Presentación
VolverSiete alineadores de secuencias, tres tareas
Siete alineadores conocidos hacen tres tareas. BLASTN, BLAT y LAST buscan similitud local y difieren sobre todo en sus semillas; BWA-MEM y Bowtie2 mapean lecturas sobre un genoma indexado; CLUSTALW y Clustal Omega hacen alineamientos múltiples, el segundo a mucha mayor escala.
Alineamiento de secuencias · fuentes consultadas el 17 de octubre de 2026
Los alineadores de secuencias, explicados
LAST · CLUSTALW · Clustal Omega · BWA-MEM · Bowtie2 · BLASTN · BLAT
Estrategias de alineamiento comparadas1 / 15
Panorama
Tres tareas, siete herramientas
La agrupación es de este artículo; la documentación de cada herramienta solo se describe a sí misma.
Búsqueda
Encontrar dónde coincide una secuencia con una base de datos o un genoma
- BLASTN · BLAT · LAST
Mapear lecturas
Colocar millones de lecturas de secuenciación en un genoma de referencia
- BWA-MEM · Bowtie2
Alinear muchas
Alinear muchas secuencias emparentadas en un solo alineamiento
- CLUSTALW · Clustal Omega
Siete alineadores de secuencias · fuentes consultadas el 17 de octubre de 20262 / 15
Conceptos básicos
El alineamiento en una imagen
Consulta
ACGTTGCAATfrente a referenciaACCTTGCGAT: coinciden 8 de 10 posiciones, es decir, un 80% de identidad.Local
Solo se informa el tramo que mejor coincide
- Así funcionan BLASTN y LAST.
De extremo a extremo
Cuenta cada posición
- Por defecto en Bowtie2; las herramientas Clustal alinean la longitud completa.
Huecos
Una inserción o deleción cuesta una penalización de apertura más otra de extensión
- Se llaman costes de hueco afines.
Siete alineadores de secuencias · fuentes consultadas el 17 de octubre de 20263 / 15
Conceptos básicos
Sembrar y después extender
BLASTN, BLAT, LAST, BWA-MEM y Bowtie2 siguen este patrón y difieren sobre todo en la siembra. CLUSTALW y Clustal Omega construyen en su lugar un árbol guía.
- 1SemillaEncontrar una coincidencia exacta corta mediante un índice
- 2EncadenarAgrupar las semillas que se alinean
- 3ExtenderHacer crecer cada semilla con programación dinámica
- 4PuntuarConservar los alineamientos con puntuación suficiente
Siete alineadores de secuencias · fuentes consultadas el 17 de octubre de 20264 / 15
Semillas
Las semillas de un vistazo
Las semillas largas van más rápido pero pierden coincidencias débiles; las cortas captan más y cuestan más tiempo.
Herramienta Semilla Índice BLASTN Palabras exactas: 28 bases (megablast, por defecto), 11 (blastn) Tabla de palabras de la consulta BLAT Dos 11-meros perfectos en una diagonal 11-meros del genoma en memoria LAST Adaptativa: crece hasta ser rara Vector de sufijos BWA-MEM Coincidencias exactas supermaximales, al menos 19 bases Índice FM Bowtie2 Fijas, 22 bases (20 en modo local) Índice FM Siete alineadores de secuencias · fuentes consultadas el 17 de octubre de 20265 / 15
Búsqueda · 1 de 3
BLASTN
Semillas de palabra fija, extensión X-drop y un valor E para cada acierto
- 1Cortar la consulta en palabras28 bases (megablast) u 11 (blastn)consultaGATCCTAGGCTTACGATCCTAGGCT1 ATCCTAGGCTT2 TCCTAGGCTTA3 CCTAGGCTTAC4
14 bases dan 14 − 11 + 1 = 4 palabras de 11, cada una guardada en la tabla de búsqueda con su posición en la consulta (tarea blastn).
- 2Extender cada aciertoX-drop sin huecos y luego con huecosconsultaGATCCTAGGCTTACGATGCAsujetoGATCCTAGGCTCACGTCCAG
N semillaN coincidenciaN discrepanciaN descartado
+2 por coincidencia, −3 por discrepancia. La mejor puntuación, 25, se alcanza tras 15 bases; en 19 queda más de X = 5 por debajo, así que la extensión se detiene y se recorta a 15. Aquí X es un valor de ejemplo.
