1. Les expressions régulières

2. Principe de l'algorithme de BLAST

3. PHI-blast ("Pattern Hit Initiated-Blast")

4. Liens Internet et références bibliographiques

1. Les expressions régulières

Elles sont aussi appelées expressions rationnelles (en anglais : "regular expressions", abrégé "regex", abréviation re).

C'est un moyen d'écrire de manière "compacte" un ensemble (qui peut-être extrêmement vaste) de séquences de caractères : par exemple des séquences de nucléotides ou d'acides aminés.

Voir l'exemple des toxines de serpent.

L'écriture des expressions régulières suit des règles précises et utilise également des caractères spéciaux dotés, les métacaractères, qui permettent d'effectuer des opérations de recherche sophistiquées d'occurences.

Considérons un résultat d'alignement de séquences multiples mettant en exergue un motif :

On peut "résumer" les séquences qui composent ce motif avec l'expression régulière [AY]-x-H-x(4)-{DE} (figure ci-dessus).

Elle se traduit de la manière suivante :

• [AY] = A ou Y : les métacaractères "crochet" traduisent "ou".
• puis le métacaractère x correspond à n'importe quel caractère (ici, le code à 1 lettre des acides aminés).
• puis H = H.
• puis x(4) = 4 fois n'importe quel caractère (acide aminé). Le métacaractère chiffre entre paranthèses traduit la quantification des occurences.
• puis {DE} = n'importe quel acide aminé sauf D et E. Les accolades traduisent l'exclusion de caractères.

Voir un cours sur le langage Python et les expressions régulières.

Il existe de nombreux opérateurs (ou métacaractères) pour les expressions régulières.

En voici quelques exemples.

• L'opérateur "." signifie "n'importe quel caractère" (ici, n'importe quel acide aminé).
  • Comme mentionné ci-dessus, le métacaractère "x" remplit la même fonction dans la syntaxe PROSITE.

• L'opérateur "[ ]" signifie "n'importe quel caractère parmi ceux entre les crochets".
  • Exemple : [FGKM] n'importe quel acide aminé parmi F, G, K et M.

• L'opérateur "^" est un métacaractère de positionnement ou d'ancrage. Il signifie "commence par". C'est donc la position N-terminale dans le cas d'une séquence d'acides aminés.
  • Exemple : ^HHH ou ^H{3} recherche 3 résidus histidine en position N-terminale.
  • Exemple : ^[A-DX] signifie "commence par A, B, C, D ou X".
  • Remarque : l'opérateur "<" est aussi utilisé pour désigner le premier caractère d'une chaîne de caractères.

• L'opérateur "$" est un métacaractère de positionnement ou d'ancrage. Il signifie "finit par". C'est donc la position C-terminale dans le cas d'une séquence d'acides aminés.
  • Exemple: GHS[DE]K$ signifie "finit par la séquence GHS[DE]K".
  • Remarque : l'opérateur ">" est aussi utilisé pour désigner le dernier caractère d'une chaîne de caractères.

• L'opérateur "[^]" (^entre crochets) signifie l'exclusion.
  • Exemple 1: [^KLY] signifie tous les acides aminés sauf K, L et Y.
  • Exemple 2: ^[^G] signifie "qui ne commence pas par G" (expression régulière complémentaire de l'opérateur "^").

• L'opérateur "|" signifie "ou". Exemple : NPN|NPY signifie "contient NPN ou NPY ou les deux"

Les métacaractères "*", "+" , "{ }" et "?" sont des opérateurs de quantification ou quantificateur.

• L'opérateur "*" après un caractère (ou un groupe de caractères) recherche ce caractère zéro fois ou plus.

• L'opérateur "+" signifie au moins 1 fois le caractère (ou le groupe de caractères) qui le précède. Exemple : E+ représente "E" ou "EE" ou "EEE" ou ...

• L'opérateur "{ }" : E{4} = 4 fois E - E{1,3} = 1 à 3 fois E - E{,5} = 0 à 5 fois E - E{7,} = au moins 7 fois E.

• L'opérateur "?" signifie 0 ou 1 fois un caractère (en d'autre terme, l'existence facultative de ce caractère).
  • Exemple: CWPN?L$ signifie qu'il peut y avoir ou non le caractère N dans le motif CWP - L (situé en position C-terminale puisqu'il y a l'opérateur $).

Le méta-caractère "\" (back-slash) est utilisé comme caractère d'échappement.

L'opérateur "\w" signifie tout caractère alpha-numérique : équivaut à [_A-Za-z0-9].
L'opérateur "\W" signifie tout caractère autre qu'alphanumérique (c'est le contraire de "\w") : équivaut à [^_A-Za-z0-9].

L'opérateur "\d" signifie que la chaîne de caractères est composé uniquement de chiffre : équivaut à [0-9].
L'opérateur "\D" signifie que la chaîne de caractères n'est pas composé de chiffre (donc composée uniquement de caractères non numériques): équivaut à [^0-9].

