Spieghiamo cosa e’ Blast – come se fosse un motore di ricerca

Qualche tempo fa avevo promesso di dedicare un post per spiegare cosa é Blast, per coloro che non fossero pratici del campo bioinformatico.

 

Visto che vorrei farlo nella maniera più semplice possibile, mi arrischio a proporre una analogia:

• Blast é l’equivalente di google per le ricerche su sequenze proteiche o nucleiche.

Ovvero: Blast é un motore di ricerca che permette, data la sequenza di una proteina, di un gene, o qualsiasi cosa venga fuori da un esperimento, di trovare se nelle banche dati già esistenti ci sia già qualche altra sequenza identica o simile ad essa e con quale relazione.

 

Questa definizione é molto semplicistica e i lettori bioinformatici staranno storcendo il naso: se andate ad affermare una cosa del genere al vostro esame di bioinfo, il prof vi tira una botta in testa. Pero’ continuate a leggere che mi spiego meglio.

(provate ad a pensare a Blast come ad un motore di ricerca. spero che nessuno mi denunci per questo montaggio!)

 

 

Innanzitutto potete raggiungere l’home page di Blast (per la precisione, NCBI-Blast) da questo link qui:

• http://ncbi.nlm.nih.gov/blast

potete provarlo se selezionate uno dei dataset presenti (per esempio, il genoma di Homo Sapiens, o quello dello Chimpanzee) e inserite la prima sequenza che vi trovate sottomano (altrimenti createne una premendo a caso i tasti A-C-G-T per un po’).

 

Ora quando lanciate Blast, vi ritrovate sullo schermo una lista di risultati, che rappresentano tutte le sequenze ‘simili’ a quella che avete inserito, in ordine decrescente di punteggio.

 

Ma come viene definito questo punteggio? Come fa Blast a decidere qual é la seq. ‘più simile’ alla vostra?
Certo se nel database esiste già una sequenza perfettamente identica a quella che avete inserito, il compito é piuttosto semplice.
Ma altrimenti? Per esempio, se ci sono tre sequenze con una differenza ciascuno:

 

-> noi inseriamo in blast la seq. ‘AAAAAAAA‘
-> nel database di ncbi esistono le seq. ‘AAAASAAA‘ ‘AAAAAAAY‘ e ‘AKAAAAAA‘.

 

Qual é la più simile?

 

Un problema del genere ce l’hanno anche i motori di ricerca sul web. Immaginate di cercare su Internet il termine ‘alternative splicing’. Come fa google a sapere qual é la pagina ‘numero 1’ da associare a questi termini?
Non é un problema banale, e probabilmente non é neppure possibile risolverlo senza fare delle approssimazioni.

Google affronta questo problema con l’algoritmo del Page Rank, che non ci interessa, mentre in biologia gli scienziati si sono inventati le matrici di sostituzione.

 

In parole povere, una matrice di sostituzione é una matrice in cui ad ogni possibile mutazione (per esempio, se troviamo una ‘T’ al posto di una ‘A’), viene associato un punteggio.

 

Come vengono attribuiti questi punteggi?
Si usano delle vecchie matrici calcolate negli anni ’70, le PAM e le BLOSUM, che attribuiscono i punteggi in base al tasso di sostituzione per ogni aminoacido all’interno dei migliori dataset di sequenze disponibili al momento.

 

In genere si suole considerare che la bioinformatica sia nata nel 1966 quando Margaret Dayhoff (la madre della bioinformatica) compilò le matrici PAM.

 

Quindi le matrici utilizzate attribuiscono dei punteggi in base ai tassi di sostituzione in un insieme di sequenze veramente vecchio, e nemmeno é possibile valutare direttamente il loro significato biologico (sono come le equazioni dei nodi interni in una rete neurale) ma questo poco importa, perché si tratta di matrici che sono state utilizzate fin dall’alba della bioinfo, e difatti si tratta di degli standard.

 

Cosa vuol dire che Blast é un algoritmo ‘euristico’?

Un’altra complicazione che i creatori di ncbi-blast é che eseguire il confronto tra una sequenza e l’intero database é un’operazione decisamente costosa computazionalmente, perché bisogna analizzare il punteggio di ogni singola combinazione tra la sequenza inserita e quelle target, e se si utilizzasse un algoritmo preciso, considerato il numero di scienziati che ogni giorno lanciano blast, i computer dell’NCBI scoppierebbero.

 

Non é un problema facilmente risolvibile: ogni giorno i database di sequenze crescono, così che non basta aumentare la potenza dei computer a meno di non fare investimenti miliardari.

 

E’ questo il punto per cui NCBI-Blast é popolare: invece di eseguire un allineamento base per base, utilizza dei trucchetti, ovvero confronta coppie o triplette o piccole sottosequenze alla volta, rintracciando gli allineamenti più lunghi successivamente, e cosi’ e’ ragionevolmente piu’ veloce: questo permette che l’intera comunità scientifica possa utilizzarlo.

 

Naturalmente ci sono dei piccoli svantaggi utilizzando questi trucchetti: i risultati ottenuti potranno non essere esattamente i migliori possibili, o saranno in un ordine sbagliato; ma quelli che si ottengono sono in genere sempre dei risultati soddisfacenti, anche perché altrimenti Blast non sarebbe così popolare.

 

Per i dettagli vi rimando al vostro corso di bioinformatica preferito.

 

Attenzione a non fare confusione: ci sono almeno due punti in cui si fanno approssimazioni nell’intero processo, quello in cui si assume che la matrice di sostituzione utilizzata sia verosimile, e quello introdotto da Blast.

 

Aspetta, aspetta!

Ci sarebbero ancora tante cose da dire su Blast.
Così come é possibile utilizzare i motori di ricerca in tanti modi diversi, anche Blast può essere utilizzato per fare tante cose.

Per esempio, immaginate di avere una mano la sequenza di un gene umano: se la lanciate contro il genoma di un altro organismo come il topo, potreste trovare un possibile ortologo (una sequenza che ha una origine in comune con quella che avete in mano).
Oppure, é possibile confrontare due sequenze fra di loro, invece che contro un database: in realtà, dal punto di vista del programma si tratta dello stesso problema.

 

 

 

Spero di non avervi spaventati con questa mia visione apocrifa di blast. Ci tengo a precisare che quella che vi ho illustrato é solo una analogia, e che altre persone potrebbero non essere d’accordo.

 

Volevo solo dare un esempio per illustrare il modo d’uso per cui questo programma é stato pensato, e che potrebbe essere utilizzato dai ricercatori. In fondo alla maggior parte degli scienziati, non interessa conoscere i dettagli di come funzionano i programmi che usano (purtroppo!), ma solo come poter utilizzarli.

 

 

Ciao! 🙂