- 3Puntuar y ordenarLa estadística de Karlin–Altschul da valores E
Acierto Coinc. / discr. Puntuación A 14 / 1 25 B 13 / 1 23 C 11 / 0 22 Cada acierto puntuado +2/−3. Un valor E cuenta los aciertos por azar que se esperan con una puntuación al menos igual, así que baja cuando la puntuación sube y el orden es el mismo. No se informan los aciertos con E superior a 10.
Dato Valor Índice Tabla de búsqueda de palabras de la consulta Semillas Palabras exactas de 11 o 28 bases; 7 para consultas cortas Confianza Valor E y puntuación en bits Ideal para ADN divergente, con estadística Siete alineadores de secuencias · fuentes consultadas el 17 de octubre de 20266 / 15
- 1Cortar la consulta en palabras28 bases (megablast) u 11 (blastn)
Búsqueda · 2 de 3
BLAT
Indexar el genoma y recorrer la consulta: ubicación rápida de secuencias casi idénticas
- 1Indexar el genoma11-meros no solapados en memoriagenomaTGGACCTAGCAATCGGTACCATTGGACCTAGCA1 ATCGGTACCAT12
22 bases del genoma entran en el índice como 2 11-meros no solapados, no como los 22 − 11 + 1 = 12 solapados. El número indica dónde empieza cada uno.
- 2Exigir dos aciertosDos 11-meros perfectos en una diagonalCTGGACCTAGCAATCGGTACCATG TGGACCTAGCA−1 ATCGGTACCAT−1
N semilla
Se busca cada 11-mero de la consulta, la fila superior. Dos aciertan en el índice, ambos en la diagonal −1 (posición en el genoma menos posición en la consulta), así que la región pasa a alinearse.
- 3Unir los bloquesExones unidos en alineamientos de gen, con ajuste de sitios de corte y empalmegenomaATGCCAGTAAGCAGGTTCGAmRNAATGCCA--------GTTCGA
N coincidencia- hueco
Dos bloques de 6 bases se unen a través de un hueco de 8 bases; sus extremos GT…AG encajan con un sitio de corte y empalme canónico.
Dato Valor Índice 11-meros del genoma en memoria (unos 1 GB) Semillas Dos coincidencias perfectas de 11 Confianza Puntuación e identidad; sin valor E en la salida por defecto Ideal para ARNm sobre un genoma al 95% o más; las páginas de la UCSC citan un mínimo de 25 o 40 bases Siete alineadores de secuencias · fuentes consultadas el 17 de octubre de 20267 / 15
- 1Indexar el genoma11-meros no solapados en memoria
Búsqueda · 3 de 3
LAST
Semillas adaptativas, para genomas ricos en repeticiones y comparación de genomas enteros
- 1Construir un vector de sufijoslastdb indexa la referencia una vezACG5ACGTACG1CG6CGTACG2G7GTACG3TACG4
Los 7 sufijos de la referencia ACGTACG, ordenados. El número indica dónde empieza cada uno; una búsqueda encuentra todos los sufijos que empiezan por una semilla dada.
- 2Hacer crecer semillas adaptativasCada semilla se alarga hasta ser rara en la referenciaconsultaACGTTCA
Longitud Semilla Aparece 1 A 2 2 AC 2 3 ACG 2 4 ACGT 1 N semilla
La semilla crece letra a letra hasta aparecer como mucho m = 1 veces en la referencia: una semilla de 4 letras. Aquí m es un valor de ejemplo.
- 3Extender y aprenderX-drop sin huecos y luego con huecos; last-train aprende las tasas de los datosref.TCACGTTGGATCAAconsultaTGACGTTGGA-CTA
N semillaN coincidenciaN discrepancia- hueco
El núcleo, el tramo idéntico más largo (8 letras), sirve de semilla a una extensión con huecos hacia ambos lados. Sus 2 sustituciones y 1 deleción son el tipo de diferencia del que last-train aprende las tasas.
Dato Valor Índice Vector de sufijos (lastdb) Semillas Adaptativas, crecen hasta ser raras Confianza Valor E y EG (aciertos esperados por cada mil millones de letras de consulta) Ideal para Genomas ricos en repeticiones o divergentes Siete alineadores de secuencias · fuentes consultadas el 17 de octubre de 20268 / 15
- 1Construir un vector de sufijoslastdb indexa la referencia una vez
Mapear lecturas · 1 de 2
BWA-MEM
Coincidencias exactas máximas como semillas; local o de extremo a extremo elegido automáticamente
- 1Encontrar coincidencias exactas máximasSMEM de al menos 19 bases; las largas se resiembranref.ACGTTAGCCATGGACTTGCAATlecturaACGTTAGCCATGGACTTGCAGTACGTTAGCCATGGACTTGCA20 AG2 GT2
N semillaN coincidenciaN discrepanciaN descartado
3 SMEM cubren la lectura; el número es la longitud de cada uno. Solo el de 20 bases alcanza el mínimo de 19 y se convierte en semilla; ninguno supera 28, así que ninguno se resiembra.
