Clustal W og Clustal X version 2.0

Abstrakt

Summary: Clustal W og Clustal X programmerne til multiple sekvensudligning er blevet fuldstændig omskrevet i C++. Dette vil lette den videre udvikling af alignment-algoritmerne i fremtiden og har gjort det muligt at portere programmerne korrekt til de nyeste versioner af Linux-, Macintosh- og Windows-operativsystemer.

Contact:[email protected]

1 INDLEDNING

Multiple sequence alignments er nu en af de mest udbredte bioinformatiske analyser. De er rutinemæssigt nødvendige som dele af mere komplicerede analyser eller analysepipelines, og der findes flere meget udbredte pakker, f.eks. Clustal W (Thompson et al., 1994), Clustal X (Thompson et al., 1997), T-Coffee (Notredame et al., 2000), MAFFT (Katoh et al., 2002) og MUSCLE (Edgar, 2004). Clustal er også det ældste af de i øjeblikket mest udbredte programmer, idet det først blev distribueret med posten på disketter i slutningen af 1980’erne. Det blev oprindeligt skrevet i Microsoft Fortran til MS-DOS og kørte oprindeligt på IBM-kompatible personlige computere som fire separate eksekverbare programmer, Clustal1-Clustal4 (Higgins og Sharp, 1988, 1989). Disse blev senere omskrevet i C og slået sammen til et enkelt program, Clustal V (Higgins et al., 1992), som blev distribueret til VAX/VMS, Unix, Apple Macintosh og IBM-kompatible pc’er. Disse programmer blev distribueret fra EMBL File server (Stoehr og Omond, 1989), en e-mail- og FTP-server, der er baseret på EMBL i Heidelberg, Tyskland.

De nuværende Clustal-programmer stammer alle fra Clustal W (Thompson et al., 1994), som indarbejdede et nyt positionsspecifikt scoringssystem og et vægtningsskema til nedvægtning af overrepræsenterede sekvensgrupper. “W” står for “vægte”. Disse programmer er blevet ændret og suppleret mange gange siden 1994 med henblik på at øge funktionaliteten og øge følsomheden. Brugervenligheden er også blevet stærkt forbedret ved tilføjelsen i 1997 af en komplet grafisk brugergrænseflade (Thompson et al., 1997). Dette har gjort koden kompliceret at vedligeholde og udvikle, da den grafiske grænseflade konstant skal ændres og omkompileres til nye styresystemer og skrivebordsmiljøer (Windows, Macintosh, VMS, Unix og Linux).

I slutningen af 1990’erne var Clustal W og Clustal X de mest udbredte multiple alignment-programmer. De var i stand til at tilpasse mellemstore datasæt meget hurtigt og var lette at bruge. Justeringerne var af tilstrækkelig kvalitet til ikke at kræve manuel redigering eller justering særlig ofte. Denne situation ændrede sig meget med fremkomsten af det første specialfremstillede benchmark-testsæt for multiple alignment-programmer, BAliBASE (Thompson et al., 1999). Dette blev efterfulgt af T-Coffee, som var i stand til at foretage meget nøjagtige tilpasninger af meget divergerende proteiner, men kun for små sæt sekvenser på grund af dets høje beregningsomkostninger. Med den øgede behandlingshastighed på stationære computere og den efterfølgende optimering af T-Coffee-koden er T-Coffee nu praktisk anvendelig til rutinemæssig brug ved tilpasningsopgaver af moderat størrelse. For nylig dukkede MAFFT og MUSCLE op, som i begyndelsen var mindst lige så nøjagtige som Clustal med hensyn til nøjagtighed af tilpasningen, men som også var ekstremt hurtige og i stand til at tilpasse mange tusinde sekvenser. I løbet af de sidste 4-5 år er disse programmer også gradvist blevet mere og mere præcise i forbindelse med vanskelige tilpasninger. Ikke desto mindre er Clustal W og Clustal X fortsat meget udbredt, i stigende grad på websteder. EBI Clustal site, får bogstaveligt talt millioner af multiple alignment jobs om året.

Det er i denne sammenhæng, at vi har udviklet Clustal W 2.0 og Clustal X 2.0. Disse programmer blev omskrevet i C++ med en simpel objektmodel for at gøre det lettere at vedligeholde koden og endnu vigtigere for at gøre det lettere at ændre eller endog erstatte nogle af alignment-algoritmerne. Vi har produceret to nye programmer, som i udseende og funktion minder meget om de ældre programmer i version 1.83, men som nu kan administreres lettere. Vi har også foretaget nogle mindre justeringer af justeringsalgoritmerne. Vi har inkluderet ny kode til UPGMA-guide trees som et alternativ til de sædvanlige Neighbor-Joining-guide trees. Dette er med til at fremskynde tilpasningen af ekstremt store datasæt med titusindvis af sekvenser. Vi har også inkluderet en iterativ tilpasningsfacilitet for at øge tilpasningsnøjagtigheden.