Комментарий

Три наиболее часто встречающихся остатка в протеоме Clostridium perfringens ATCC 13124 - I (изолейцин), K (лизин) и L (лейцин). Для протеома E. coli - это L (лейцин), A (аланин) и G (глицин). Наиболее редкими для Clostridium perfringens ATCC 13124 являются U (селеноцистеин), W (триптофан) и C (цистеин). Для E. coli - U (селеноцистеин), С (цистеин) и W (триптофан). Таким образом, U, C и W - наиболее редкие для обоих организмов, а L часто встречается и у Clostridium perfringens ATCC 13124, и у E. coli. Наибольшая по абсолютной величине разница в частотах наблюдается для остатков лизина.

Программа compseq

Compseq высчитывает количество уникальных слов заданной длины в последовательности. При этом, в отличие от wordcount, она выдает в выходной файл также предполагаемые и наблюдаемые частоты встречаемости слова.
Синтаксис схож с таковым в wordcount: compseq <имя входного файла> -word <длина слова> <имя выходного файла>.

Выходной файл содержит информацию о длине рассматриваемых слов, общее количество таких слов в последовательности и несколько колонок: само слово (последовательность), сколько раз оно встретилось в файле, наблюдаемая частота встречаемости, предполагаемая частота встречаемости и соотношение этих двух величин. В случае с wordcount, информации в выходном файле значительно меньше. Он содержит только две колонки: само слово и сколько раз оно встретилось в последовательности.

Важно отметить, что команда compseq имеет ограничения на длину слов. Для белков это 4, для нуклеотидных последовательностей 6. Значения в выходном файле, в отличие от wordcount, упорядочены не в порядке убывания, а по алфавиту.

На мой взгляд, для выполнения задания этого практикума было бы удобнее использовать команду compseq, так как при этом последующая обработка данных заняла бы гораздо меньше времени.