人们已经找到了很多解决序列相似性搜索问题的方法。本质上，它们都试图做一件事：给定一组查询序列（任何性质），找到最大数量的相似或相同单元（通常是氨基酸或碱基）相互对齐的方式。
动态规划是最早开发的序列比对方法，在质量方面仍然是黄金标准。然而，从计算角度来看，动态规划并不是最优的，只有当比对涉及两个、三个或四个序列时，才推荐使用动态规划方法。换句话说，这些方法一点也不可扩展。常用的序列比对动态规划算法是 Needleman-Wunsch 算法和 Smith-Waterman 算法，它们开发于 20 世纪 70 年代和 80 年代。
标准动态规划方法首先会构建所有输入序列对的比对空间，创建一对一比对的集合，然后将其合并为 n 级比对网格，其中 n 是查询序列的数量。动态规划虽然费力，但其优点是总能找到最优解。
与下文讨论的启发式方法相比，动态规划方法不会“偷工减料”，因此在需要比对的序列数量较少时，动态规划方法会成为首选方法。动态规划的另一个优点是，它可以轻松地从开源 Python 工具集合（例如 BioPython ( https://biopython.org/ )）中应用，其中包含用 柬埔寨手机数据 于简单成对序列比对的 Bio.pairwise2 模块，以及其他用于更复杂比对的模块。
序列比对：启发式方法虽然快速，但会偷工减料
启发式算法被定义为解决数据问题的实用方法，但不能保证获得最佳结果。换句话说：启发式算法产生的比对可能不是代表最相似序列的比对。虽然这听起来像是一个严重的警告——毕竟，谁想要次优解决方案？——但它们的实用性使启发式算法与动态规划方法相比计算量要小得多。
事实上，在解决复杂的多重比对问题时，启发式方法是唯一可行的解决方案，因为对于同一问题，经典的动态规划方法需要几天或几周的计算时间。
第一个流行的启发式序列比对方法是 FASTA，开发于 1985 年，随后在 20 世纪 90 年代又出现了 BLAST。这些启发式方法的主要成就是使用单词方法或 k 元组。在这些方法中，“单词”是从序列查询中获取的短序列，并与其他序列的数据库进行匹配。通过使用这些单词进行初始比对，可以抵消序列，创建相对位置比对，从而大大加快序列比对方法的其余部分。