Illustration

L'expression régulière ^ATG[ATGC]{30,1000}A{5,10}$ se traduit par :

• un codon d'initiation ATG au début de la séquence (métacaractère "^" )
• suivi de 30 à 1000 ({30,1000}) nucléotides A, T, G ou C (expression régulière [ATGC])
• puis 5 à 10 fois le nucléotide A ({5,10}) à la fin de la séquence (métacaractère "$") pour la queue poly-A

C'est l'expression la plus "simple" pour traduire une séquence d'ARN messager.

Expressions régulières et programmes

On retrouve les expressions régulières dans un très grand nombre de langages de programmation : Perl, Python, PHP, javascript, Ruby, R, XML, ...

Par exemple :

• POSIX "Portable Operating System Interface" : langage d'expressions régulières lié au langage PHP. Plus simple que PCRE.
• PCRE "Perl Compatible Regular Expressions" : expressions régulières issues du langage Perl. Plus rapides et performantes que POSIX.

Ci-dessous : exemple d'un programme très simple (langage Python) qui recherche l'expression régulière GA[ATGC]{3}AC dans une séquence nucléotidique (variable "sequenceADN") avec le module Python "re" qui régit l'utilisation des expressions régulières :

import re      # Module "re" (regular expression) de Python
sequenceADN = "ATGACGTACGTACTCAGACGTACGGGTTGACGTACAG"
resultat = re.search(r"GA[ATGC]{3}AC",sequenceADN)      
               # La méthode "search" attend 2 paramètres : 
               # - l'expression régulière (ou motif) à rechercher
               # - la chaîne de caractères (ici la variable "sequenceADN") dans laquelle on recherche ce motif
               # On stocke le résultat dans la variable "resultat"
print(resultat)    # Affichage du résulat de la recherche du motif

Le résultat de l'exécution de ce script est GACGTAC.

Avec d'autres expressions régulières et d'autres méthodes, on peut dénombrer le nombre d'occurences, leurs positions dans la chaîne de caractères et bien d'autres propriétés.

Expressions régulières et bases de données

PROSITE est une base de données de motifs qui utilisent les expressions régulières.

Exemple (PDOC00245 - "Snake toxins signature") :

• L'expression régulière G-C-x(1,3)-C-P-x(8,10)-C-C-x(2)-[PDEN] est une signature des toxines de serpents.
• Les 4 cystéines sont impliquées dans des ponts disulfure.

Voir la syntaxe des expressions régulières PROSITE.

ScanProsite est un programme qui permet d'analyser des séquences de protéines de l'utilisateur pour y détecter des concordances avec la collection de motifs contenus dans la base de données PROSITE ou par rapport à des modèles définis par l'utilisateur.

Trois options d'analyse sont proposées :

• Option 1 : Soumettre des séquences de protéines pour les analyser par rapport à la collection de motifs de PROSITE.
• Option 2 : Soumettre des expressions régulières de motifs (au format PROSITE) pour les analyser par rapport à une base de données de séquences de protéines.
• Option 3 : Soumettre des séquences de protéines et des expressions régulières de motifs pour les analyser les uns par arpport aux autres.

2. Le programme BLAST

BLAST ("Basic Local Alignment Search Tool", 1990) recherche des régions de similarité locale entre une séquence requête (utilisateur) et des séquences (nucléotides ou acides aminés) contenues dans une base de données.

• Ce programme calcule la signification statistique des correspondances (paramètre "e-value") entre la séquence requête et celles de la base de données de séquences séléctionnée par l'utilisateur.

• L'algorithme BLAST utilise une heuristique moins précise que l'algorithme de Smith-Waterman mais il est beaucoup plus rapide. La vitesse et la précision élevée de BLAST ont été les principales innovations de ce programme.

• BLAST est utile pour déduire des relations fonctionnelles et évolutives entre séquences ou pour identifier les membres de familles de protéines.

• Il existe une grande diversité de programmes de la "famille BLAST" adaptés au "matériau biologique" analysé (génome, protéine, courts segments nucléotidiques, recherche d'amorces PCR, isotypes d'immunoglobulines, ...).

• BLAST est le programme d'alignement de séquences le plus cité (> 160.000 citations en 2021) et le serveur BLAST du NCBI est l'un des plus utilisés.

• Altschul et al. (1990) "Basic local alignment search tool" J. Mol. Biol. 215, 403 - 410

Principe de l'algorithme du programme BLAST

Soit la séquence requête ("query") arbitraire d'acides aminés (code à 1 lettre) suivante : ARGHLTFYIFQLM

1ère étape

• Cette séquence requête est d'abord découpée en mots d'une taille ("word size") fixe W (= 2 ou 3 pour le programme "BLAST protein").
• Pour une taille plus petite, le temps de recherche est plus important.
• Exemple d'un mot de taille 3 issu de la séquence requête : TFY.

