Qu'est-ce que « Matrices de substitution » ?

Une matrice de substitution donne $s(a,b)$ pour chaque paire d’acides aminés sous forme d’un score de log-cote :

où $q_{ab}$ est la fréquence avec laquelle $a$ et $b$ se trouvent alignés dans des alignements de confiance de protéines apparentées, $p_{a} p_{b}$ la fréquence à laquelle ils seraient appariés par hasard, et $\lambda$ une échelle choisie pour rendre les entrées des entiers commodes. Un score positif signifie que la paire survient plus souvent chez les homologues que par hasard ; les scores d’identité sont les plus grands pour les acides aminés rares (tryptophane $+11$, cystéine $+9$ dans BLOSUM62) et les plus petits pour les fréquents (leucine $+4$, alanine $+4$), et les substitutions conservatives (isoleucine–valine $+3$) ont un score positif tandis que les radicales (tryptophane–glycine $-2$) l’ont négatif. Les matrices PAM (Dayhoff, 1978) ont été dérivées de protéines proches puis extrapolées à de plus grandes distances par multiplication matricielle ; les matrices BLOSUM (Henikoff et Henikoff, 1992) ont été comptées directement dans des blocs de séquences alignées regroupées à une identité donnée — BLOSUM62 à partir de blocs à $62\,\%$ — et elles sont la référence par défaut parce qu’elles ont été mesurées, et non extrapolées, à la distance où on les emploie.