الگوریتم اسمیت واترمن ( به انگلیسی: Smith–Waterman algorithm ) برای انجام دادن یک هم ترازسازی توالی محلی به کار گرفته می شود و برای مشخص کردن مناطق مشابه بین دو توالی اسید نوکلئیک یا پروتین استفاده می شود. به جای در نظر گرفتن تمام توالی این الگوریتم سعی می کند که با در نظر گرفتن بخش های مختلف با همهٔ طولهای ممکن میزان شباهت را بهینه کند.
این الگوریتم برای اولین با توسط تمپل اف. اسمیت و مایکل اس. واترمن در سال ۱۹۸۱ ارائه شد؛ که مانندالگوریتم نیدلمن - وانچ با یک سری تفاوت ها یک الگوریتم برنامه ریزی پویا می باشد. این الگوریتم دارای این خصوصیت است که بر حسب سیستم امتیاز دهی ( شامل ماتریس جایگزنی و جریمه پرش ) که استفاده می شود تضمین می کند که به جواب بهینه برسد. تفاوتی که با الگوریتم نیدلمن - وانچ دارد این است که در ماتریس جایگذاری آن مقادیر منفی با صفر جابگزین می شوند. عمل برگشت به عقب در این الگوریتم از خانه ایی که مقدار بیشنه را دارد شروع شده و به خانه ایی که مقدار صفر دارد ختم می شود؛ که این مسیر بیشترن امتیاز همترازسازی محلی را دارد.
در سال های اخیر پروژه های ژنومی که بر روی انواع مختلفی از جانداران انجام شده است، مقادیر بسیاری از داده های توالی را برای ژن ها و پروتئین ها تولید می کند که نیاز به تجزیه و تحلیل محاسباتی دارد. هم ترازسازی توالی رابطه میان ژن ها و یا پروتئین ها را نمایش می دهد و منجر به درک بهتر از همسانی و عملکرد آنها می شود. هم تراز سازی توالی می تواند دامنه ها و نقوش حفاظت شده را نیز نشان دهد.
یکی از انگیزه های هم ترازی محلی، دشواری دستیابی به تراز صحیح در مناطقی با شباهت کم بین توالی بیولوژیکی با مسافت کم است، زیرا جهش ها اختلالات زیادی را در طول زمان تکاملی اضافه کرده اند. هم ترازی محلی از چنین مناطقی کاملاً اجتناب می کند و به آنهایی که دارای نمره مثبت هستند، یعنی آنهایی که از نظر تحول تکاملی مشابه هستند ، متمرکز می شود. پیش نیاز هم ترازی محلی نمره انتظار منفی است. نمره انتظار به عنوان میانگین نمره ای تعریف می شود که سیستم امتیاز دهی ( ماتریس جایگزنی و جریمه پرش ) برای یک توالی تصادفی به دست می آورد.
انگیزه دیگر برای استفاده از ترازهای محلی این است که یک مدل آماری قابل اعتماد برای ترازهای محلی بهینه وجود دارد. هم ترازی توالی های غیر مرتبط تمایل به تولید نمرات بهینه محلی دارد که از توزیع ارزش شدید پیروی می کنند. این ویژگی به برنامه ها امکان می دهد که مقدار چشم داشتی ( به انگلیسی: Expected value ) را برای هم ترازی محلی مطلوب دو دنباله تولید کنند. این یک معیار است که چندوقت یکبار دو دنباله نامرتبط باعث هم ترازی محلی بهینه می شوند که نمره آن بزرگتر یا مساوی با نمره مشاهده شده باشد. مقدار چشم داشتی بسیار پایین نشان می دهد که این دو توالی مورد بحث ممکن است همگن باشند، به این معنی که ممکن است یک جد مشترک داشته باشند.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفاین الگوریتم برای اولین با توسط تمپل اف. اسمیت و مایکل اس. واترمن در سال ۱۹۸۱ ارائه شد؛ که مانندالگوریتم نیدلمن - وانچ با یک سری تفاوت ها یک الگوریتم برنامه ریزی پویا می باشد. این الگوریتم دارای این خصوصیت است که بر حسب سیستم امتیاز دهی ( شامل ماتریس جایگزنی و جریمه پرش ) که استفاده می شود تضمین می کند که به جواب بهینه برسد. تفاوتی که با الگوریتم نیدلمن - وانچ دارد این است که در ماتریس جایگذاری آن مقادیر منفی با صفر جابگزین می شوند. عمل برگشت به عقب در این الگوریتم از خانه ایی که مقدار بیشنه را دارد شروع شده و به خانه ایی که مقدار صفر دارد ختم می شود؛ که این مسیر بیشترن امتیاز همترازسازی محلی را دارد.
در سال های اخیر پروژه های ژنومی که بر روی انواع مختلفی از جانداران انجام شده است، مقادیر بسیاری از داده های توالی را برای ژن ها و پروتئین ها تولید می کند که نیاز به تجزیه و تحلیل محاسباتی دارد. هم ترازسازی توالی رابطه میان ژن ها و یا پروتئین ها را نمایش می دهد و منجر به درک بهتر از همسانی و عملکرد آنها می شود. هم تراز سازی توالی می تواند دامنه ها و نقوش حفاظت شده را نیز نشان دهد.
یکی از انگیزه های هم ترازی محلی، دشواری دستیابی به تراز صحیح در مناطقی با شباهت کم بین توالی بیولوژیکی با مسافت کم است، زیرا جهش ها اختلالات زیادی را در طول زمان تکاملی اضافه کرده اند. هم ترازی محلی از چنین مناطقی کاملاً اجتناب می کند و به آنهایی که دارای نمره مثبت هستند، یعنی آنهایی که از نظر تحول تکاملی مشابه هستند ، متمرکز می شود. پیش نیاز هم ترازی محلی نمره انتظار منفی است. نمره انتظار به عنوان میانگین نمره ای تعریف می شود که سیستم امتیاز دهی ( ماتریس جایگزنی و جریمه پرش ) برای یک توالی تصادفی به دست می آورد.
انگیزه دیگر برای استفاده از ترازهای محلی این است که یک مدل آماری قابل اعتماد برای ترازهای محلی بهینه وجود دارد. هم ترازی توالی های غیر مرتبط تمایل به تولید نمرات بهینه محلی دارد که از توزیع ارزش شدید پیروی می کنند. این ویژگی به برنامه ها امکان می دهد که مقدار چشم داشتی ( به انگلیسی: Expected value ) را برای هم ترازی محلی مطلوب دو دنباله تولید کنند. این یک معیار است که چندوقت یکبار دو دنباله نامرتبط باعث هم ترازی محلی بهینه می شوند که نمره آن بزرگتر یا مساوی با نمره مشاهده شده باشد. مقدار چشم داشتی بسیار پایین نشان می دهد که این دو توالی مورد بحث ممکن است همگن باشند، به این معنی که ممکن است یک جد مشترک داشته باشند.
wiki: الگوریتم اسمیت واترمن