCACAAACAGACTAAAACAGCTTTCAAGTGTGATTAGAGTCAACAACCCTGACTAGGGTCAGTAATTGGGATGCTCTGTTATCTCTATTGCAAAGTTACTGCGTAACTCCAGGTGCACCACATTTTAGCATATTCCCACTTTGGCAACGTGGTGGTGGTGGTGGTGAAGGTGTCCAGACAGAGGGGGCAGTAAGAGGAAAAAGCCCTAAAATGGCTGGTATGTTTAACATAGGTTTCTTTAACTCCCCACAACCTGTAACTGGTACAAATAGGTTCACATTAGCATTAATTCCCTCATTTCAATGGCTCATCTTAGTTCTCTGCCTATGCTTTTCACTTATTTTCAGATGTCTCTAGAGATGTCTTACACGCACGCAATAATGGTCTTCTGTTCCTCTGCTCCACCTTCCTAGTTGGTGTCTATCACCCACAAGCCACTTAAGGAAAATGCTTTTCCTCTGCTGTGACTGCTGTTGTCCTTCATGAAATAAATACTGCCCAGCCCAGGAAGCAAGCTTCAGACACTCCGAAAGTCACAACACCCTTGAGATGCCAAATGACAATGTGTTCTGTAAATCAAACGACGTGACGGAGGTAAGTCTCAATCATTTTACAGGTTTATTTTGCCAAAATTGAGCATGTGCCTGGCAAAAAGGAACACAAAATCACAGGAACATCTGTGATCTGTGCTTTTTCCAAACAGGGTTTGAGAACTTTTGTATTTAAAGGGGAAAGAGCAGGCAGTAAGGGAAAGTGGAAAGAAAAGGGGGTAGGGTAAATAAAAGAGAAAAGCAATTGCATTCTTTTGAAGCTTTGATCAGCAGTCACTGAATCCATATTTTACATGTGAAAGAAGCGGGTAGAGGAAGAGTCAATTATGCATTCATCTGGTGTGTGGTTAATCTACATTTTTACGTAAAATAAACAGTAGATAACGCAGTCAAACATGCATTTGTCTTAAGTGAGGGAAGGATGACTCCTAATCCTGTCTTTGTCCCATACCTGTGAAGATAATCTGTTAATTTACATTGTTTGGGTGAAATTCAACAGAATTGTTTTAGGGTAAAGATCTTGGGGCCCACAAGGAATTTCCTTGTAAGCAAATTGTGAGGCAGGACCCTTGGGGAGGTCAGTAACCTTCTTTCTATCAATCTATTTAGGAACAAAATGGAAGGCAGTTTTGCATAACTCAGTTTTCAAGCTTGACTTTTCCCTGTGGCATAATGAGTTTGGGGTCCCAGATTTTTAGTTTCCTTTCACAGTGTTGTGGGACTTTTCCTTAGTTCAGCTAAAGGTGAGGTCCTTGTCACACGGCCACAAAATTTAGGGTCGCAATTTGAAGGGTGAGCAGGGCAGGGTTTATTGGGTGAAAAGGAAAAAAGGGAAACAGGGACCCTCTGCAAAGCCAGAGTCCCTGCTAGTGCGCTTCCAGCCTCTCAGTTCCCAGGTTCCACAAAGGAAGAGGAGGGGCCAGTCTCCTCCCCACTACAAACAGCACAAACTTCTGTGGCTCCACCCAGGTGTGCACTCCTCCCAGTGCATAGGCTGGTTGGAGTTTTGCCAGGGAGCCCTTCCCACCTAGCAGTTTCAACAGTTTTCTCCAGAACTTGTTAGACTGCTAAGCCACACCATATTATGTGCAGAAATGGGAATAACATCCCTTTCCCCCAATTTGAGTGGTAGGCTGTATTGCATAGTGCTTAAGAGCATGGGTTTGGAGGACAGAGATAGATTTTATTTATCTGACTCTAAAATATGAATTAAAAAAATCTATTTCACAAGGTTGTTATGTGGATTAAATTAGTGGCACAGAAAGCTGAAGATAGTGCAGCTCACTCTTCTGGACTTCATTAAAGTTCACTTTCAAATGTTTGTCTTTAACACTATCTCAGAGGCCTGTAGAAAAATGCCAAAAGGAAATGAAAACTTATATCCACACAAATATAGATAATTTCAGTTCTCAAAGATTAATGGCAACAGTTATCATTTATTGAGTGGCTACTGCAGTATGTACTGGGCTGGCACTTTTAAGTTGCAATGGTCCTCTATTTTCTTCTGTCTTATTTTTTCCTCGTAAATTAAGCAGGTGTCAGCTCTGTATGCCTTTAGATGCTTGCTATTCAAACTGTGGTCCTGAGACCTGCAGCATCATCAGTATCACCCGGGAGCTTGTTACAAATGCAGACTCTCAGGCCCCACCACAGACCTACTAATTATAGTCTCCATTTTAACAAAATTTCCAGGAGAAGGGTGTACACATTAAAGTTGGTTAAAATTTTGGGCCATTTTTGGCAGAATGACATTAAAAATAAAAATTTTCGTTTCAGTTTAGAAACATTAAGGACCTCATGTTCATTGGCATCTAAGCTTTTGAACTACACTTGTTAGTATTTCATAGACATTATCTGATTTAATCCCTACAACAACCTATGAAGTAGGATTTTATGGATGAGAAAACAAAGACTCACAGTGGTGAAGCATCTAACTCAAGGTCACATCATCAGTATTAAGTGATAGAGCCAGGATTTGAATTCTGGTATGTCTTAACACAAAAGCCAAGGTTCTCAACCATAATGCCCTGCTGCCCCCTGAAGACTCTCTAGATGAGAGTTCCCCACCATCACACCCAGACTCCTGCCTTCATCTCCTAACAGCTCTACACATATCTACGTGGTGCCTTCTCTACCTCCTCCAAGCCAGATGTCTTGCACAATCCAGACCAAATCCAGACCACTGAGTACAATCTTTTTGACCTTCAGTCCACTGTCATGGTTGATATGCTTCTTCTGGATTGATGACAGAAAGTAGCCTCCCTACTTCTCAGACATATTCAGGCATAGGAATCTCTTCCCATGACTACCAATAACTTAGATTTCAGTGTACACCACCATCCTTTCTCTCTTCCTCAGAAACACGACCATCATTTGCCAGCACAAATCTAAAATATGAATTAAAAAAATCTATTTCACAAGGTTGTTATGTGGATTAAATTAGTGGCACAGAAAGCTGAAGATAGTGCAGCTCACTCTTCTGGACTTCATTAAAGTTCACTTTCAAATGTTTGTCTTTAACACTATCTCAGAGGCCTGTAGAAAAATGCCAAAAGGAAATGAAAACTTATATCCACACAAATATAGATAATTTCAGTTCTCAAAGATTAATGGCAACAGTTATCATTTATTGAGTGGCTACTGCAGTATGTACTGGGCTGGCACTTTTAAGTTGCAATGGTCCTCTATTTTCTTCTGTCTTATTTTTTCCTCGTAAATTAAGCAGGTGTCAGCTCTGTATGCCTTTAGATGCTTGCTATTCAAACTGTGGTCCTGAGACCTGCAGCATCATCAGTATCACCCGGGAGCTTGTTACAAATGCAGACTCTCAGGCCCCACCACAGACCTACTAATTATAGTCTCCATTTTAACAAAATTTCCAGGAGAAGGGTGTACACATTAAAGTTGGTTAAAATTTTGGGCCATTTTTGGCAGAATGACATTAAAAATAAAAATTTTCGTTTCAGTTTAGAAACATTAAGGACCTCATGTTCATTGGCATCTAAGCTTTTGAACTACACTTGTTAGTATTTCATAGACATTATCTGATTTAATCCCTACAACAACCTATGAAGTAGGATTTTATGGATGAGAAAACAAAGACTCACAGTGGTGAAGCATCTAACTCAAGGTCACATCATCAGTATTAAGTGATAGAGCCAGGATTTGAATTCTGGTATGTCTTAACACAAAAGCCAAGGTTCTCAACCATAATGCCCTGCTGCCCCCTGAAGACTCTCTAGATGAGAGTTCCCCACCATCACACCCAGACTCCTGCCTTCATCTCCTAACAGCTCTACACATATCTACGTGGTGCCTTCTCTACCTCCTCCAAGCCAGATGTCTTGCACAATCCAGACCAAATCCAGACCACTGAGTACAATCTTTTTGACCTTCAGTCCACTGTCATGGTTGATATGCTTCTTCTGGATTGATGACAGAAAGTAGCCTCCCTACTTCTCAGACATATTCAGGCATAGGAATCTCTTCCCATGACTACCAATAACTTAGATTTCAGTGTACACCACCATCCTTTCTCTCTTCCTCAGAAACACGACCATCATTTGCCAGCACAAATCTAAAATATGAATTAAAAAAATCTATTTCACAAGGTTGTTATGTGGATTAAATTAGTGGCACAGAAAGCTGAAGATAGTGCAGCTCACTCTTCTGGACTTCATTAAAGTTCACTTTCAAATGTTTGTCTTTAACACTATCTCAGAGGCCTGTAGAAAAATGCCAAAAGGAAATGAAAACTTATATCCACACAAATATAGATAATTTCAGTTCTCAAAGATTAATGGCAACAGTTATCATTTATTGAGTGGCTACTGCAGTATGTACTGGGCTGGCACTTTTAAGTTGCAATGGTCCTCTATTTTCTTCTGTCTTATTTTTTCCTCGTAAATTAAGCAGGTGTCAGCTCTGTATGCCTTTAGATGCTTGCTATTCAAACTGTGGTCCTGAGACCTGCAGCATCATCAGTATCACCCGGGAGCTTGTTACAAATGCAGACTCTCAGGCCCCACCACAGACCTACTAATTATAGTCTCCATTTTAACAAAATTTCCAGGAGAAGGGTGTACACATTAAAGTTGGTTAAAATTTTGGGCCATTTTTGGCAGAATGACATTAAAAATAAAAATTTTCGTTTCAGTTTAGAAACATTAAGGACCTCATGTTCATTGGCATCTAAGCTTTTGAACTACACTTGTTAGTATTTCATAGACATTATCTGATTTAATCCCTACAACAACCTATGAAGTAGGATTTTATGGATGAGAAAACAAAGACTCACAGTGGTGAAGCATCTAACTCAAGGTCACATCATCAGTATTAAGTGATAGAGCCAGGATTTGAATTCTGGTATGTCTTAACACAAAAGCCAAGGTTCTCAACCATAATGCCCTGCTGCCCCCTGAAGACTCTCTAGATGAGAGTTCCCCACCATCACACCCAGACTCCTGCCTTCATCTCCTAACAGCTCTACACATATCTACGTGGTGCCTTCTCTACCTCCTCCAAGCCAGATGTCTTGCACAATCCAGACCAAATCCAGACCACTGAGTACAATCTTTTTGACCTTCAGTCCACTGTCATGGTTGATATGCTTCTTCTGGATTGATGACAGAAAGTAGCCTCCCTACTTCTCAGACATATTCAGGCATAGGAATCTCTTCCCATGACTACCAATAACTTAGATTTCAGTGTACACCACCATCCTTTCTCTCTTCCTCAGAAACACGACCATCATTTGCCAGCACAAATCTAAAATATGAATTAAAAAAATCTATTTCACAAGGTTGTTATGTGGATTAAATTAGTGGCACAGAAAGCTGAAGATAGTGCAGCTCACTCTTCTGGACTTCATTAAAGTTCACTTTCAAATGTTTGTCTTTAACACTATCTCAGAGGCCTGTAGAAAAATGCCAAAAGGAAATGAAAACTTATATCCACACAAATATAGATAATTTCAGTTCTCAAAGATTAATGGCAACAGTTATCATTTATTGAGTGGCTACTGCAGTATGTACTGGGCTGGCACTTTTAAGTTGCAATGGTCCTCTATTTTCTTCTGTCTTATTTTTTCCTCGTAAATTAAGCAGGTGTCAGCTCTGTATGCCTTTAGATGCTTGCTATTCAAACTGTGGTCCTGAGACCTGCAGCATCATCAGTATCACCCGGGAGCTTGTTACAAATGCAGACTCTCAGGCCCCACCACAGACCTACTAATTATAGTCTCCATTTTAACAAAATTTCCAGGAGAAGGGTGTACACATTAAAGTTGGTTAAAATTTTGGGCCATTTTTGGCAGAATGACATTAAAAATAAAAATTTTCGTTTCAGTTTAGAAACATTAAGGACCTCATGTTCATTGGCATCTAAGCTTTTGAACTACACTTGTTAGTATTTCATAGACATTATCTGATTTAATCCCTACAACAACCTATGAAGTAGGATTTTATGGATGAGAAAACAAAGACTCACAGTGGTGAAGCATCTAACTCAAGGTCACATCATCAGTATTAAGTGATAGAGCCAGGATTTGAATTCTGGTATGTCTTAACACAAAAGCCAAGGTTCTCAACCATAATGCCCTGCTGCCCCCTGAAGACTCTCTAGATGAGAGTTCCCCACCATCACACCCAGACTCCTGCCTTCATCTCCTAACAGCTCTACACATATCTACGTGGTGCCTTCTCTACCTCCTCCAAGCCAGATGTCTTGCACAATCCAGACCAAATCCAGACCACTGAGTACAATCTTTTTGACCTTCAGTCCACTGTCATGGTTGATATGCTTCTTCTGGATTGATGACAGAAAGTAGCCTCCCTACTTCTCAGACATATTCAGGCATAGGAATCTCTTCCCATGACTACCAATAACTTAGATTTCAGTGTACACCACCATCCTTTCTCTCTTCCTCAGAAACACGACCATCATTTGCCAGCACAAATGGAAAACAAACTTTCAGGACCCTCTATATGGAAAAGGGCATAGGTGAAGCCTCCAAACCCTGGCCTCCATCCCTGGTCTGGGGATGAAGAAAAACCCTAAAAAAATCTCTCACTCTCCCATCTATTATGGTTGCTTCTAGCACTATTTGCCTTTATCACTACCTATAGGATCAACCTTGATATGCTCAAACTCCAGAAAACTCTACACTTGAAAGTCATGTGGATGGTAGAATACAATAAAAGCACTACTAACCTTTCAAACACTGTGTTGATGCTGGTTTCCTAGGCAGGAGGTGAGAAAAGAAGACTCCAAGGGAATGATCTTTTTTATTAATCTTTCAACTTACTGTAAAAATATAAATGATCACTGTTTTTCAAGCACTTAGCATCTAGAATGGGATCTTTATTTTTTGCTTTCTGAAAGACAAAACAGAACCAACAAAGTGGTCTAGGAAAAAAATCCTTGCACCCAGAAATCCAGAGAAAATGACGTATTCTCATTGGAGTACAGGTGAAAGAGGACTTCTGAGAGGGCCAGGCAAGGTGGCTCATGCCTGTAATTCCAATGCTGTGGGAGGCCGAGACTGGAGAATTGCTTGAGGCAGGAGTTTGAGATTAGCTAGGAAAACATAGTGAGACCCTGTCTCTACAAGAAATTATAAAATTAGCCAGGTGTAGTGGTACAGCTGCAATCCTAGTGCCTGAGGCAGGAGGATCGCTTGAGCCCACGGGTTTGAGTGTTATGGTGAGCTATAATCACACCACTGCACTCCAGCCTGGGTGATAGAGTAAGATCCTGTCTCAAAAAAACAAAAACAAAAACAAACTTCAAAGAAAATCCAAGTGTAACTGCTTGAATGTGTCCTCTCCCAAATTCAGGTGTTGCCAATGTGACACTATCAAGAGGTGGGGCTTTAAGAGGTGATTAGGCTATGAAGACTCCTCCCTCATGAATAGGATTCAGTTCCCATATAAAGGGCCTTGAGAGAGGGAGCTCCTCCCTTTTATCCTTCTGCCTTTTGCCATGTGAGGACACAACACTCCTCCCCTCTGGAGAATCCAACATTAAGGTGCCATCTTGCAAGTAGGATGCATCCTTCACTAGAGAAGCTGAACCTGCTGGTCTCTTGATCTTGGATTTCACAGCCTCCAGAATTATAAGAAAGTAAATTTCTCTTCTATAAAATACCCAGTCCCAGAAATTCTGTTATACCAGCACAAACAGACTAAAACAGCTTTCAAGTGTGATTAGAGTCAACAACCCTGACTAGGGTCAGTAATTGGGATGCTCTGTTATCTCTATTGCAAAGTTACTGCGTAACTCCAGGTGCACCACATTTTAGCATATTCCCACTTTGGCAACGTGGTGGTGGTGGTGGTGAAGGTGTCCAGACAGAGGGGGCAGTAAGAGGAAAAAGCCCTAAAATGGCTGGTATGTTTAACATAGGTTTCTTTAACTCCCCACAACCTGTAACTGGTACAAATAGGTTCACATTAGCATTAATTCCCTCATTTCAATGGCTCATCTTAGTTCTCTGCCTATGCTTTTCACTTATTTTCAGATGTCTCTAGAGATGTCTTACACGCACGCAATAATGGTCTTCTGTTCCTCTGCTCCACCTTCCTAGTTGGTGTCTATCACCCACAAGCCACTTAAGGAAAATGCTTTTCCTCTGCTGTGACTGCTGTTGTCCTTCATGAAATAAATACTGCCCAGCCCAGGAAGCAAGCTTCAGACACTCCGAAAGTCACAACACCCTTGAGATGCCAAATGACAATGTGTTCTGTAAATCAAACGACGTGACGGAGGTAAGTCTCAATCATTTTACAGGTTTATTTTGCCAAAATTGAGCATGTGCCTGGCAAAAAGGAACACAAAATCACAGGAACATCTGTGATCTGTGCTTTTTCCAAACAGGGTTTGAGAACTTTTGTATTTAAAGGGGAAAGAGCAGGCAGTAAGGGAAAGTGGAAAGAAAAGGGGGTAGGGTAAATAAAAGAGAAAAGCAATTGCATTCTTTTGAAGCTTTGATCAGCAGTCACTGAATCCATATTTTACATGTGAAAGAAGCGGGTAGAGGAAGAGTCAATTATGCATTCATCTGGTGTGTGGTTAATCTACATTTTTACGTAAAATAAACAGTAGATAACGCAGTCAAACATGCATTTGTCTTAAGTGAGGGAAGGATGACTCCTAATCCTGTCTTTGTCCCATACCTGTGAAGATAATCTGTTAATTTACATTGTTTGGGTGAAATTCAACAGAATTGTTTTAGGGTAAAGATCTTGGGGCCCACAAGGAATTTCCTTGTAAGCAAATTGTGAGGCAGGACCCTTGGGGAGGTCAGTAACCTTCTTTCTATCAATCTATTTAGGAACAAAATGGAAGGCAGTTTTGCATAACTCAGTTTTCAAGCTTGACTTTTCCCTGTGGCATAATGAGTTTGGGGTCCCAGATTTTTAGTTTCCTTTCACAGTGTTGTGGGACTTTTCCTTAGTTCAGCTAAAGGTGAGGTCCTTGTCACACGGCCACAAAATTTAGGGTCGCAATTTGAAGGGTGAGCAGGGCAGGGTTTATTGGGTGAAAAGGAAAAAAGGGAAACAGGGACCCTCTGCAAAGCCAGAGTCCCTGCTAGTGCGCTTCCAGCCTCTCAGTTCCCAGGTTCCACAAAGGAAGAGGAGGGGCCAGTCTCCTCCCCACTACAAACAGCACAAACTTCTGTGGCTCCACCCAGGTGTGCACTCCTCCCAGTGCATAGGCTGGTTGGAGTTTTGCCAGGGAGCCCTTCCCACCTAGCAGTTTCAACAGTTTTCTCCAGAACTTGTTAGACTGCTAAGCCACACCATATTATGTGCAGAAATGGGAATAACATCCCTTTCCCCCAATTTGAGTGGTAGGCTGTATTGCATAGTGCTTAAGAGCATGGGTTTGGAGGACAGAGATAGATTTTATTTATCTGACAACTTTTACTTGAGTGTTGATAGTGGCATTATTCATAATGTCTCCAAAGTGGAAACCACCCATATGTCTACCAACAGACGAATGGATAAAGTATGATATAGCGCTGCAATGGAATATTATTTGGCAATAAAAAGAAATGAAGTACTAAAGCATGATATATACAAAGATGAACCTTGAAAACATCATGTTAAGTAAAAGAAGACAGTCATAAAAGTCATGTATTGCATGATTCTATTTATATGAAATGTCCAGAATAGGCAAATTCACTGAAAAAGGAAGTAGATTAGCGGTTGCCTAGAGCTGTGAGAATGGAGAGTTGGGGATGATAACTAAGGTATGAGAGATTTCTTTTTGAGGTGATTCAAATGTTCTAACTTGTGGTGATAGTTGCACAAGTCTGAATATATTAAAACCATTTAATCATATACTTTAAATGTGTGAATTAGATGATTTGTGAAGTAATGTTACCGTAGGTAGCTAGTCAAACATGAGCAGGGCAGGAGAGAGCTTCCCCCAACCCCCACCAGGAATGTCAGGCGACCGTCAGGTGATGGTCAGGCAGTTGTTAAGCTATCTCTCTAAAATAATAATTGGTTGCAGCCGGTGCCAGGGAACGGCAGCCTCCCAACAGATAGAAACATCTAAAACTGATGATCAGCAGCTTCCCAATAAGCTCTCAGGAGTTGGGCAAGTGGGCTCAAGCATGCGCACTAAGAGGGAAAGTGGCAGATGACCTTTGTTTAGGAACACTGGATTGGTAAGGGGAAAATGCCTCAAGTGAGCATGCACACTGTGCATGCGGCCCCTCCCAAGTGCTAGCAGGCCACTGTACATGTGGACAGCCCGCCCCAAGGGAAGAATCAGGGGAGAAGTAGTGCAAGACCCCGGAAGAATGCCAACATATAAAACCCCAAGTCGAAAGGTTAAACCGTACGCTTGATCTCTCAAGTTGCCCGCTTGGCCCTCTTCCGAGTGTACTTTACTTCCCTTCATTCCTGCTCTAAAGCTTTTTAACAAACTTTCACTCCTGCTCTAAAACTTGCCTTGGTCTCTCACTCTGCCTTATACCCCCTCAGTCTTCTGAGGAGGCAAGAATTCAGGTTGATGTAGACCCATATGGATTTGCCAGTGGTAACAATAAGAAATATACAGTCATCCTTCAATATCTGTGGGGGATTGGTTCTGGAATCCCCCCTCAGAAATTAAATCTATGATGCTCAAGTACCTTATATAACATGGTGTGGTATTTGCATATAACCTATACACTGCCTCCCATGTACTTTAAATCATCTCTAGATTCTTATTACAATGTAATGCTATGTAAATTGTTGTTACACTATATTTTTAAAATTTGTGTTATTTTAAATTGTTGTATTATTTTTTATTTATGTTTGTTATGTTTATGTTACGTATTATGTTTTCCAAATATTTTCATTGAATTTGCATTGAATTTACAGATGTAGAGGGCAGAGGGCTCATGGTGCATTTGGTCTTTGTCTTAGGTTTCTGGAGGATTCTGGCACACAGTTCCTAAATCCCTTAAAATCTCTAGAGGCATAAGGGTACTGTTTGTATGCTAATGAGATGATGGGTGGCTGGTGGGTGGGGGGCGGCTAGGGGGGACGGTCCCTAGACAGCTTCAGGTGGGGGCTGTTCACCAGAAAAACCTACAAGTGATTAGAGATTTGGAACTATCAGCTCCACTCACAGACCTCCAGGCAGAGAGAGAAGCTGAAGATGAGTTAACCACCTGTGGCCAATGATGTAATCAGTCATGCCTGTGAATGGAGCCTCCATTAAAACCTCCTAAATGAAGTAGTTCAGAGAGCTCCCGGGTTGGTGAACACATCAGGGATGCTGGAAGGGTGATGTGGCCCTGCTCCCATACCTTGCCCCCTGCATCTCTTCCATTTGGCTGTTCCTGAGTTGTGTCCTGTACAATAAACTGGTAACGGTAAAGTTCTTTCTCAGTTCTGTGAGCCATTCAAGCAAATTATAAAACTCAAGGAGGGGGGTCCTGGGAACCCCTAGTTTATAGCTGGTCCATCTGGAAGGCTCAGACTTGCAATTAGCATCTGCAGTGAAGGGAGTCTTGTAGCACTGAGCCCTTAACCTGTGAGGCCTGCGCTAACTATGGGTAGCTATTGTCAGAACTGAATTGAATTGCAGAACACCCACTTGGTGTCTGGAGAGCTGGAGAGTTGGCTGGCAGGTGGAAAACCCCCTGCATTTGGTGCCAGCGGTGTTGTGAGCAAAGAGAACACAGATATCTCAGTAAAGCTGTTACTGAGAGTGCCTATAGGGGGCTTCCTTAGTAGCTTGAATTGGCCTACAATGATGGCTGGGCCTTCCCAGGCTATGATCCCTTCTGAGGAAATCTTGCCCGGACATCTCAGGCCTGCTCCTGACAGGGTGTAAAACCTTGAGCAAGTTACCTTGCTTCTCTGAGTGAATTTCCTCCTCTGTGATATGGGGATGAGAGTAGTACCTTCCGTATAATGACACAACACCAATTCTTTGCACAGTGTCTGGCAGATGGAATGATTTGGATAAATGTGAGCTAACATTATCAGGTGTGAAGTGCAGATAATAATATCTATCTCACAAGGTG

