关于序列联配的清单
引言
生物信息学的基础可认为是序列分析。测序技术被发明之后，大规模的测序产生了大量的生物学数据，包括DNA, RNA, 蛋白质等。想通过实验找到海量数据背后的功能和意义，就相当于一只蚂蚁在不断伸长橡皮筋中企图爬到终点一样。因此为了能够尽可能挖掘出新数据的含义，我们就要去序列进行分析。
序列分析的核心是序列联配(sequence alignment)。无论是寻找同源基因，构建系统发生树，还是高通量数据分析，都依赖于最基础的序列联配知识。因此，当夸夸其谈高通量测序数据分析的时候，你可能需要了解一些关于序列联配的基础知识。
联配是在两个或更多序列的相同区域寻找最大形似性的任务
联配只能找到相似性，无法直接找到同源性
蛋白质序列间比较更容易发现同源性
由于进化上氨基酸有一定概率发生变化，所以真正的匹配不比相同
替代矩阵用来对联配结果进行计分，常见的有PAM替代矩阵和BLOSUM替代矩阵
替代矩阵的选择要考虑到进化程度，序列长度的一致性，实验对象
引入插入空缺是为了增加相似度，但是需要使用空缺罚分（gap penalty)进行限制。而动态规划算法可以确定引入最优空缺
联配分为全局联配（global alignment)和局部联配(local alignment).前者是比较或寻找整条序列间都密切相关的序列，后者找部分序列相关，如不同蛋白间的结构域。
采用未知蛋白质的序列查询搜索时，初期用局部联配找到序列高度相关的区域，然后使用全局联配对序列上剩余的不太相似的区域进行联配。
你可能从来都没有听说过，但是需要知道BaliBase是一个用于评价多序列比对工具质量的数据库，文章发表在1999年，但是数据库最新一次更新在2016年12月。
一句非常正确的废话是，没有最好的联配算法和工具，只有最合适当前问题的工具
搜索数据库大家可能只知道到BLAST, 但是其实还有FASTA，基于K-mer算法
对于BLAST无法直接找到的远源蛋白或基因，可以用PSI-BLAST
搜索数据库得到的E值（expectation value)用于评价联配的优劣程度和数据库搜索的可信度。E值表示至少为S分的联配的数目，S是指偶然搜索有n条完整数据库中所期待的值。看不懂没有关系，只要知道E值越小联配越好，一致度比较高。
会用NCBI上BLAST的一个特征就是懂得如何选择合适的参数
如果未知序列和已知功能的序列的相似性仅限于几个关键的残基，或者说是motif（模体），InterPro是一个不错的选择，它可以聚类和预测功能与和重要位点。
MEME全称是multiple expectation maxmization for motif elicitation，是用来寻找Motif的一种程序
你可以去PROSITE和Pfam里找蛋白质的模式和模体，根据找到的模体，用PHI-BLAST去搜索更多包含该模体的基因或蛋白。