단백질은 아미노산이 사슬로 연결되어 만들어지는 생체분자이다. 자연계에서 단백질을 만드는데 쓰이는 아미노산은 20가지이며, 이들 아미노산의 1차원적 조합 순서를 단백질 서열이라 한다. 20가지 아미노산을 로마 글자 중 20개로 표현할 수 있으므로, (A,C,D,E,...W,V,Y), 특정 단백질 서열은 유한한 길이의 문자열로 표현할 수 있다(예: AVHFGYTRRH). 현재까지 알려진 단백질 서열은 수십만 종에 이르며, 이만큼 다양한 종류의 단백질이 존재하는 것이다. 단백질은 생체를 이루는 기본 재료이기도 하지만, 무엇보다고 생체 내에서 효소, 호르몬, 항체 등의 역할을 하여 생명 활동을 제어하는 물질이다. 인간의 경우만 하더라도 생체 내에서 약 10만 종의 단백질이 서로 복잡한 상호 작용을 하여 생명을 유지시키고 있다.
최근 인간 유전자 지도가 해독되고 난 후, 이와 관련된 엄청난 양의 생명현상에 대한 실험결과들이 쏟아지고 있다. 유전자 지도 완성의 참 의미는 그 안에 모든 단백질의 아미노산 서열에 대한 정보가 들어있다는 데에 있다. 유전 정보에 따라 세포 안에서 리보솜에 의해 단백질이 합성되면, 수 초 안에 저절로 고유의 3차원 얼개로 접히게 되는데, 이를 단백질의 고유 얼개(native structure)라 부른다. 단백질의 3차원 얼개는 그 단백질의 기능을 결정하기 때문에, 고유 얼개의 존재는 단백질이 제대로 기능하기 위한 필수적인 조건이며, 이는 단백질이 아미노산을 마구잡이로 조합해서 만든 폴리펩티드와 구별되는 중요한 특징이다. 유전자에는 단백질 서열에 대한 정보만 있을 뿐, 생명현상 이해의 근본이 되는 단백질의 고유 얼개 및 기능에 대한 직접적인 정보는 없다. 또한 실험적 방법만으로 단백질의 얼개와 기능을 밝히는 데에는 기술적, 경제적인 한계가 따른다. 따라서 단백질 서열로부터 단백질의 얼개와 기능을 예측해내는 것이야말로 오늘날 생명과학의 핵심적인 문제라 할 수 있다.
오늘날 급속히 발전하고 있는 생명정보학은, 데이터베이스 구축, 컴퓨터 프로그래밍 등의 정보 기술을 활용하여, 방대한 양으로 쏟아져 나오는 분자생물학의 실험 데이터를 정리, 분석하고, 이로부터 유용한 정보를 얻어내어 생명과학의 새로운 현상을 예측하고자 하는 학문이다. 생명정보학에서는, 얼개와 기능을 모르는 단백질 서열을 이미 얼개나 기능을 알고 있는 단백질과 서열과 비교함으로써 예측을 수행하고 있다. 예를 들어 단백질의 서열이 매우 유사하면 같은 조상에서 진화한 것이라고 추론할 수 있고, 이 경우 그 얼개와 기능도 유사할 것이라고 추론할 수 있으므로, 단백질의 서열 비교는 단백질 서열의 얼개나 기능 예측을 위한 강력한 방법이며, 생명정보학 연구의 중요하고 핵심적인 분야이다.
단백질 서열 비교는 두 서열이 과연 공통의 조상으로부터 유래했다고 생각될만큼 유사한지를 결정하는 것이다. 이를 위해 우선 두 서열이 과연 같은 공통 조상으로부터 진화한 것인지 혹은 연관성이 없는지 확률적인 모델을 세워야 한다. 예를 들어 두 단백질 서열 AQVT, AET이 있다 할 때, 두 서열의 진화론적인 관계에 대한 여러 가지 가정을 해볼 수 있는데, 이들을 다음과 같이 표현할 수 있다. 이 표현식 각각을 서열의 정렬이라고 부른다.

AQVT    AQVT    AQVT    ...