Pour chacun de ces mots, une liste de mots similaires est créée à l'aide d'une matrice de substitution choisie par l'utilisateur (section "Parameters" de BLAST).

Cette matrice permet de calculer un score élémentaire pour la substitution d'un acide aminé par un autre à chaque position comparée.

Par exemple, la comparaison du mot TFY avec le mot TDY donne avec la matrice de substitution PAM 250 (voir ci-dessous) :

• T changé en T => score (T, T) = 3; F changé en D => score (F, D) = - 6; Y changé en Y => score (Y, Y) = 10
• Somme de ces scores élémentaires = 3 - 6 + 10 = 7

Si la valeur de la somme des scores élémentaires est supérieure à une valeur appelée score seuil ("threshold", section "Parameters" de BLAST), le mot est conservé dans la liste. Par exemple :

• mots retenus : TDY, TWY, THY, TAY
• une certaine valeur de seuil du score
• mots non retenus (score du mot < score seuil) : TRY, TEY

2ème étape

• Chaque mot de la liste des mots similaires fait l'objet d'une recherche de similarité (appelé "hit") dans l'ensemble des séquences de la base de données ou du jeu de données testés.
• L'utilisateur peut choisir la base de données dans le menu déroulant "Database".
• Un hit est également défini par une valeur de score qui doit être supérieure à une valeur fixée.

3ème étape

• La similarité est étendue à partir du hit, dans les 2 sens le long de la séquence de la base de données en cours d'analyse.
• L'extension s'arrête quand :
  • le score cumulé diminue d'une valeur fixe X par rapport à la valeur maximale précédemment atteinte
  • le score cumulé = 0
  • l'une des deux extrémités de la séquence de la base de données est atteinte.

Finalement, le fragment le plus long mis en évidence de la séquence de la base de données (ce peut être la séquence entière) s'appelle un "High Scoring Pairs" (HSP). Par exemple :

Source : N. Gaedeke - Max Plant Institute

La matrice de substitution PAM 250

Une faible valeur dans la matrice indique que l'acide aminé considéré peut être remplacé par un autre (exemple : le tryptophane W remplacé par la cystéine C : -8) et donc que cette partie des séquences est faiblement homologue.

Au contraire, une valeur élevée indique une région présentant une forte homologie des séquences.

Exemple d'un résultat issu d'une recherche avec BLAST

Alignement local entre la séquence requête ("Query") et l'une des séquences ("Sbjct") trouvées dans la base de données fouillée (N° d'accession : XP_009417953).

• signe "+" : similarité ("positives")
• tiret "-" : gap

La valeur "Expect" ou "E-value"

• Plus cette valeur est faible (plus elle est proche de zéro), plus la concordance entre la séquence requête et la séquence trouvée est significative.
• Cette valeur diminue de façon exponentielle à mesure que le score (S) des concordances augmente.
• Point important : le calcul de la valeur de "Expect" prend en compte la longueur de la séquence requête.

Le paramètre "Expect threshold" (seuil de signification statistique, "statistical significance threshold")

• Il décrit le nombre de résultats que l'on peut "espérer" obtenir par hasard lors de la recherche dans une base de données d'une taille particulière.
• Il correspond au seuil de signification statistique pour le renvoi des résultats des concordances ("matches") entre la séquence requête et les séquences de la base de données fouillée.
• Il se trouve dans la partie "Algorithm parameters" (en bas de l'interface de BLAST du NCBI).
• Sa valeur par défaut est 0,05 et correspond aux nombre de concordances trouvées par hasard selon le modèle stochastique de Karlin & Altschul (1990).

Si la signification statistique attribuée à une concordance est supérieure à la valeur du paramètre "Expect threshold", cette concordance n'apparaît pas dans les résultats.

Voir un complément.

3. PHI-BLAST ("Pattern Hit Initiated-BLAST")

C'est une variante du programme BLAST qui utilise les expressions régulières (dans la syntaxe PROSITE) pour décrire une courte séquence consensus appelée patron ("pattern").

• La syntaxe à suivre pour écrire le pattern est décrite à : "Rules for pattern syntax for PHI-BLAST".

• PHI-BLAST prend donc en entrée une séquence requête d'une protéine et le pattern défini par une expression régulière.

• Ce pattern doit être collé dans la fenêtre qui apparaît spécifiquement quand on coche le bouton radio "PHI-BLAST" de l'interface de BLAST.

PHI-BLAST est adapté pour détecter des séquences de protéines qui :

• Contiennent le pattern (fenêtre "PHI pattern" de la section "Algorithm").
• Et sont similaires à la séquence requête (fenêtre "Search") dans le voisinage proche du pattern.

Aller à PHI-BLAST : entrer le numéro d'accession 2NBT_A et le motif G-C-x(1,3)-C-P-x(8,10)-C-C-x(2)-[PDEN]