Учебная страница курса биоинформатики,
год поступления 2025

Семестры Студенты Преподаватели

• 2024
• 2023
• 2022
• 2021
• 2020
• 2019
• 2018
• 2017

• ...

Пояснения к заданиям практикума 8

1. Поиск протеома, соответствующего геномной сборке

Идентификаторы геномных сборок в INSDC (GenBank/ENA/DDBJ) имеют вид GCA_xxxxxxxxx.x, а в RefSeq – GCF_xxxxxxxxx.x.

Идентификатор своей сборки вы можете узнать из таблицы локальных особенностей генома бактерии/археи. Его же выдавал скрипт из первого пункта заданий практикума 5 прошлого семестра.

Получить соответствующий идентификатор INSDC можно на сайте NCBI с помощью поиска по базе Datasets Genome. Введите в окошко поиска идентификатор сборки без указания версии – т.е. без той части идентификатора, которая отделена точкой. Это нужно, чтобы вы нашли последнюю версию сборки, если она вдруг изменилась за полгода. В результате поиска вы должны оказаться на странице сборки, нужный вам идентификатор сборки INSDC указан в поле "Submitted GenBank assembly". Используйте его для поиска по UniProt Proteomes, поиск производите только по соответствующему полю (оно называется "Genome Assembly" в конструкторе поисковых запросов).

Если в UniProt нет протеома, который соответствует последней версии сборки из INSDC, попробуйте предыдущую версию (если версия сборки не первая). Может быть сборка недавно обновилась и изменения еще не попали в UniProt.

Некоторые сборки INSDC вообще не попадают в UniProt Proteomes по той или иной причине. Если поиск по UniProt Proteomes не выдает результатов, то так и напишите в отчете.

2. Скачивание протеомов

Используйте REST API UniProt для скачивания нужных данных на kodomo из командной строки.

Чтобы скачать белковые записи, принадлежащие одному протеому, вам нужно:

1. придумать поисковый запрос к UniProtKB, который выдаст все необходимые белки;
2. преобразовать запрос в URL, который позволит получить записи в нужном формате;
3. написать правильную команду в bash, которая позволит скачать данные по заданному URL и сохранить их в файл с требуемым именем.

Пункт 1 не должен вызвать затруднений, поищите нужное поле в конструкторе расширенных поисковых запросов.

Пункт 2 сложнее. Как составить нужный URL и описанно в документации к API. В вашем случае URL будет иметь следующий вид:

https://rest.uniprot.org/uniprotkb/stream?compressed=true&format=txt&query=QUERY

Вместо QUERY надо подставить поисковый запрос, подробнее здесь. Обратите внимание на указание формата и наличия сжатия. Именно это позволит вам загрузить полные белковые записи в формате swiss, сжатые с помощью gzip. Формат gzip – это, кажется, все еще самый распространенный способ сжатия файлов в Unix-like системах и интернете. И уж точно самый известный. Он позволяет в среднем в несколько раз уменьшить размер произвольных текстовых файлов. При этом полученный файл можно распаковывать при чтении "на лету", почти без снижения скорости чтения.

В пункте 3 вы можете использовать либо уже знакомый по прошлому семестру wget, либо curl. Большой разницы нет (обратите внимание на экранирование URL одинарными кавычками):

   1 wget 'URL' -O AC.swiss.gz
   2 # или
   3 curl 'URL' > AC.swiss.gz

В отчете надо указать полную команду, которую вы использовали для скачивания протеома.

3. Работа со сжатыми файлами .gz

Можно было бы распаковать файл с помощью gunzip, как вы это делали в прошлом семестре. Но протеомы все-таки занимают довольно много места на диске, поэтому в этом практикуме требуется так не поступать. Тем более, что работать с файлами .gz совсем не сложно, и при чтении на распаковку данных практически не тратится дополнительного времени.

Для работы с .gz в командной строке можно использовать команду zcat. Программа работает аналогично cat, но читает сжатые файлы, распаковывая их "на лету". Поэтому zcat, в отличие от cat, имеет смысл использовать в качестве первой команды конвейера в случае работы с одиночным файлом. Примеры:

   1 zcat some-file.gz | wc -l
   2 zcat some-file.gz | grep 'что-нибудь' | sort -u
   3 # можно использовать аналогично cat, но сейчас не понадобится
   4 zcat some-file1.gz some-file2.gz some-file3.gz | wc -l

Еще есть zgrep, который является аналогом grep для файлов .gz, можете использовать его.

   1 # Т.е. вместо
   2 zcat some-file.gz | grep 'что-нибудь' | sort -u
   3 # можно писать
   4 zgrep 'что-нибудь' some-file.gz | sort -u

Для просмотра сжатых текстовых файлов есть программа zless – аналог less.

   1 # можно так
   2 zcat some-file.gz | less -S
   3 # но удобнее так
   4 zless -S some-file.gz

Если вы хотите читать файлы .gz из python, то это тоже делается без проблем. В стандартной библиотеке есть модуть gzip, который позволяет читать и писать сжатые в формате gzip файлы ровно так же, как обычные файлы.

   1 import gzip
   2 
   3 # обратите внимание на режим rt
   4 input_file = gzip.open("file.txt.gz", "rt")
   5 # input_file имеет все те же методы, что и объекты файлов,
   6 # получаемые с помощью обычного open
   7 for line in input_file:
   8     print(line.strip())
   9 input_file.close()

3. Как посчитать записи, а не строки

Чтобы в файле формата swiss подсчитать не сами интересующие строки, а записи, которые эти строки содержат, можно написать довольно тривиальный скрипт на python.

Но можно обойтись и средствами grep, правда придется немного поломать голову. Дальше приведены подсказки. Не читайте их сразу, попробуйте догадаться самостоятельно.

Аналогичным образом выполняется упражнение со звездочкой.

4. Где в записи искать указания на ферментативную активность

Существует классификация ферментов по катализируемой реакции, в рамках которой белку присваивают один или несколько кодов EC. Такие коды могут быть указаны в поле DE, а в расширенном поиске на сайте UniProt есть возможность поиска по EC (можно использовать *, если интересует наличие, а не конкретное значение).

Поле СС разделено на тематические блоки, один из которых называется 'CATALYTIC ACTIVITY'. Не думаю, что этот блок может появляться в записях про белки, которые каталитической активностью не обладают.

В UniProt нет общего ключевого слова (поле KW), которое бы присваивалось каждому белку с предсказанной ферментативной активностью. Однако есть, например, ключевое слово 'Hydrolase' (KW-0378).

Названия ферментов, как правило, оканчиваются на 'ase'. Хотя это правило, конечно, не строгое. Кроме того, ферментативную активность могут проявлять белки, основная функция которых не связана с катализом. Например, тубулин является ГТФазой, но в названии белка это никак не отражается.

Все перечисленное можно использовать для поиска. В запросах на сайте можно комбинировать условия для нескольких полей. Хотя бы один из запросов должен выдавать более-менее адекватный результат. В протеоме, включающем тысячи белков, никак не может быть всего около сотни ферментов.