AET-     AE-T    A- ET     

위에 있는 서열을 조상이라 할 때, 첫 번째 정렬은 A는 변화가 없고 Q가 E로, V가 T로 바뀌고 T가 빠지는 돌연변이를 가정한 반면, 두 번째 정렬은 A와 T는 모두 그대로 있고 Q가 E로, V는 빠진 돌연변이를 가정하고 있다. -로 표시된 부분을 틈(gap)이라 한다. 이러한 각각의 모형에 대한 확률들을 계산하여 이들 중 가장 확률이 높은 정렬을 찾아야 한다. 가장 간단한 모형으로써, 각 위치에서 특정 아미노산이 다른 특정 아미노산으로 바뀔 확률이 다른 위치에서 일어나는 일들과 독립이고, 모든 위치에서 동일하다는 가설을 세울 수 있다. 이 경우 특정 정렬의 확률은 특정 아미노산이 다른 아미노산으로 바뀌는 확률, 아미노산이 빠지거나 끼워지는 확률 등으로부터 계산할 수 있다. 관계가 있는 두 서열의 한 위치에서 아미노산 a와 b가 나타날 확률을 라 하고, 한 서열에서 아미노산 a가 나타날 확률을 , 길이 g인 틈이 생길 확률을 라 하자. 두 서열을 , 로 표시할 때, 두 서열의 정렬에 대해 두 서열이 관계가 있을 확률과 아무 관계가 없을 확률의 비율을 로 표시할 수 있다. 여기서 i는 gap이 아닌 모든 위치를 표시하고, j는 각 틈을 표시, 는 그 틈의 길이를 의미한다. 오즈비(odds ratio)라 불리는 이 양이 크면 클수록 두 서열이 진화적으로 연관이 되어 있을 확률이 크다. 또, 고정된 두 서열이라도 어떤 식의 변이 모델을 세웠을 때 오즈비가 가장 큰 모형(위 그림 참조)이 두 서열의 진화 관계를 가장 잘 설명해 준다고 할 수 있다.

실제 계산을 할 때에는, 작은 수를 연달아 곱할 때 나타나는 컴퓨터 상의 underflow 문제를 방지하기 위하여, 오즈비의 로그를 취하여 곱셈을 덧셈으로 변환하게 된다. 일반적으로 로그 오즈비(log odds ratio)라 불리는 이 양을, 서열 정렬에서는 점수(score)라 부른다. 점수는

의 꼴로 쓰여지는데, gap이 없는 부분의 아미노산 쌍에서 나오는 항 를 이른바 바뀜 행렬(substitution matrix)이라고 부르며, 점수 행렬(score matrix)라고도 부른다. (>0) 는 틈 벌점(gap penalty)라 불린다. 두 서열을 정렬한다는 것은 가장 score가 높은 정렬을 찾아낸다는 것이며, 이는 두 서열 간의 가능한 진화론적 관계들 중 (위 그림 참조) 가장 확률이 높은 것을 찾아낸다는 것을 의미한다. 정해진 점수 행렬과 틈 벌점을 써서 최선의 정렬을 효율적으로 찾는, dynamic programming이라는 알고리즘이 개발되어 있다.[] 두 서열 간에 최선의 정렬을 구하여도 그 점수가 일정 기준에 미달할 때에는 두 서열은 관계가 없는 것으로 간주된다. 즉, 서로 연관성이없는 두 개의 서열을 가져다 놓았을 때에, 점수 값이 우연히 현재 관측된 값만큼 크게 나올 확률을 계산하여, 그 확률이 너무 희박하면 두 서열은 연관이 있다고 결론을 내리게 되고, 그렇지 않을 때에는 연관성이 없는 것으로 간주한다. 확률이 얼만큼 작을 때 희박하다고 하는가를 가르는 기준을 유의 수준(siginificance level)이라고 하는데, 유의 수준을 정하고 나면, 두 서열의 정렬 점수가 얼만큼 클 때 두 서열이 연관이 있다고 결론이 나는가 하는 문턱값(threshold value)가 결정되게 된다. 서열 정렬은 특히 새로 알려진 단백질의 얼개나 기능을 밝히는데 매우 유용하다. 생물학적 기능이나 얼개를 알고자 하는 단백질 서열을 이른바 질의 서열(query sequence)라 부른다. 데이터베이스에 들어있는 단백질들 각각과 서열 정렬을 하였을 때, 연관성이 있다고 결론 내릴 만큼 높은 정렬 점수가 매겨진 단백질들들이 발견되면, 그들의 얼개나 기능을 통해 질의 서열의 얼개와 기능을 추론할 수 있기 때문에다. 그런데 데이터베이스를 검색할 때에는 dynamic programming을 사용하는 데에 어려움이 있다. 질의 서열과 데이터베이스의 각 단백질과 서열 정렬을 하게 되는 것이므로, 서열 정렬을 데이터베이스의 서열 수만큼 반복하게 된다. 얼개 데이터베이스에 있는 단백질의 수만 해도 수만 개에 이르고, 서열만 알려진 단백질의 경우에는 수십만에서 수백만 개에 이르므로, 최선의 정렬을 정확히 찾는 dynamic programming은 시간이 너무 많이 걸리게 된다. 따라서 최선의 정렬은 아니더라도 빠른 시간 안에 좋은 정렬을 찾는 BLAST 알고리즘이 데이터베이스 서열 검색에 널리 쓰이고 있다.

