Calculadora de identidad de secuencias: porcentaje de identidad y similitud entre dos secuencias
Calcula el porcentaje de identidad y similitud entre dos secuencias de ADN, ARN o proteína: pega un alineamiento o deja que la herramienta las alinee (Needleman–Wunsch, BLOSUM62), con identidad sobre el alineamiento, las columnas sin huecos o la secuencia más corta, media o más larga, huecos, puntuación, distancia p con corrección de Jukes–Cantor, Kimura o Poisson, transiciones, transversiones y el alineamiento.
Cómo funciona
identidad = columnas idénticas ÷ D, donde D = longitud del alineamiento (cuentan los huecos), columnas sin huecos, o longitud de la secuencia más corta, media o más larga; similitud = (idénticos + conservadores) ÷ longitud del alineamiento; p = diferencias ÷ columnas sin huecos; Jukes–Cantor d = −¾ ln(1 − 4p/3); Kimura d = −½ ln(1 − 2P − Q) − ¼ ln(1 − 2Q); Poisson d = −ln(1 − p)
El porcentaje de identidad es la proporción de columnas del alineamiento en las que ambas secuencias tienen el mismo residuo, pero el resultado depende del denominador, así que una cifra solo tiene sentido si dices cuál usaste (May 2004; Raghava y Barton 2006). Dividir entre toda la longitud del alineamiento cuenta cada hueco en contra; dividir entre las columnas sin huecos los ignora, que es parecido a lo que BLAST reporta para la región alineada; dividir entre la secuencia más corta, la media o la más larga describe qué parte de las secuencias completas coincide. La calculadora da las cinco y te deja elegir la principal. Puedes pegar secuencias ya alineadas (con «-» para los huecos, de BLAST, Clustal, MUSCLE o un alineamiento FASTA) o secuencias simples, que aquí se alinean con un alineamiento global de Needleman–Wunsch con penalizaciones afines de huecos, huecos en los extremos sin costo y BLOSUM62 para proteínas (+5 por coincidencia y −4 por diferencia en ADN), los mismos valores por defecto de EMBOSS Needle. Los pares muy largos conviene alinearlos antes con una herramienta especializada. La similitud en proteínas cuenta los pares con puntuación BLOSUM62 positiva, como hace EMBOSS, o, si lo prefieres, los residuos del mismo grupo químico. En ADN, el número y la razón de transiciones/transversiones (con frecuencia cerca de 2 en genes reales) sirven para comprobar que el alineamiento es razonable, y la distancia p se corrige por sustituciones múltiples con los modelos de Jukes–Cantor y de Kimura de dos parámetros; en proteínas se usa una corrección de Poisson. La identidad sola no demuestra homología: los alineamientos cortos y las regiones de baja complejidad pueden parecerse por azar.
Ejemplo resuelto
Luis compara el par de ejemplo, que ya está alineado: 34 columnas, con un hueco en la secuencia 1 en la posición 23 (33 y 34 residuos). Hay 33 columnas idénticas, 0 distintas y 1 con hueco, así que la identidad es 33 ÷ 34 = 97.1% sobre el alineamiento, 33 ÷ 33 = 100% sobre las columnas sin huecos y 100% sobre la secuencia más corta; sobre la longitud media (33.5) es 98.5% y sobre la más larga, 97.1%. El hueco es interno y cuesta una penalización de apertura: la puntuación BLOSUM62 de las 33 coincidencias es 160, menos 10, igual a 150.0. Sin diferencias, la distancia p y la de Poisson valen 0.
Fuentes: Raghava & Barton (2006), Quantification of the variation in percentage identity for protein sequence alignments, BMC Bioinformatics · Biostrings pid(): PID1–PID4 definitions (after May 2004) · Sequence Manipulation Suite – Ident and Sim · Biostars: how EMBOSS Needle reports identity and similarity
Preguntas frecuentes
¿Tengo que alinear las secuencias antes?
No. Si pegas dos secuencias sin alinear de longitudes distintas, aquí se alinean con Needleman–Wunsch global (BLOSUM62, apertura 10, extensión 0.5, extremos sin costo). Si ya están alineadas, incluye los guiones de los huecos y elige «Ya alineadas» para que no se mueva nada.
¿Qué porcentaje de identidad debo reportar?
Indica siempre el denominador. La identidad sobre la longitud del alineamiento cuenta los huecos; la de columnas sin huecos se parece más a la cifra de BLAST para la región alineada; la de la secuencia más corta o más larga describe las secuencias completas. Para un mismo par pueden diferir por decenas de puntos.
¿Qué porcentaje de identidad indica homología?
En proteínas alineadas en 100 residuos o más, más de ~30% de identidad suele indicar homología; entre 20 y 30% está la «zona de penumbra», y por debajo de 20% pueden salir alineamientos parecidos por azar. En ADN se necesita una identidad mucho mayor porque solo hay cuatro bases.
¿Qué diferencia hay entre identidad y similitud?
La identidad solo cuenta posiciones con exactamente el mismo residuo. La similitud también cuenta sustituciones conservadoras, como leucina por isoleucina o aspartato por glutamato, así que siempre es igual o mayor.
¿Qué son las distancias de Jukes–Cantor y de Kimura?
Corrigen la proporción observada de sitios distintos por las sustituciones múltiples en un mismo sitio. Jukes–Cantor supone que todos los cambios son igual de probables; el modelo de dos parámetros de Kimura permite que transiciones y transversiones ocurran a ritmos distintos. Ambas dejan de estar definidas (saturación) cuando las secuencias se acercan a un parecido aleatorio.
Calculadoras relacionadas
Esta calculadora tiene fines informativos. Verifica los resultados importantes antes de tomar decisiones.