- 2Encadenar y extenderProgramación dinámica en banda con huecos afines y Z-drop
Semilla Lectura Ref. Long. A 1–20 101–120 20 B 22–45 121–144 24 C 27–45 5001–5019 19 A y B van en orden en la lectura y en la referencia: una cadena. Su base de lectura de más es un hueco que cuesta 6 + 1 = 7, así que con 1 por coincidencia puntúa 44 − 7 = 37. La cadena de C cae dentro de ese tramo de lectura y puntúa 19, así que se filtra.
- 3Emparejar e informarCompañeros rescatados dentro del rango de inserto; salida con MAPQ
Ventana Bases μ ± 4σ 200–400 Con una media de inserto μ de 300 y una dispersión σ de 25 (valores de ejemplo), el compañero sin mapear se busca en 200–400: uno en 350 se rescata y uno en 450 no. MAPQ está en escala Phred: 30 significa una probabilidad de 1 en 1,000 de que la lectura esté mal ubicada.
Dato Valor Índice Índice FM (bwa index) Semillas SMEM, al menos 19 bases Confianza Calidad de mapeo (MAPQ) Ideal para Lecturas o contigs de 70 bases a megabases Siete alineadores de secuencias · fuentes consultadas el 17 de octubre de 20269 / 15
- 1Encontrar coincidencias exactas máximasSMEM de al menos 19 bases; las largas se resiembran
Mapear lecturas · 2 de 2
Bowtie2
Varias semillas de longitud fija y después extensión acelerada por SIMD
- 1Tomar semillas de la lectura22 bases (20 en modo local), de la lectura y de su complementaria inversalecturaTTGCATCCTAAGTCTAGCTTGATTGCATCCTA1 CCTAAGTCTA7 TCTAGCTTGA13
Semillas de 10 cada 6 bases (valores de ejemplo) dan 3 de una lectura de 22 bases y otras 3 de su complementaria inversa. Por defecto una semilla tiene 22 bases (20 en modo local) y se toma cada 1 + 1.15√L bases de una lectura de L bases.
- 2BuscarlasEl índice FM encuentra aciertos exactos sin huecosref.TTGCATCCGAAGTCTAGCTTGATTGCATCCTA0 CCTAAGTCTA0 TCTAGCTTGA1
N semillaN coincidenciaN discrepancia
Una semilla debe coincidir exactamente (-N 0); el número son sus aciertos. La discrepancia en la base 9 rompe las semillas 1 y 2, y la semilla 3 encuentra su 1 acierto.
- 3Extender con SIMDLos aciertos prioritarios reciben programación dinámica acelerada por SIMD
Modo Puntuación Mínimo Extremo a extremo −17 −30.6 Local 81 51.3 Una lectura de 50 bases con una discrepancia (−6) y un hueco de 2 bases (−11). De extremo a extremo parte de 0; el modo local suma +2 por cada una de las 49 bases que coinciden. Ambos superan su mínimo, −0.6 − 0.6L y 20 + 8 ln L.
Dato Valor Índice Índice FM (unos 3.2 GB para el genoma humano) Semillas Fijas, 20–22 bases, sin discrepancias Confianza Calidad de mapeo (MAPQ) Ideal para Lecturas de unas 50 a unos pocos cientos de bases Siete alineadores de secuencias · fuentes consultadas el 17 de octubre de 202610 / 15
- 1Tomar semillas de la lectura22 bases (20 en modo local), de la lectura y de su complementaria inversa
Alinear muchas · 1 de 2
CLUSTALW
El alineamiento múltiple progresivo clásico
- 1Medir distanciasCada par alineado, por k-tuplas o alineamiento completoAGATTACAGCABGATTACTGCACGACTTCAGGADGACTTCTGGT
A B C B 0.1 C 0.3 0.4 D 0.5 0.4 0.2 La distancia es 1 − identidad: A y B difieren en 1 de 10 posiciones, así que 0.1.
- 2Construir un árbol guíaLa unión de vecinos ordena las secuencias
La unión de vecinos sobre esas distancias empareja A con B y C con D; la raíz va en el punto medio del camino más largo.
