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):

592

Количество записей с трансмембранными участками (FT TRANSMEM):

689

Скрипт/конвейер для подсчёта:

import gzip
import sys

def count_features(gz_file):
    helix_count = 0
    transmem_count = 0
    total_entries = 0

    in_entry = False
    has_helix = False
    has_transmem = False

    with gzip.open(gz_file, 'rt') as f:
        for line in f:
            if line.startswith('ID '):
                if in_entry:
                    if has_helix:
                        helix_count += 1
                    if has_transmem:
                        transmem_count += 1

                in_entry = True
                has_helix = False
                has_transmem = False
                total_entries += 1

            if in_entry and line.startswith('FT '):
                if 'HELIX' in line:
                    has_helix = True
                if 'TRANSMEM' in line:
                    has_transmem = True

            if in_entry and line.startswith('KW '):
                line_lower = line.lower()
                if 'helix' in line_lower:
                    has_helix = True
                if 'transmembrane' in line_lower:
                    has_transmem = True

            if line.startswith('//'):
                if in_entry:
                    if has_helix:
                        helix_count += 1
                    if has_transmem:
                        transmem_count += 1
                in_entry = False

    return total_entries, helix_count, transmem_count

if __name__ == '__main__':
    if len(sys.argv) != 2:
        print("Usage: python3 count_ft.py ")
        sys.exit(1)

    total, helix, transmem = count_features(sys.argv[1])
    print(f"Всего записей: {total}")
    print(f"С HELIX (в FT или KW): {helix}")
    print(f"С TRANSMEM (в FT или KW): {transmem}")
                        

Выводы: В ходе анализа протеома UP000033200 я выявила 3401 запись, из которых 592 аннотации 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 (по какому полю?):

(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 (по какому полю?):

(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.