BLAST(Basic Local Alignment Search Tool)[1]는현재 생물정보학 (bioinformatics) 연구에서 가장 많이 사용되고 있는 서열 검색방법이다. 기능이나 얼개를 잘 모르고 있는 핵산(DNA 또는 RNA) 서열이나 단백질 서열이 있을 때, 먼저 분석하고자 하는 서열과 관계되는 서열들을 서열 데이터베이스(sequence database)로부터 찾아낸다. 그 다음에 데이터베이스에서 찾아진 서열들로부터 분석하고자 하는 서열의 성질들을 유추해낸다. 서열 데이터베이스 검색에서 가장 대중적으로 사용되고 있는 방법이 BLAST이다.

BLAST를 사용하는 방법에는 두 가지가 있다. 첫 번째는 미국 NCBI사이트(http://www.ncbi.nlm.nih.gov/blast/)에서 웹을 통해서 BLAST 검색을 하는 것이다. 하지만 분석하고자 하는 서열들의 수가 아주 많을 때는 BLAST를 개인(또는 연구실) 컴퓨터에 설치하여 검색하는 것이 훨씬 효율적이다. 가장 최근의 BLAST 실행 파일들(executables)을 NCBI사이트(ftp://ftp.ncbi.nlm.nih.gov/blast/executables/)에서 쉽게 얻을 수 있다. BLAST를 개인(또는 연구실) 컴퓨터에서 사용하기 위해서는 서열 데이터베이스들도 NCBI에서(ftp://ftp.ncbi.nlm.nih.gov/blast/db/) 얻어야 된다. 단백질 서열을 다루는 경우에는 “nr.tar.gz”(nr은 non-redundant를 의미하며 이백 만개 이상의 단백질 서열을 포함하고 있다) 파일을 얻으면 된다. 삼차원 얼개가 이미 알려진(또는 특허와 관련된) 단백질 서열만을 다루고 싶을 때는 “pdb.tar.gz” (“pataa.tar.gz”) 파일을 얻어야 한다.

표1: blastall의 다섯 가지 프로그램들

BLAST 실행 파일들 중에서 가장 많이 사용하는 것은 blastall이다. blastall은 서로 다른 다섯 가지 프로그램 “blastn”, “blastp”, blastx”,“tblastn”, “tblastx”를 모두 포함하고 있다. BLAST의 일반적인 사용법은 참고 문헌 [2]에 잘 소개되어 있다. blastall의 사용 예는 다음과 같다.

blastall -p blastp -d nr -i query

여기에서 “-p”는 사용하고자 하는 프로그램의 종류(다섯 가지 중의 하나)를 지정해준다. “-d”는 검색할 서열 데이터베이스의 이름을 정해준다(nr은 non-redundant 단백질 서열 데이터베이스를 의미한다). “-i”는 분석하고자 하는 서열을 FASTA 형태로 담고 있는 파일이름(사용자가 임의로 이름을 결정할 수 있다)을 지정해준다.