- 3Alinear a lo largo del árbolPerfiles ponderados, penalizaciones de hueco específicas de posiciónAGATTACAGCA1BGATTACTGCA1CGACTTCAGGA2DGACTTCTGGT2
N coincidencia
Se unen en el orden del árbol: 1 A con B, 2 C con D y 3 los dos perfiles entre sí.
Dato Valor Índice Ninguno (distancias entre todos los pares) Semillas Ninguna (en su lugar, un árbol de distancias) Confianza Ninguna Ideal para Conjuntos pequeños, docencia, reproducir trabajos antiguos Siete alineadores de secuencias · fuentes consultadas el 17 de octubre de 202611 / 15
- 1Medir distanciasCada par alineado, por k-tuplas o alineamiento completo
Alinear muchas · 2 de 2
Clustal Omega
Alineamiento múltiple escalable, HMM de perfil contra HMM de perfil
- 1Incrustar las secuenciasmBed: distancias a unas log N secuencias de referenciaS1GATTCAGC0, 0.5S2GATTCTGC0.29, 0.5S3GACTCAGC0.29, 0.33S4GTCTAGC0.5, 0S5GTCTATC0.67, 0.33S6GTCTAGG0.67, 0.17
Cada secuencia se convierte en sus distancias a n = 2 secuencias de referencia, S1 y S4: 6 × 2 = 12 distancias en lugar de los 15 pares. Aquí la distancia es la proporción de palabras de 2 letras no compartidas, una medida de ejemplo.
- 2Agrupar en un árbolK-means o UPGMA, O(N log N)
UPGMA sobre esos vectores pone S1–S3 en un grupo y S4–S6 en el otro.
- 3Alinear HMM con HMMHHalign en cada nodo; iteración opcionalS1GATTCAGCS2GATTCTGCS3GACTCAGCS4GTCT-AGCS5GTCT-ATCS6GTCT-AGG
- hueco
Cada grupo es un perfil; los dos se alinean columna a columna y se abre un hueco en la columna 5 del segundo.
Dato Valor Índice Ninguno (vectores mBed) Semillas Ninguna (en su lugar, un árbol agrupado) Confianza Ninguna Ideal para De conjuntos pequeños a muy grandes; más de 190,000 secuencias en la prueba de sus autores Siete alineadores de secuencias · fuentes consultadas el 17 de octubre de 202612 / 15
- 1Incrustar las secuenciasmBed: distancias a unas log N secuencias de referencia
Comparación
Siete herramientas, lado a lado
La MAPQ es una puntuación de calidad de mapeo, no un valor E.
Herramienta Tarea Índice Semilla Confianza BLASTN Búsqueda Tabla de palabras de la consulta Palabra exacta, 11 o 28 Valor E BLAT Búsqueda 11-meros del genoma en memoria Dos 11-meros Puntuación, identidad LAST Búsqueda Vector de sufijos Adaptativa Valor E, EG BWA-MEM Mapear lecturas Índice FM SMEM, 19 o más MAPQ Bowtie2 Mapear lecturas Índice FM Fija, 20–22 MAPQ CLUSTALW Alinear muchas Ninguna Ninguna Ninguna Clustal Omega Alinear muchas Ninguna Ninguna Ninguna Siete alineadores de secuencias · fuentes consultadas el 17 de octubre de 202613 / 15
Elegir
¿Cuál uso?
Lecturas de la comparación, no clasificaciones.
Su situación Herramienta sugerida Lecturas cortas, de unas 50 a unos pocos cientos de bases BWA-MEM / Bowtie2 Lecturas largas o contigs ensamblados BWA-MEM, o LAST con last-train ARNm en su propio genoma con un 95% o más de identidad BLAT Homólogos divergentes que necesitan valores E BLASTN Genomas enteros con muchas repeticiones LAST Alineamiento múltiple de muchas secuencias Clustal Omega Siete alineadores de secuencias · fuentes consultadas el 17 de octubre de 202614 / 15
Conclusiones
Primero la tarea, después la herramienta
- Las herramientas de búsqueda difieren sobre todo en sus semillas.
- Los mapeadores indexan la referencia una vez y después hacen pasar las lecturas por ella.
- Para alineamiento múltiple, Clustal Omega antes que CLUSTALW, salvo que haya que reproducir un trabajo antiguo.
Tómese con cautela
Los valores por defecto cambian entre versiones, y todas las cifras de velocidad son de los propios desarrolladores, de 1990 a 2013.
Siete alineadores de secuencias · fuentes consultadas el 17 de octubre de 202615 / 15