3 Comparación de secuenciasLa comparación de secuencias está en el corazón de la bioinformática. Los usos son variados; innumerables problemas se reducen en algún momento a comparar dos secuencias, o un grupo de secuencias. Y eso tiene que ver con que... Nothing in biology makes sense except in the light of evolution!!

4 Comparación de secuenciasDarwin: Ancestro común Descendencia con modificación Por lo tanto, las secuencias: tienen ancestros comunes sufren modificaciones secuencias similares tienen funciones similares

5 Comparación de secuenciasPero el parentezco entre secuencias no sólo corresponde a parentezco entre especies: también hay familias de secuencias.  Árbol filogenético de las “globinas” humanas

6 Comparación de secuencias¿Para qué sirve comparar secuencias? Para determinar relaciones evolutivas entre especies. Para determinar relaciones evolutivas entre genes. La secuencia que acabo de obtener en el laboratorio, ¿está en la base de datos? ¿O alguna parecida? ¿O incluye trozos parecidos a algo conocido?

7 Comparación de secuencias¿Para qué sirve comparar secuencias? Para predecir función: si mi proteína NN se parece mucho a una, digamos, polimerasa... ¿será también polimerasa? Para predecir estructura: si conozco la estructura 3d de una secuencia parecida... Para predecir regulación: ¿a qué otras secuencias de control se parece la de este gen? Etc, etc, etc...

8 Comparación de secuencias: homologíaHomología: similaridad entre secuencias atribuída a que descienden de un ancestro común. Hay dos tipos de homología. Las secuencias pueden ser: Ortólogas: secuencias homólogas en especies distintas, que divergieron por la divergencia de las especies. Parálogas: secuencias homólogas en una misma especie, que divergieron tras la duplicación de un gen.

9 Comparación de secuencias: homologíacommon carp zebrafish rainbow trout teleost African clawed frog chicken mouse rat rabbit cow pig horse human 10 cambios Ortólogos: proteína RBP en varias especies de vertebrados  Tienden a tener la misma función.

10 Comparación de secuencias: homologíaapolipoprotein D retinol-binding protein 4 Complement component 8 prostaglandin D2 synthase neutrophil gelatinase- associated lipocalin 10 cambios Lipocalin 1 Odorant-binding protein 2A progestagen- endometrial protein Alpha-1 Microglobulin /bikunin Parálogos  Alguna divergencia ocurre en la función.

11 Comparación de secuencias: homologíaHomólogos de los dos tipos:

12 Comparación de secuencias: homologíaXenólogos: resultado de transferencias horizontales de genes (esos genes saltarines...) E. coli

13 Comparación de secuencias: similaridadSimilaridad: la medida en la cual dos secuencias (de nucleótidos o aminoácidos) están relacionadas. Importan la identidad y la conservación de las “letras”. Identidad: no hubo cambio. Conservación: hubo cambio pero se mantuvieron propiedades físicas/químicas/funcionales relevantes (eso es más frecuente en aminoácidos).

14 Comparación de secuencias: similaridadAlinemiento entre RBP4 y beta-lactoglobulina: 1 MKWVWALLLLAAWAAAERDCRVSSFRVKENFDKARFSGTWYAMAKKDPEG 50 RBP . ||| | | | : .||||.:| : 1 ...MKCLLLALALTCGAQALIVT..QTMKGLDIQKVAGTWYSLAMAASD. 44 lactoglobulin 51 LFLQDNIVAEFSVDETGQMSATAKGRVR.LLNNWD..VCADMVGTFTDTE 97 RBP : | | | | :: | .| . || |: || |. 45 ISLLDAQSAPLRV.YVEELKPTPEGDLEILLQKWENGECAQKKIIAEKTK 93 lactoglobulin 98 DPAKFKMKYWGVASFLQKGNDDHWIVDTDYDTYAV QYSC 136 RBP || || | :.|||| | | 94 IPAVFKIDALNENKVL VLDTDYKKYLLFCMENSAEPEQSLAC 135 lactoglobulin 137 RLLNLDGTCADSYSFVFSRDPNGLPPEAQKIVRQRQ.EELCLARQYRLIV 185 RBP . | | | : || | || | 136 QCLVRTPEVDDEALEKFDKALKALPMHIRLSFNPTQLEEQCHI lactoglobulin |  identidad .  algo de conservación :  alta conservación .....  gaps (“indels”, inserción o eliminación)

15 Comparación de secuencias: similaridadSimilaridad versus homología: Similaridad es entre secuencias; es cuantificable. Homología requiere ancestro común; no es cuantificable. Homología por lo general implica similaridad. Similaridad no implica homología, ...aunque alta similaridad entre secuencias largas por lo general sí se considera evidencia de homología. (La convergencia es rara; sólo se ve en secuencias cortas).

16 Comparación de secuencias: similaridadLa similaridad es variable, según qué cosa comparemos, y cómo comparemos. ¿Cómo evaluar similaridad? ¿Cómo encontrar los alineamientos? ¿Cómo saber si son significativos? En proteínas un 25% de identidad probablemente indica homología En DNA, es lo que se esperaría al azar!

17 Comparación de secuencias: similaridadRBP4 vs beta-lactoglobulina 1 MKWVWALLLLAAWAAAERDCRVSSFRVKENFDKARFSGTWYAMAKKDPEG 50 RBP . ||| | | | : .||||.:| : 1 ...MKCLLLALALTCGAQALIVT..QTMKGLDIQKVAGTWYSLAMAASD. 44 lactoglobulin 51 LFLQDNIVAEFSVDETGQMSATAKGRVR.LLNNWD..VCADMVGTFTDTE 97 RBP : | | | | :: | .| . || |: || |. 45 ISLLDAQSAPLRV.YVEELKPTPEGDLEILLQKWENGECAQKKIIAEKTK 93 lactoglobulin 98 DPAKFKMKYWGVASFLQKGNDDHWIVDTDYDTYAV QYSC 136 RBP || || | :.|||| | | 94 IPAVFKIDALNENKVL VLDTDYKKYLLFCMENSAEPEQSLAC 135 lactoglobulin 137 RLLNLDGTCADSYSFVFSRDPNGLPPEAQKIVRQRQ.EELCLARQYRLIV 185 RBP . | | | : || | || | 136 QCLVRTPEVDDEALEKFDKALKALPMHIRLSFNPTQLEEQCHI lactoglobulin

18 Comparación de secuencias: similaridadRBP humana vs RBP en trucha arcoiris 1 .MKWVWALLLLA.AWAAAERDCRVSSFRVKENFDKARFSGTWYAMAKKDP 48 :: || || || .||.||. .| :|||:.|:.| |||.||||| 1 MLRICVALCALATCWA...QDCQVSNIQVMQNFDRSRYTGRWYAVAKKDP 47 49 EGLFLQDNIVAEFSVDETGQMSATAKGRVRLLNNWDVCADMVGTFTDTED 98 |||| ||:||:|||||.|.|.||| ||| :||||:.||.| ||| || | 48 VGLFLLDNVVAQFSVDESGKMTATAHGRVIILNNWEMCANMFGTFEDTPD 97 99 PAKFKMKYWGVASFLQKGNDDHWIVDTDYDTYAVQYSCRLLNLDGTCADS 148 ||||||:||| ||:|| ||||||::||||| ||: |||| ..||||| | 98 PAKFKMRYWGAASYLQTGNDDHWVIDTDYDNYAIHYSCREVDLDGTCLDG 147 149 YSFVFSRDPNGLPPEAQKIVRQRQEELCLARQYRLIVHNGYCDGRSERNLL 199 |||:||| | || || |||| :..|:| .|| : | |:|: 148 YSFIFSRHPTGLRPEDQKIVTDKKKEICFLGKYRRVGHTGFCESS

19 Alineamiento de secuenciasTipos de alineamiento: De a pares: se alinean dos secuencias de la mejor manera posible para maximizar identidad y conservación; se busca evaluar similaridad, y posible homología. Múltiple: se alinea un grupo de secuencias ( no es lo mismo que alinearlas a todas de a pares!).

