Clustal W och Clustal X version 2.0

Abstract

Sammanfattning: Programmen Clustal W och Clustal X för flera sekvenser har skrivits om helt i C++. Detta kommer att underlätta den fortsatta utvecklingen av anpassningsalgoritmerna i framtiden och har möjliggjort en korrekt anpassning av programmen till de senaste versionerna av operativsystemen Linux, Macintosh och Windows.

Contact:[email protected]

1 INTRODUKTION

Flera sekvensanpassningar är numera en av de mest använda bioinformatiska analyserna. De behövs rutinmässigt som delar av mer komplicerade analyser eller analyspipelines och det finns flera mycket allmänt använda paket, t.ex. Clustal W (Thompson et al., 1994), Clustal X (Thompson et al., 1997), T-Coffee (Notredame et al., 2000), MAFFT (Katoh et al., 2002) och MUSCLE (Edgar, 2004). Clustal är också det äldsta av de för närvarande mest använda programmen eftersom det först distribuerades per post på disketter i slutet av 1980-talet. Det skrevs ursprungligen i Microsoft Fortran för MS-DOS och kördes ursprungligen på IBM-kompatibla persondatorer som fyra separata körbara program, Clustal1-Clustal4 (Higgins och Sharp, 1988, 1989). Dessa skrevs senare om i C och slogs samman till ett enda program, Clustal V (Higgins et al., 1992), som distribuerades för VAX/VMS, Unix, Apple Macintosh och IBM-kompatibla persondatorer. Dessa program distribuerades från EMBL File server (Stoehr och Omond, 1989), en e-post- och FTP-server, baserad vid EMBL i Heidelberg, Tyskland.

De nuvarande Clustal-programmen härstammar alla från Clustal W (Thompson et al., 1994), som innehöll ett nytt positionsspecifikt poängsättningsschema och ett viktningsschema för nedviktning av överrepresenterade sekvensgrupper. W” står för ”vikter”. Dessa program har ändrats och kompletterats många gånger sedan 1994 för att öka funktionaliteten och känsligheten. Användarvänligheten har också förbättrats avsevärt genom att ett fullständigt grafiskt användargränssnitt lades till 1997 (Thompson et al., 1997). Detta har gjort koden komplicerad att underhålla och utveckla, eftersom det grafiska gränssnittet ständigt måste modifieras och kompileras om för nya operativsystem och skrivbordsmiljöer (Windows, Macintosh, VMS, Unix och Linux).

I slutet av 1990-talet var Clustal W och Clustal X de mest använda programmen för multipel anpassning. De kunde anpassa medelstora datamängder mycket snabbt och var lätta att använda. Anpassningarna var av tillräcklig kvalitet för att inte kräva manuell redigering eller justering särskilt ofta. Denna situation förändrades kraftigt när den första skräddarsydda benchmark-testuppsättningen för program för multipel anpassning, BAliBASE (Thompson et al., 1999), dök upp. Detta följdes av T-Coffee, som kunde göra mycket noggranna anpassningar av mycket divergerande proteiner, men endast för små uppsättningar av sekvenser, med tanke på dess höga beräkningskostnad. I och med den ökade bearbetningshastigheten hos stationära datorer och den efterföljande optimeringen av T-Coffee-koden är T-Coffee nu praktisk för rutinmässig användning vid måttligt stora anpassningsproblem. På senare tid har MAFFT och MUSCLE dykt upp, som till en början var minst lika exakta som Clustal när det gäller noggrannhet i anpassningen, men som också var extremt snabba och kunde anpassa många tusen sekvenser. Under de senaste fyra eller fem åren har dessa program också gradvis blivit mer och mer exakta när det gäller svåra anpassningar. Clustal W och Clustal X fortsätter dock att användas i stor utsträckning, allt oftare på webbplatser. EBI:s Clustal-webbplats får bokstavligen miljontals jobb med multipla anpassningar per år.

Det är i detta sammanhang som vi utvecklade Clustal W 2.0 och Clustal X 2.0. Dessa program skrevs om i C++ med en enkel objektmodell för att göra det lättare att underhålla koden och, ännu viktigare, för att göra det lättare att ändra eller till och med ersätta vissa av anpassningsalgoritmerna. Vi har tagit fram två nya program som till utseende och funktion är mycket lika de äldre programmen i version 1.83, men som nu kan hanteras lättare. Vi har också gjort några mindre justeringar av anpassningsalgoritmerna. Vi har inkluderat ny kod för UPGMA-styrträd som ett alternativ till de vanliga Neighbor-Joining-styrträden. Detta bidrar till att snabba upp anpassningen av extremt stora datamängder med tiotusentals sekvenser. Vi har också inkluderat en iterativ anpassningsfunktion för att öka noggrannheten i anpassningen.