Задание 1. Расчёт расстояний в ЯМР-моделях¶
Алимова Альфия
In [1]:
# импортируем библиотеки
from Bio.PDB import *
import numpy as np
import pandas as pd
In [2]:
# скачиваем данные PDB-файла
p = PDBParser()
structure = p.get_structure("NMR_6L7K", "6l7k.pdb")
Посчитаем расстояния между атомами в трёх различных случаях. Для этого воспользуемся BioPython.
*Нумерация моделей начинается с нуля.
Disclaimer: в ЯМР-модели авторы сделали мутагенез: изменили Tyr-70 на Cys-70, Val-60 на Cys-60.
**В РСА-модели рассматривали связи между атомами остова остатков Leu-78 и Tyr-70.
In [3]:
# для атомов остова
h_bond_main1 = []
h_bond_main2 = []
for model in structure:
atom1 = model["A"][70]["N"].get_coord()
atom2 = model["A"][78]["O"].get_coord()
atom3 = model["A"][70]["O"].get_coord()
atom4 = model["A"][78]["N"].get_coord()
diff_vector1 = atom1 - atom2 # между кислородом Leu-78 и азотом Cys-70
distance1 = np.sqrt(np.sum(diff_vector1 **2)).round(2)
h_bond_main1.append(distance1)
diff_vector2 = atom3 - atom4 # между кислородом Cys-70 и азотом Leu-78
distance2 = np.sqrt(np.sum(diff_vector2 **2)).round(2)
h_bond_main2.append(distance2)
Для Tyr-14 и Arg-126 в РСА-модели наблюдалась лишь одна водородная связь из возможных трёх, так как остальные две связи по длине превышают 3.0-3.5 Å. Здесь мы тоже рассматриваем только одну связь, однако другие связи могут появиться (как и наблюдамая в РСА-модели исчезнуть) при смене ЯМР-модели (проверено в PyMol).
In [4]:
# для атомов боковых радикалов аминокислот
h_bond_side = []
for model in structure:
atom5 = model["A"][14]["OH"].get_coord()
atom6 = model["A"][126]["NH2"].get_coord()
diff_vector3 = atom5 - atom6 # между кислородом Tyr-14 и азотом Arg-126
distance3 = np.sqrt(np.sum(diff_vector3 **2)).round(2)
h_bond_side.append(distance3)
In [5]:
# в петлях на поверхности белковой глобулы
h_bond_surface = []
for model in structure:
atom7 = model["A"][88]["NZ"].get_coord()
atom8 = model["A"][107]["OE1"].get_coord()
diff_vector4 = atom7 - atom8 # между кислородом Glu-107 и азотом Lys-88
distance4 = np.sqrt(np.sum(diff_vector4 **2)).round(2)
h_bond_surface.append(distance4)
Выведем таблицу всех измеренных расстояний.
In [6]:
h_bonds_res = ['Cys70_N_and_Leu78_O', 'Cys70_O_and_Leu78_N', 'Tyr14_O_and_Arg126_N', 'Glu107_O_and_Lys-88_N']
In [7]:
dist_all = pd.DataFrame(list(zip(h_bond_main1, h_bond_main2, h_bond_side, h_bond_surface)),
columns = h_bonds_res)
dist_all.head()
Out[7]:
| Cys70_N_and_Leu78_O | Cys70_O_and_Leu78_N | Tyr14_O_and_Arg126_N | Glu107_O_and_Lys-88_N | |
|---|---|---|---|---|
| 0 | 2.80 | 3.19 | 2.85 | 6.44 |
| 1 | 2.80 | 3.18 | 4.22 | 8.04 |
| 2 | 2.87 | 3.20 | 4.06 | 6.92 |
| 3 | 2.86 | 3.19 | 2.38 | 8.82 |
| 4 | 2.73 | 2.79 | 4.16 | 6.95 |
Найдём среднее, максимальное и минимальное значение этих расстояний.
In [8]:
print(dist_all.describe().round(2))
Cys70_N_and_Leu78_O Cys70_O_and_Leu78_N Tyr14_O_and_Arg126_N \
count 20.00 20.00 20.00
mean 2.85 3.13 3.40
std 0.06 0.14 0.82
min 2.73 2.79 2.38
25% 2.80 3.18 2.78
50% 2.86 3.19 3.08
75% 2.88 3.19 4.08
max 3.00 3.21 4.88
Glu107_O_and_Lys-88_N
count 20.00
mean 7.61
std 0.96
min 5.76
25% 6.93
50% 7.61
75% 8.16
max 9.56
Для большей наглядности и расчёта процента моделей с наблюдаемыми связями отфильтруем нашу табличку.
In [9]:
h_filter = dist_all < 3.5
dist_all_filter = dist_all[h_filter]
numb_rows = 20 - dist_all_filter.isna().sum() # расчёт количества строк в каждом столбце
percent_rows = (numb_rows / 20) * 100
print(numb_rows) # в скольких моделях присутствует данная водородная связь (в штуках)
print(percent_rows) # и в процентах
Cys70_N_and_Leu78_O 20 Cys70_O_and_Leu78_N 20 Tyr14_O_and_Arg126_N 12 Glu107_O_and_Lys-88_N 0 dtype: int64 Cys70_N_and_Leu78_O 100.0 Cys70_O_and_Leu78_N 100.0 Tyr14_O_and_Arg126_N 60.0 Glu107_O_and_Lys-88_N 0.0 dtype: float64
In [10]:
dist_all_filter.head() # вместо False - NaN (см. ниже)
Out[10]:
| Cys70_N_and_Leu78_O | Cys70_O_and_Leu78_N | Tyr14_O_and_Arg126_N | Glu107_O_and_Lys-88_N | |
|---|---|---|---|---|
| 0 | 2.80 | 3.19 | 2.85 | NaN |
| 1 | 2.80 | 3.18 | NaN | NaN |
| 2 | 2.87 | 3.20 | NaN | NaN |
| 3 | 2.86 | 3.19 | 2.38 | NaN |
| 4 | 2.73 | 2.79 | NaN | NaN |
Итоговая табличка расстояний между донором и акцептором:
In [11]:
X_ray_dist = [2.8, 2.7, 3.5, 3.2] # расстояния в РСА-модели
In [12]:
final_df = pd.DataFrame(list(zip(X_ray_dist, list(numb_rows), list(percent_rows), list(dist_all.max()), list(dist_all.min()), list(dist_all.mean()))),
columns=['X_ray_dist', 'Number_of_Models', 'Percentage_of_Models', 'Max_NMR_dist', 'Min_NMR_dist', 'Mean_NMR_dist'],
index = h_bonds_res)
final_df
Out[12]:
| X_ray_dist | Number_of_Models | Percentage_of_Models | Max_NMR_dist | Min_NMR_dist | Mean_NMR_dist | |
|---|---|---|---|---|---|---|
| Cys70_N_and_Leu78_O | 2.8 | 20 | 100.0 | 3.00 | 2.73 | 2.850 |
| Cys70_O_and_Leu78_N | 2.7 | 20 | 100.0 | 3.21 | 2.79 | 3.131 |
| Tyr14_O_and_Arg126_N | 3.5 | 12 | 60.0 | 4.88 | 2.38 | 3.401 |
| Glu107_O_and_Lys-88_N | 3.2 | 0 | 0.0 | 9.56 | 5.76 | 7.613 |