20 Alineamiento de secuenciasEl alineamiento múltiple (no lo veremos aún) ayuda a: hacer árboles filogenéticos mosca GAKKVIISAP SAD.APM..F VCGVNLDAYK PDMKVVSNAS CTTNCLAPLA humano GAKRVIISAP SAD.APM..F VMGVNHEKYD NSLKIISNAS CTTNCLAPLA planta GAKKVIISAP SAD.APM..F VVGVNEHTYQ PNMDIVSNAS CTTNCLAPLA bacteria GAKKVVMTGP SKDNTPM..F VKGANFDKY. AGQDIVSNAS CTTNCLAPLA levadura GAKKVVITAP SS.TAPM..F VMGVNEEKYT SDLKIVSNAS CTTNCLAPLA archaea GADKVLISAP PKGDEPVKQL VYGVNHDEYD GE.DVVSNAS CTTNSITPVA detectar letras “importantes” ~~~~~EIQDVSGTWYAMTVDREFPEMNLESVTPMTLTTL.GGNLEAKVTM LSFTLEEEDITGTWYAMVVDKDFPEDRRRKVSPVKVTALGGGNLEATFTF TKQDLELPKLAGTWHSMAMATNNISLMATLKAPLRVHITSEDNLEIVLHR VQENFDVNKYLGRWYEIEKIPTTFENGRCIQANYSLMENGNQELRADGTV VKENFDKARFSGTWYAMAKDPEGLFLQDNIVAEFSVDETGNWDVCADGTF LQQNFQDNQFQGKWYVVGLAGNAI.LREDKDPQKMYATIDKSYNVTSVLF VQPNFQQDKFLGRWFSAGLASNSSWLREKKAALSMCKSVDGGLNLTSTFL VQENFNISRIYGKWYNLAIGSTCPWMDRMTVSTLVLGEGEAEISMTSTRW PKANFDAQQFAGTWLLVAVGSACRFLQRAEATTLHVAPQGSTFRKLD... determinar patrones o secuencias de consenso

21 Alineamiento de secuenciasLa métrica que se usa es la distancia de Levenshtein o distancia de edición : es la longitud del proceso más corto para convertir una secuencia en otra, a través de pasos de inserción, borrado, o reemplazo (cada vez, de a una letra). A G C A C A C - A A G - C A C A C A A - C A C A C T A A C A C A C T - A  La distancia de edición entre AGCACACA y ACACACTA es 2

22 Alineamiento de secuenciasProblemas: Una única mutación que inserta o borra suele afectar a más de una posición; por lo tanto, un “hoyo” de largo k no debiera costar igual que k hoyos de largo 1. Solución usual:  puntaje afín para los hoyos, del tipo a+bk. K L A A S V I L S D A L K L A A S D A L x (-1)=-13

23 Alineamiento de secuenciasProblemas: Sólo se reconocen identidades; reemplazos conservativos requieren algún “puntaje” intermedio.  Se usan matrices de sustitución, que asocian un número a cada posible reemplazo de una letra por otra. Hay que distinguir entre proteínas y ácidos nucléicos.

24 Alineamiento: matrices de sustituciónÁcidos nucléicos: El alfabeto ACGT se puede proyectar a un alfabeto binario de tres maneras distintas; cada una tiene cierto significado bioquímico: R={A,G}, Y={C,T} : purinas y pirimidinas, resp. S={G,C}, W={A,T} : enlace fuerte o débil, resp. K={T,G}, M={A,C}: expone grupo keto o amino, resp. Si un reemplazo no cambia la distinción R/Y, se suele considerar conservativo; se llaman transiciones, y los otros reemplazos son transversiones.

25 Alineamiento: matrices de sustituciónProteínas: Serina (S) y treonina (T) tienen propiedades parecidas; el ácido aspártico (D) y el ácido glutámico (E) también. El reemplazo S/T o E/D es frecuente durante la evolución. El “costo” no debería ser muy inferior al de la identidad.

26 Alineamiento: matrices de sustituciónFuentes posibles para crear las matrices: Propiedades fisico/químicas de los aminoácidos. Frecuencia empírica de reemplazos observados en proteínas claramente homólogas. En la práctica resultan ser criterios parecidos. Se usa lo segundo.

27 Alineamiento: matrices de sustituciónSon dos los grupos de matrices más usados: PAM (Dayhoff, 1978) BLOSUM (Henikoff & Henikoff, 1992) casi han reemplazado a las PAM En la matriz se pone el odds ratio: el logaritmo de la probabilidad de la sustitución, dividida por la probabilidad de que las letras alineadas estén allí al azar (qi y qj son las frecuencias absolutas). ¿Por qué logaritmo? Para poder trabajar con números de magnitudes similares, y para poder sumar en vez de multiplicar.

28 Alineamiento: matrices de sustituciónPAM: PAM1 se construye con la prob. de reemplazo para un nivel de divergencia de 1% (1 aminoácido de cada 100), que sería aproximadamente un millón de años. PAMn, para divergencias mayores, se construye calculando potencia n-ésima de PAM1. BLOSUM: Para BLOSUMn, se usan alineamientos locales de un mismo largo (sin gaps) de proteínas con al menos n% de identidad. No se extrapola nada.

29 Alineamiento: matrices de sustituciónPAM250

30 Alineamiento: matrices de sustitución100 BLOSUM62 Usa estas 62 30

31 Alineamiento: matrices de sustituciónLa matriz que corresponda usar depende de qué tan lejanas son las secuencias que se están comparando. RBP de ratón vs RBP de rata Polimerasa de ratón vs polimerasa de bacteria Globinas humanas distantes

32 Alineamiento Resumiendo, el puntaje de un alineamiento dependerá (aditivamente) de: La matriz de sustitución, que le pone puntaje al reemplazo de una letra por otra La penalización de gaps Con eso se están haciendo varias simplificaciones: Que haya independencia entre posiciones. Que no haya zonas más mutables. Que todas las secuencias cambian al mismo ritmo...

33 Alineamiento ¿Que todas las secuencias cambian al mismo ritmo?human (NP_005203) versus mouse (NP_031812) kappa casein 33 PAM para kappa-caseína, 0 PAM para ubiquitina! Pero ok, se hace la simplificación. human (NP_005203) versus mouse (NP_031812) ubiquitin

34 Alineamiento: dot plotsUna herramienta simple pero útil: dot plots. Ponemos una secuencia en una fila, la otra en una columna, y un punto por cada coincidencia. Se suelen unir con líneas los puntos contiguos de una diagonal. En uso desde los 70s. A C D E F G H G G H F E D C A

35 Alineamiento: dot plotsMioglobina vs beta-globina (humanas) Refinamiento más reciente: Sólo poner el punto si en una ventana de tamaño w, hay s coincidencias (se elimina “ruido” poco significativo).

36 Alineamiento: dot plotsReceptor LDL humano vs sí mismo ldlrecep.pep ck: 3,641, 1 to 860 200 400 600 800 COMPARE Window: 40 Stringency: Points: 2,295 w=30, s=9 w=40, s=20

37 Alineamiento: dot plotsConviene hacerlos antes de aplicar algoritmos; puede haber algo evidente que salte a la vista. ¿Qué se puede ver? Similaridad entre dos secuencias Secuencias repetitivas Palíndromes (que existen!) Segmentos compartidos, aunque esté cambiado el orden, o haya bloques insertados.

