HMM

Взял PF01687 Ссылка
Выбранная доменная архитектура (HAD_2 и Flavokinase), представленна по Pfam в 307 последовательностях:
В uniprot сделал запрос: database:(type:pfam PF13419) database:(type:pfam PF01687):
Нашло 466 белка. Скачал таблицу с белками: Ссылка
Посмотрим на их длину:

Теперь при помощи запроса: database:(type:pfam pf13419) database:(type:pfam pf01687) length:[350 TO 400] получим следующую таблицу: Ссылка
Новая гистограмма длин: (просто интересно стало)

Их слишком много. Уменьшил границы до 380-384, и убедившись, что это неродственные организмы (посмотрел находки) скачал их. Теперь у меня 74 находки.
Теперь мы работаем именно с этими белками.
Написав скрипт, який викачуе послідовности Ссылка
Теперь мы объединим все последовательности и применим к ним выравнивание:

        cat *.fa* > seq.fasta
        muscle -in seq.fasta -out align.fasta
    

Как и полагается, вот ссылки ссылки:
seq.fasta
align.fasta
Теперь обработаем наше выравнивание в JalView. Удалим блоки на N- и C- концах, а также удалю сильно отличающиеся последовательности.
after.fa
После геноцида осталось 58 последовательностей. Вот фрагмент из JalView:

Потом я запустил вот это:

        hmm2build hmm.hmm after.fa
        hmm2calibrate hmm.hmm
    

Вот что вышло из этой затеи: Ссылка на hmm.hmm
Проверим наш hmm профиль)
Скачаю все белки с доменом PF01687 из UniProt (таких 40,687).
Вот файл Ссылка
Проверим по hmm-профилю командой:

        hmm2search -E 0.01 hmm.hmm all.fa > result.txt
    

Полученный файл: Ссылка Был построен график весов выравниваний, для того, чтобы потом определить порог E-value включения белка в семейство.

Выбрал порог, равный 378.9.

	uniprot+	uniprot-
hmm+	316	2986
hmm-	150	37701

В результате получил ROC- кривую: