🧬 02 · 多重序列比对(MSA)与保守性分析¶
有了两两比对,下一步是多条序列一起比(MSA),寻找保守位点—— 这是功能研究(哪些残基重要)、建进化树、引物设计的基础。 本节:MSA 概念 → 一致性序列 → 保守性打分(位点熵)→ 蛋白家族。
📋 本节要解决的问题¶
- 为什么需要 MSA?一条新序列怎么归到一个家族?
- 一致性序列(consensus)怎么算?
- 位点保守性怎么度量?(熵/百分比)
- 保守位点在功能和进化上意味着什么?
1️⃣ MSA 与一致性序列¶
MSA:把多条序列按列对齐,让同源位点在同一列。
一致性序列:每列取出现最多的碱基/氨基酸组成的代表序列。
例:3 条序列第 1 列都是 A → 一致性 A;第 2 列 G/A/G → 多数 G。
Copied!
import numpy as np
def consensus(seqs):
"多序列 -> 一致性序列(逐列取众数字符)"
n = len(seqs)
L = len(seqs[0])
cons = []
for j in range(L):
col = [s[j] for s in seqs]
from collections import Counter
cons.append(Counter(col).most_common(1)[0][0])
return ''.join(cons)
seqs = ['ACG-TAC', 'ACGGTAC', 'ACGT-AC']
cons = consensus(seqs)
print('MSA 输入:')
for s in seqs: print(' ', s)
print('一致性 :', cons)
assert len(cons) == len(seqs[0])
print('✅ 一致性序列计算完成')
import numpy as np
def consensus(seqs):
"多序列 -> 一致性序列(逐列取众数字符)"
n = len(seqs)
L = len(seqs[0])
cons = []
for j in range(L):
col = [s[j] for s in seqs]
from collections import Counter
cons.append(Counter(col).most_common(1)[0][0])
return ''.join(cons)
seqs = ['ACG-TAC', 'ACGGTAC', 'ACGT-AC']
cons = consensus(seqs)
print('MSA 输入:')
for s in seqs: print(' ', s)
print('一致性 :', cons)
assert len(cons) == len(seqs[0])
print('✅ 一致性序列计算完成')
MSA 输入: ACG-TAC ACGGTAC ACGT-AC 一致性 : ACG-TAC ✅ 一致性序列计算完成
2️⃣ 位点保守性:百分比一致与香农熵¶
对每一列:
- 百分比一致:最多字符的出现比例(简单直观)
- 香农熵:$H = -\sum_i p_i \log_2 p_i$(0=完全保守,越大越多样化)
面试:为什么用熵而不用百分比一致? → 熵能区分「A/G 各半」和「A/C/G/T 各 1/4」,百分比一致只看最大值。
Copied!
def site_entropy(seqs, j):
"第 j 列的香农熵"
from collections import Counter
col = [s[j] for s in seqs if s[j] != '-']
if not col:
return 0.0
c = Counter(col)
n = len(col)
H = 0.0
for k in c.values():
p = k / n
H -= p * np.log2(p)
return H
def pct_identity(seqs, j):
col = [s[j] for s in seqs if s[j] != '-']
if not col:
return 0.0
from collections import Counter
return Counter(col).most_common(1)[0][1] / len(col)
print('第 0 列(全A): 熵=%.3f 一致=%.2f' % (site_entropy(seqs, 0), pct_identity(seqs, 0)))
print('第 3 列(T/-/T): 熵=%.3f 一致=%.2f' % (site_entropy(seqs, 3), pct_identity(seqs, 3)))
assert abs(site_entropy(seqs, 0)) < 1e-9 # 完全保守 → 熵 0
assert abs(pct_identity(seqs, 0) - 1.0) < 1e-9 # 全一致 → 1.0
print('✅ 保守性度量正确(保守位点熵低)')
def site_entropy(seqs, j):
"第 j 列的香农熵"
from collections import Counter