38 Alineamiento: local y globalSe pueden buscar alineamientos locales o globales : Global: se alinea una secuencia completa contra otra secuencia completa. Suele ser útil para secuencias similares, y/o de tamaños parecidos. Local: se alinea un tramo de una secuencia con un tramo de la otra, de la mejor manera posible.

39 Alineamiento global Podemos ver un alineamiento como un camino en una matriz similar al dotplot: Avanzamos hacia la derecha y hacia abajo. Vamos de la esquina en que comienzan las secuencias, hasta la esquina en que terminan. Horizontal o vertical  gap Diagonal  identidad o reemplazo

40 Alineamiento global Para dos proteínas de 100 aá, los posibles alineamientos son  1060. AGTGCCCTGGAACCCTGACGGTGGGTCACAAAACTTCTGGA AGTGACCTGGGAAGACCCTGACCCTGGGTCACAAAACTC En general, la cantidad de alineamientos es O(2n+m). Por suerte, existe un algoritmo de programación dinámica: Needleman & Wunsch, 1970.

41 Alineamiento global A cada punto podemos llegar por sólo tres caminos.T C G C A T C A A cada punto podemos llegar por sólo tres caminos. x

42 Alineamiento global A cada punto podemos llegar por sólo tres caminos.T C G C A T C A A cada punto podemos llegar por sólo tres caminos. x score(x,y-1) - gap-penalty score(x,y) = max

43 Alineamiento global A cada punto podemos llegar por sólo tres caminos.T C G C A T C A A cada punto podemos llegar por sólo tres caminos. x score(x,y-1) - gap-penalty score(x-1,y-1) + substitution-score(x,y) score(x,y) = max

44 Alineamiento global A cada punto podemos llegar por sólo tres caminos.T C G C A T C A A cada punto podemos llegar por sólo tres caminos. x Una vez que llegamos al final, desandamos lo andado para determinar la ruta óptima. score(x,y-1) - gap-penalty score(x-1,y-1) + substitution-score(x,y) score(x-1,y) - gap-penalty score(x,y) = max

45 Alineamiento global Seq2(j) A R T S Seq1(i) 0 1 2 3 4 M 1 A 2 T 3 H 4M 1 A 2 T 3 H 4 S 5

46 Alineamiento global Seq2(j) A R T S Seq1(i) 0 1 2 3 4 0 0 M 1 A 2 T 30 0 M 1 A 2 T 3 H 4 S 5

47 Alineamiento global Seq2(j) A R T S Seq1(i) 0 1 2 3 4 0 0 1 M 1 A 20 0 1 M 1 A 2 T 3 H 4 S 5

48 Alineamiento global Seq2(j) A R T S Seq1(i) 0 1 2 3 4 0 0 1 2 M 1 A 2 M 1 A 2 T 3 H 4 S 5

49 Alineamiento global Seq2(j) A R T S Seq1(i) 0 1 2 3 4 0 0 1 2 3 4 M 1 1 A 2 2 T 3 3 H 4 4 S 5 5

50 Alineamiento global Seq2(j) A R T S Seq1(i) 0 1 2 3 4 0 0 1 2 3 4 M 1 1 1 A 2 2 T 3 3 H 4 4 S 5 5

51 Alineamiento global Seq2(j) A R T S Seq1(i) 0 1 2 3 4 0 0 1 2 3 4 M A 2 2 T 3 3 H 4 4 S 5 5

52 Alineamiento global Seq2(j) A R T S Seq1(i) 0 1 2 3 4 0 0 1 2 3 4 M A T 3 3 H 4 4 S 5 5

53 Alineamiento global Seq2(j) A R T S Seq1(i) 0 1 2 3 4 0 0 1 2 3 4 M A T H 4 4 S 5 5

54 Alineamiento global Seq2(j) A R T S Seq1(i) 0 1 2 3 4 0 0 1 2 3 4 M A T H S

55 Alineamiento global Seq2(j) A R T S Seq1(i) 0 1 2 3 4 0 0 1 2 3 4 M A T H S

56 Alineamiento global El alineamiento no es necesariamente único:MATHS MA-THS MATHS -ARTS ART-S ART-S Si los gaps tienen costo afín, se usan tres matrices, pero la idea es la misma. El algoritmo corre en tiempo O(mn), y ocupa espacio O(mn). Se puede arreglar para que el espacio sea O(max{m,n}).

57 Alineamiento local Alineamientos locales: buscar un buen alineamiento entre segmentos, y extenderlo sólo mientras siga siendo bueno (no más allá). Alineamiento global Sec 1 Alineamiento local Sec 2

58 Alineamiento local Algoritmo Smith-Waterman, 1982:Después de 12 años, se le agrega un 0 al algoritmo de N&W score(x,y) = max score(x,y-1) - gap-penalty score(x-1,y-1) + substitution-score(x,y) score(x-1,y) - gap-penalty Al terminar, busco el valor más grande en la tabla. Me devuelvo por ruta óptima hasta encontrar un 0.

59 Alineamiento local Algoritmo Smith-Waterman

60 Alineamiento NW y SW son óptimos, aunque no necesariamente sean el alineamiento biológicamente correcto. Lo realmente malo es el orden cuadrático. Base de datos Secuencia de Consulta

61 Alineamiento

62 Alineamiento Contra una base de datos, por lo general: se buscan alineamientos locales  se usan heurísticas Se desea buena sensitividad (evitar falsos negativos) y especificidad (evitar falsos positivos). Los dos algoritmos (o familias de) principales son FASTA y BLAST. Ambos parten buscando bloques de identidades, mediante matches de palabras (substrings cortos).

63 Alineamiento - FASTA FASTA :Lippman & Pearson, 1985 (para proteínas), 1988 (nucleótidos). Ubica los mejores tramos diagonales de identidades. Los recalcula con PAM. Se queda con los 10 mejores.

64 Alineamiento - FASTA FASTA :Busca una cuasi-diagonal que recorra la mayoría Aplica SW sobre una ventana en torno a eso. Acelera un orden de magnitud, respecto a SW.

65 Alineamiento - BLAST BLAST (Karlin & Altschul, 1990, 1993):Indexa las palabras de un cierto largo k (para la base de datos, lo hace antes). A partir del query, genera una lista L de todas las palabras de largo k, y a partir de esas, una lista de palabras de largo k que darían un puntaje sobre un umbral T si se alinearan con alguna de L. Ejemplo: Si el query contiene AIV, AIA da un puntaje de y AII da un puntaje de Con T =10, tomo AII.

66 Alineamiento - BLAST BLAST :Típicamente eso genera ~50 palabras a partir de la secuencia query. Busca matchs exactos de palabras. Extiende esos match en ambas direcciones, mientras eso genere alineamiento significativo. extensiones

67 Alineamiento De FASTA y de BLAST (sobre todo de BLAST) existen distintas variantes: con énfasis locales o globales, mejoras para proteínas o DNA, previsiones para bases de datos grandes, etc... Se pueden bajar, o utilizar en servidores. Se pueden usar en la web de manera interactiva, o desde software local (hay API del uso vía URLs).

68 Alineamiento Por lo general, FASTA resulta mejor para nucleótidos, y BLAST, para proteínas. Velocidad: BLAST > FASTA > SW Sensitividad: BLAST < FASTA < SW Pero ojo, ambas familias están en permanente evolución, y en BLAST hay mucha gente trabajando. * Cuando se comparan secuencias que codifican proteínas, por lo general es preferible comparar las proteínas, no sus DNAs.

69 Alineamiento Sabores principales de BLAST (hay equiv. FASTA):BLASTN: query de nucleótidos, BD de nucleótidos. BLASTP: query de proteína, BD de proteínas. Esas son simples. Las que siguen, consideran los 6 marcos de lectura posible (mirando ambas hebras del DNA, y partiendo la traducción desde la primera, segunda o tercera letra): BLASTX: query de nucleótidos, BD de proteínas. TBLAST: query de proteína, BD de nucleótidos. TBLASTX: query de nucleótidos, BD de nucleótidos

70 Significatividad Al hacer una búsqueda contra una base de datos y encontrar un match, se suele informar el p-value y el E-value asociados al puntaje obtenido. p-value: probabilidad de obtener ese puntaje o uno mejor, por simple azar. E-value: el p-value multiplicado por la cantidad de secuencias en la base de datos (ergo, cantidad de matches así de buenos que cabe esperar al azar).

