Практикум 8

Ссылка на страницу сборки в NCBI Datasets Genome:

Ссылка на мою сборку.

Идентификаторы последней версии сборки в INSDC и RefSeq:

NCBI RefSeq assembly: GCF_000764535.1

Submitted GenBank assembly: GCA_000764535.1

Поисковый запрос по UniProt Proteomes:

(genome_assembly:GCA_000764535.1)

Идентификатор протеома:

UP000033200

Статус протеома:

Status: Reference proteome

Использованные поисковые запросы:

Мой протеом UP000033200 и есть референсный, поэтому я буду работать с ним.

Выбранный референсный протеом (ID):

UP000033200

Команда для получения файла протеома:

wget 'https://rest.uniprot.org/uniprotkb/stream?compressed=true&format=txt&query=(proteome:UP000033200)' -O ~/term2/pr8/UP000033200.swiss.gz

(публикую эту команду по своему желанию, файл лежит в нужном месте согласно заданию)

Количество записей с альфа-спиралями (FT HELIX):

609

Количество записей с трансмембранными участками (FT TRANSMEM):

689

Скрипт/конвейер для подсчёта:

import gzip

file = "UP000033200.swiss.gz"

helix_count = 0
transmem_count = 0
has_helix = False
has_transmem = False

with gzip.open(file, "rt") as f:
    for line in f:
        if line.startswith("//"):
            if has_helix:
                helix_count += 1
            if has_transmem:
                transmem_count += 1
            has_helix = False
            has_transmem = False
        elif line.startswith("FT") or line.startswith("KW"):
            line_lower = line.lower()
            if "helix" in line_lower:
                has_helix = True
            if "transmembrane" in line_lower:
                has_transmem = True

print(helix_count)
print(transmem_count)
                        

Выводы: В ходе анализа протеома UP000033200 я выявила 609 аннотаций альфа-спиралей (HELIX) и 689 трансмембранных участков (TRANSMEM). Поиск проводился по двум полям - FT и KW - так как (по моим предположениям) для автоматически аннотированных записей информация о трансмембранных спиралях нередко хранится именно в ключевых словах (KW), а не в Features. Такое превышение числа трансмембранных участков над альфа-спиралями видимо является не биологическим противоречием, а различающимися способами аннотации: трансмембранные домены массово предсказываются автоматическими алгоритмами для всех белков протеома, в то время как альфа-спирали чаще аннотируются на основе экспериментальных структур, которых для бактериальных протеомов значительно меньше. Итого полученные цифры отражают не реальное распределение структурных элементов, а особенности аннотационных подходов UniProt.

Запрос 1:

(proteome:UP000033200) AND (ec:*)

Количество находок: 729.

Предположительно такой способ подсчёта ферментов наиболее точен, так как в поле EC указывается номер официального классификатора ферментов, то есть наличие этого поля - гарантия ферментативной функции белка. Это точный минимум.

Запрос 2:

(proteome:UP000033200) AND (protein_name:*ase)

Количество находок: 1690.

Многие ферменты заканчиваются суффиксом -аза, но метод поиска по такому принципу далеко не самый точный. Под эту характеристику попадают ферменты с предсказанной активность, но ещё не получившие поле EC, но есть много шума, так как не все ферменты кончаются на -аза, и не все белки на -аза - ферменты.

Запрос 3:

(proteome:UP000033200) AND (cc_catalytic_activity:*)

Количество находок: 662.

Этот запрос ищет белки, у которых описан блок CATALYTIC ACTIVITY — то есть ферментативная активность аннотирована (пусть даже предсказана). В отличие от EC-номера, блок CATALYTIC ACTIVITY появляется и у предсказанных ферментов, у которых EC ещё не присвоен. Почему этот запрос дал меньше результатов, чем первый? Не у всех белков с EC-номером и не у всех предсказанных ферментов заполнен блок CATALYTIC ACTIVITY.

Запрос 4:

(proteome:UP000033200) AND (ec:* OR cc_catalytic_activity:*)

Количество находок: 749.

Полная чистая оценка.