col = [s[j] for s in seqs if s[j] != '-']
if not col:
return 0.0
c = Counter(col)
n = len(col)
H = 0.0
for k in c.values():
p = k / n
H -= p * np.log2(p)
return H
def pct_identity(seqs, j):
col = [s[j] for s in seqs if s[j] != '-']
if not col:
return 0.0
from collections import Counter
return Counter(col).most_common(1)[0][1] / len(col)
print('第 0 列(全A): 熵=%.3f 一致=%.2f' % (site_entropy(seqs, 0), pct_identity(seqs, 0)))
print('第 3 列(T/-/T): 熵=%.3f 一致=%.2f' % (site_entropy(seqs, 3), pct_identity(seqs, 3)))
assert abs(site_entropy(seqs, 0)) < 1e-9 # 完全保守 → 熵 0
assert abs(pct_identity(seqs, 0) - 1.0) < 1e-9 # 全一致 → 1.0
print('✅ 保守性度量正确(保守位点熵低)')
第 0 列(全A): 熵=0.000 一致=1.00 第 3 列(T/-/T): 熵=1.000 一致=0.50 ✅ 保守性度量正确(保守位点熵低)
3️⃣ 手算示例:一列的香农熵¶
某列 4 条序列:A, A, G, T(去掉空位)
字符频率:A=2/4=0.5,G=1/4=0.25,T=1/4=0.25
熵: $$H = -(0.5\log_2 0.5 + 0.25\log_2 0.25 + 0.25\log_2 0.25)$$ $$= -(-0.5 - 0.5 - 0.5) = 1.5 \text{ bit}$$
对比:若全为 A(p=1),H=0(完全保守);若 4 种碱基各 1/4,H=2 bit(最大)。
Copied!
# 验证手算
from math import log2
pA, pG, pT = 0.5, 0.25, 0.25
H = -(pA*log2(pA) + pG*log2(pG) + pT*log2(pT))
print('熵(手算=1.5) =', H)
assert abs(H - 1.5) < 1e-9
print('✅ 手算香农熵验证通过')
# 验证手算
from math import log2
pA, pG, pT = 0.5, 0.25, 0.25
H = -(pA*log2(pA) + pG*log2(pG) + pT*log2(pT))
print('熵(手算=1.5) =', H)
assert abs(H - 1.5) < 1e-9
print('✅ 手算香农熵验证通过')
熵(手算=1.5) = 1.5 ✅ 手算香农熵验证通过
4️⃣ 蛋白家族的保守性含义¶
- 保守位点 → 结构关键(催化残基、结合位点)、进化压力强
- 多变位点 → 表面残基、免疫逃逸、可替换区域
- 应用:从保守序列设计简并引物、预测功能位点、判别家族成员
Copied!
# 模拟一个蛋白保守区:前 3 个位点高度保守,后 2 个可变
motif_seqs = ['YCRKC', 'YCRKM', 'YCRKV', 'YCRRT']
print('motif 比对:')
for s in motif_seqs: print(' ', s)
Hs = [round(site_entropy(motif_seqs, j), 3) for j in range(5)]
print('各列熵:', Hs, '→ 前 3 列低熵 = 保守核心(锌指 Y-C-R-K)')
assert Hs[0] == 0 and Hs[1] < Hs[3]
print('✅ 保守区识别完成(低熵=保守)')
# 模拟一个蛋白保守区:前 3 个位点高度保守,后 2 个可变
motif_seqs = ['YCRKC', 'YCRKM', 'YCRKV', 'YCRRT']
print('motif 比对:')
for s in motif_seqs: print(' ', s)
Hs = [round(site_entropy(motif_seqs, j), 3) for j in range(5)]
print('各列熵:', Hs, '→ 前 3 列低熵 = 保守核心(锌指 Y-C-R-K)')
assert Hs[0] == 0 and Hs[1] < Hs[3]
print('✅ 保守区识别完成(低熵=保守)')
motif 比对: YCRKC YCRKM YCRKV YCRRT 各列熵: [0.0, 0.0, 0.0, 0.811, 2.0] → 前 3 列低熵 = 保守核心(锌指 Y-C-R-K) ✅ 保守区识别完成(低熵=保守)
✅ 自测清单¶
- 能解释 MSA 与一致性序列
- 能手写位点百分比一致与香农熵
- 能手算一个小列的熵
- 能解释保守位点的功能与进化含义