71 Significatividad No existe buena teoría estadística para los valores E y p, en el caso más general. Para el caso de alineamiento local de dos secuencias de largo n y m, sin gaps, en la aproximación de n y m grandes, se tiene E  mn  K  e-S donde K y S reflejan el espacio de búsqueda y la puntuación, respectivamente. Esto es el E-value de los HSP (high scoring segments, los tramos no-extendibles del alineamiento local). Bit score: S’ = (S- ln K) / ln 2

72 Significatividad Para bases de datos, o para el caso general con gaps, la distribución para el p-value se determina empíricamente. NO sigue una normal; es una distribución de valores extremos, pero depende de la base de datos. En los servidores, los datos están precalculados. BLAST suele subestimar el E-value; hay que creerle sólo a valores chicos a 0.05 pueden ser de interés.

73 Significatividad Conviene probar con versiones “rebarajadas” de nuestra secuencia. En general, tener ojo con la composición, repeticiones, etc. 100 random shuffles Mean score = 8.4 Std. dev. = 4.5 Número de instancias Score obtenido = 37 score

74 Alineamiento bayesianoUna alternativa reciente: Nucleic Acids Research, 2002, Vol. 30, No BALSA: Bayesian algorithm for local sequence alignment Bobbie-Jo M. Webb, Jun S. Liu and Charles E. Lawrence Se consideran varias matrices de sustitución y penalizaciones de gaps (con alguna distribución de probabilidad a priori). Se entrega una función P(i,j) con la probabilidad de que la letra i-ésima de la primera secuencia se alinee con la j-ésima de la segunda. Se entrega también una distribución a posteriori para las matrices y penalizaciones.

75 Alineamiento bayesianoDesventajas: mayor trabajo de cómputo no entrega directamente un alineamiento [pero se puede reconstruir uno, por ejemplo recorriendo de (0,0) a (m,n) por la ruta que sume más P(i,j).] Ventajas: formaliza el proceso de “tantear” con distintas matrices de sustitución hasta tener una que refleje (y prediga) la distancia evolutiva entre las secuencias. permite observar distintos niveles de confianza a lo largo del alineamiento

76 Breve nota sobre lenguaje“Residuo”: sinónimo de aminoácido (letra de proteína). “Base”: sinónimo de nucleótido (letra de DNA o RNA). También se habla de “base pair” para referirse a las bases (pensando en que el DNA tiene dos hebras). No es lo mismo que un dinucleótido (que es una palabra de DNA de largo 2).

77 Breve nota sobre “Organismos modelos”Los estudios se concentran en ciertas especies, por economías de escala (de varios tipos) Se escogen especies fáciles de tratar, con ciclos de vida rápidos, tamaño relativamente pequeño, y a veces con algún interés específico. No están repartidos de manera representativa de la diversidad del árbol de la vida; sesgo (práctico) hacia los eucariotas, los metazoos (=animales), los vertebrados.

78 Breve nota sobre “Organismos modelos”La lista es larga. Principales: Mamíferos Homo sapiens (humano) Canis lupus familiaris (perro) Mus musculus (ratón) Cavia porcellus (conejillo de indias) Rattus norvegicus (rata) Otros vertebrados: Gallus gallus domesticus (gallina) Danio rerio (pez zebra) Xenopus laevis (una rana africana)

79 Breve nota sobre “Organismos modelos”Invertebrados: Caenorhabditis elegans (un gusano nemátodo) Drosophila melanogaster (mosca de la fruta) Arbacia punctulata (erizo de mar, “sea urchin”) Plantas: Arabidopsis thaliana (mostaza) Nicotiana tabaccum (tabaco) Oryza sativa (arroz) Zea mays (choclo)

80 Breve nota sobre “Organismos modelos”Hongos: Saccharomyces cerevisiae (levadura de la cerveza y el pan) Schizosaccharomyces pombe (otra levadura) Neurospora crassa (moho de pan) Protistas: Dictyostelium discoideum (ameba social) Tetrahymena thermophila (un protozoo ciliado) Chlamydomonas reinhardtii (alga unicelular)

81 Breve nota sobre “Organismos modelos”Bacterias: Escherichia coli Bacilus subtilis (bacilo, vive en el suelo) Mycoplasma genitalium (diminuta!) Vibrio fischeri (marino, luminoso) Virus: Tobacco mosaic virus (un virus de RNA, en tabaco)  fago (ataca a E. coli) HIV (virus del sida)

82 Breve nota sobre software bioinformáticoHay mucho. Mucho es libre, y/o de código abierto. Lenguajes frecuentes: Java (particularmente aplicaciones individuales) C, C++ (todo lo que tiene que andar rápido) Perl (operaciones sobre secuencias) Python (crecientemente) Muchos servicios online, utilizables vía web o vía URLs. Librerías bajables que conviene reutilizar.

83 Breve nota sobre datos bioinformáticosHay muuuuchos, de diversos tipos. Existen bases de datos de bases de datos. Al comienzo de cada año, número especial de Nucleic Acid Research con las novedades más importantes. Por lo general, mucha cross-reference entre las BD. Mencionaremos por ahora sólo el punto de entrada al núcleo y punto de partida de los datos: Genbank.

84 Bases de datos: el núcleoNIH Entrez NCBI GenBank Submissions Updates Submissions Updates EMBL DDBJ EBI CIB NIG Submissions Updates SRS EMBL getentry

85 Sequence/Structure Sequence/Structure Expression Nucleotide SequenceNCBI - Entrez PubMed OMIM Protein Sequence/Structure PubMed Central Genome Sequence/Structure Journals 3D Domains Literature Books Structure Organism Taxonomy CDD/CDART Entrez Genome Protein Expression Nucleotide Sequence UniSTS HomoloGene SNP UniGene Gene GEO/GDS PopSet Nucleotide

86 Bases de datos GenBank/DDBJ/EMBL es BD de nucleótidos.Son secuencias primarias: información “en bruto”, con las anotaciones que los autores hayan provisto. RefSeq (en el NCBI) es una BD curada; contiene información tomada de GenBank pero comparada y anotada; es como un review. Para proteínas: UniProt incluye una parte curada y con mucha información (SwissProt) y una parte no curada que simplemente traduce las secuencias de GenBank: TrEMBL.

87 Bases de datos ¿De dónde sale la información primaria?De gente que está investigando un gen  entradas cortas, organismos típicos, muy bien anotadas De gente que está investigando filogenia o genética de poblaciones:  secuencias de organismos atípicos; por lo general cortas, con diversas versiones Proyectos de secuenciamiento: entradas cortas, productos intermedios en las técnicas de secuenciamiento. entradas largas, con nivel de anotación dependiente del nivel de avance del proyecto.

88 Bases de datos: formatos básicosFormatos elementales para secuencias de ácidos nucléicos o proteínas: Texto plano (sólo las letras de una secuencia!) FASTA Genbank ASN.1 (como referencia) XML (para parsearlo)

89 Bases de datos: formatos básicosFormato FASTA: >gi|121066|sp|P03069|GCN4_YEAST GENERAL CONTROL PROTEIN GCN4 MSEYQPSLFALNPMGFSPLDGSKSTNENVSASTSTAKPMVGQLIFDKFIKTEEDPI IKQDTPSNLDFDFALPQTATAPDAKTVLPIPELDDAVVESFFSSSTDSTPMFEYEN LEDNSKEWTSLFDNDIPVTTDDVSLADKAIESTEEVSLVPSNLEVSTTSFLPTPVL EDAKLTQTRKVKKPNSVVKKSHHVGKDDESRLDHLGVVAYNRKQRSIPLSPIVPES SDPAALKRARNTEAARRSRARKLQRMKQLEDKVEELLSKNYHLENEVARLKKLVGE R Línea de descripción que parte con “>”. Lo primero en esa línea es un identificador; sigue la descripción. Formato bastante libre. Se recomienda que las líneas no pasen de 80 caract. Si vuelve a aparecer un “>”, es que sigue otra secuencia.

90 Bases de datos: formatos básicosLetras estandar:

91 Bases de datos: formatos básicosLOCUS MUSNGH bp mRNA ROD AUG-1997 DEFINITION Mouse neuroblastoma and rat glioma hybridoma cell line NG108-15 cell TA20 mRNA, complete cds. ACCESSION D25291 NID g KEYWORDS neurite extension activity; growth arrest; TA20. SOURCE Murinae gen. sp. mouse neuroblastma-rat glioma hybridoma cell_line:NG cDNA to mRNA. ORGANISM Murinae gen. sp. Eukaryotae; mitochondrial eukaryotes; Metazoa; Chordata; Vertebrata; Mammalia; Eutheria; Rodentia; Sciurognathi; Muridae; Murinae. REFERENCE 1 (sites) AUTHORS Tohda,C., Nagai,S., Tohda,M. and Nomura,Y. TITLE A novel factor, TA20, involved in neuronal differentiation: cDNA JOURNAL Neurosci. Res. 23 (1), (1995) cloning and expression MEDLINE REFERENCE 3 (bases 1 to 1803) AUTHORS Tohda,C. JOURNAL Submitted (18-NOV-1993) to the DDBJ/EMBL/GenBank databases. Chihiro TITLE Direct Submission Tohda, Toyama Medical and Pharmaceutical University, Research Institute for Wakan-yaku, Analytical Research Center for Ethnomedicines; 2630 Sugitani, Toyama, Toyama , Japan Fax: ) Tel: (ex.2841), COMMENT On Feb 26, 1997 this sequence version replaced gi: FEATURES Location/Qualifiers source /note="source origin of sequence, either mouse or rat, has /organism="Murinae gen. sp." not been identified" /db_xref="taxon:39108" /cell_line="NG108-15" misc_signal /cell_type="mouse neuroblastma-rat glioma hybridoma" /note="AP-2 binding site" GC_signal /note="Sp1 binding site" TATA_signal gene /gene="TA20" CDS /function="neurite extensiion activity and growth arrest effect" /codon_start=1 /db_xref="PID:d " /db_xref="PID:g793765" /translation="MMKLWVPSRSLPNSPNHYRSFLSHTLHIRYNNSLFISNTHLSRR KLRVTNPIYTRKRSLNIFYLLIPSCRTRLILWIIYIYRNLKHWSTSTVRSHSHSIYRL RPSMRTNIILRCHSYYKPPISHPIYWNNPSRMNLRGLLSRQSHLDPILRFPLHLTIYY RGPSNRSPPLPPRNRIKQPNRIKLRCR" polyA_site BASE COUNT a c g t ORIGIN 1 tcagtttttt tttttttttt tttttttttt tttttttttt tttttttttg ttgattcatg 61 tccgtttaca tttggtaagt tcacaggcct cagtcaacac aattggactg ctcaggaaat 121 cctccttggt gaccgcagta tacttggcct atgaacccaa gccacctatg gctaggtagg 241 catggtggac ctctggccag agtcagcagg ccgagggttc tcttccgggc tgctccctca 181 agaagctcaa ctgtagggct gactttggaa gagaatgcac atggctgtat cgacatttca 301 ctgcttgact ctgcgtcagt gcgtccatac tgtgggcgga cgttattgct atttgccttc 361 cattctgtac ggcattgcct ccatttagct ggagagggac agagcctggt tctctagggc 421 gtttccattg gggcctggtg acaatccaaa agatgagggc tccaaacacc agaatcagaa 541 gacaaagaac agcttttctg tcactcccat gagaaccgtc gcaatcactg ttccgaagag 481 ggcccagcgt atttgtaaaa acaccttctg gtgggaatga atggtacagg ggcgtttcag 601 gaggagtcca gaatacacgt gtatgggcat gacgattgcc cggagagagg cggagcccat 661 ggaagcagaa agacgaaaaa cacacccatt atttaaaatt attaaccact cattcattga 721 cctacctgcc ccatccaaca tttcatcatg atgaaacttt gggtcccttc taggagtctg 841 aacagccttt tcatcagtaa cacacatttg tcgagacgta aattacgggt gactaatccg 781 cctaatagtc caaatcatta caggtctttt cttagccata cactacacat cagatacaat 901 atatatacac gcaaacggag cctcaatatt ttttatttgc ttattccttc atgtcggacg 961 aggcttatat tatggatcat atacatttat agaaacctga aacattggag tacttctact 1021 gttcgcagtc atagccacag catttatagg ctacgtcctt ccatgaggac aaatatcatt 1141 agtcgaatga atttgagggg gcttctcagt agacaaagcc accttgaccc gattcttcgc 1081 ctgaggtgcc acagttatta caaacctcct atcagccatc ccatatattg gaacaaccct 1201 tttccacttc atcttaccat ttattatcgc ggccctagca atcgttcacc tcctcttcct 1261 ccacgaaaca ggatcaaaca acccaacagg attaaactca gatgcagata aaattccatt 1321 tcacccctac tatacatcaa agatatccta ggtatcctaa tcatattctt aattctcata 1441 ccactaaaca ccccacccca tattaaaccc gaatgatatt tcctatttgc atacgccatt 1381 accctagtat tatttttccc agacatacta ggagacccag acaactacat accagctaat 1501 ctacgctcaa tccccaataa actaggaggt gtcctagcct taatcttatc tatcctaatt 1561 ttagccctaa tacctttcct tcatacctca aagcaacgaa gcctaatatt ccgcccaatc 1621 acacaaattt tgtactgaat cctagtagcc aacctactta tcttaacctg aattgggggc 1741 tcatcttaat tcttatacca atctcaggaa ttatcgaaga caaaatacta aaattatatc 1681 caaccagtag acacccattt attatcattg gccaactagc ctccatctca tacttctcaa 1801 cat // Genbank: Información preliminar sobre la secuencia: título, taxonomía, referencia. Tabla de features : cosas que se encuentran en la secuencia. Cada feature puede tener qualifiers. La secuencia misma. Un “//” indica fin de la entrada; después puede comenzar otra.

92 Bases de datos: formatos básicosSwissProt: Esquema parecido al de GenBank, pero con mucha más información (función, estructura, enfermedades asociadas...) ID CYS3_YEAST STANDARD; PRT; AA. AC P31373; DT 01-JUL-1993 (REL. 26, CREATED) DE CYSTATHIONINE GAMMA-LYASE (EC ) (GAMMA-CYSTATHIONASE). GN CYS3 OR CYI1 OR STR1 OR YAL012W OR FUN35. OS TAXONOMY OC SACCHAROMYCETACEAE; SACCHAROMYCES. RX CITATION CC -!- CATALYTIC ACTIVITY: L-CYSTATHIONINE + H(2)O = L-CYSTEINE + CC NH(3) + 2-OXOBUTANOATE. CC -!- COFACTOR: PYRIDOXAL PHOSPHATE. CC -!- PATHWAY: FINAL STEP IN THE TRANS-SULFURATION PATHWAY SYNTHESIZING CC L-CYSTEINE FROM L-METHIONINE. CC -!- SUBUNIT: HOMOTETRAMER. CC -!- SUBCELLULAR LOCATION: CYTOPLASMIC. CC -!- SIMILARITY: BELONGS TO THE TRANS-SULFURATION ENZYMES FAMILY. CC CC DISCLAMOR DR DATABASE cross-reference KW CYSTEINE BIOSYNTHESIS; LYASE; PYRIDOXAL PHOSPHATE. FT INIT_MET FT BINDING PYRIDOXAL PHOSPHATE (BY SIMILARITY). SQ SEQUENCE AA; MW; 55BA2771 CRC32; TLQESDKFAT KAIHAGEHVD VHGSVIEPIS LSTTFKQSSP ANPIGTYEYS RSQNPNRENL ERAVAALENA QYGLAFSSGS ATTATILQSL PQGSHAVSIG DVYGGTHRYF TKVANAHGVE TSFTNDLLND LPQLIKENTK LVWIETPTNP TLKVTDIQKV ADLIKKHAAG QDVILVVDNT FLSPYISNPL NFGADIVVHS ATKYINGHSD VVLGVLATNN KPLYERLQFL QNAIGAIPSP FDAWLTHRGL KTLHLRVRQA ALSANKIAEF LAADKENVVA VNYPGLKTHP NYDVVLKQHR DALGGGMISF RIKGGAEAAS KFASSTRLFT LAESLGGIES LLEVPAVMTH GGIPKEAREA SGVFDDLVRI SVGIEDTDDL LEDIKQALKQ ATN //

93 Bases de datos: formatos básicosASN1 (Abstract Syntax Notation): Es un estándar; es el formato interno en GenBank.

94 Iremos mencionando otros formatos y otros softwares y otras bases de datos en la medida en que vayamos pasando por distintos temas.