Рестриктазы

По базе REBASE была найдена бактерия Synechococcus species PCC 73109. У данной бактерии только два участка R II, для которых был предсказан сайт рестрикции GGWCC.

import pandas as pd
from Bio import SeqIO
data = pd.read_csv('II.tsv', sep = '\t')

После загрузки таблицы с данными по всем рестриктазам второго типа, были отобраны такие сайты рестрикции, длина которых больше двух.

sites = set(data[data['Recognition site'].apply(len)>2]['Recognition site'])
with open('sites.txt', 'w') as file:
    print(' '.join(sites), file = file)

Далее была получена оценка представленности сайтов в геноме при помощи команды:

cbcalc genome.fasta -s sites.txt -o out.tsv

Далее были отобраны только те сайты, оценка представленности которых была меньше 0.8. Всего было обнаружено 44 недопредставленных сайта, среди которых есть искомый сайт GGWCC c низким значением представленности 0.174 (22 индекс).

restr = pd.read_csv('out.tsv', sep = '\t')
restr[restr['O/E ratio (BCK)'] <= 0.8].reset_index(drop = True)

	Sequence ID	Site	Observed	Expected (MM)	O/E ratio (MM)	Expected (PBM)	O/E ratio (PBM)	Expected (BCK)	O/E ratio (BCK)	Total
0	genome	GTGCAC	115	245.04	0.469	226.51	0.508	209.00	0.550	2636335
1	genome	GACGTC	180	278.47	0.646	279.00	0.645	262.60	0.685	2636335
2	genome	GGATCC	420	665.32	0.631	579.63	0.725	565.30	0.743	2636335
3	genome	TTATAA	172	197.58	0.871	255.47	0.673	231.11	0.744	2636335
4	genome	GRGCYC	653	2383.39	0.274	1419.60	0.460	903.11	0.723	2636335
5	genome	CGGWCCG	7	14.58	0.480	46.99	0.149	14.80	0.473	2633514
6	genome	CAGCTG	119	409.83	0.290	518.75	0.229	332.58	0.358	2636335
7	genome	GCGGCCGC	24	27.50	0.873	28.01	0.857	32.26	0.744	2630693
8	genome	GGTACC	434	628.27	0.691	440.17	0.986	586.43	0.740	2636335
9	genome	CYCGRG	647	2316.86	0.279	1769.33	0.366	1096.08	0.590	2636335
10	genome	CTGCAG	212	505.93	0.419	510.86	0.415	397.82	0.533	2636335
11	genome	GACNNNGTC	264	345.67	0.764	406.45	0.650	345.44	0.764	2627872
12	genome	CCGCGG	85	420.56	0.202	546.03	0.156	364.52	0.233	2636335
13	genome	GGCCNNNNNGGCC	31	57.63	0.538	51.47	0.602	40.94	0.757	2616588
14	genome	CGTACG	45	126.29	0.356	104.56	0.430	68.70	0.655	2636335
15	genome	GCTNAGC	208	380.35	0.547	339.66	0.612	273.08	0.762	2633514
16	genome	ACTAGT	38	87.56	0.434	137.43	0.277	91.49	0.415	2636335
17	genome	GCGCGC	224	355.68	0.630	309.88	0.723	285.34	0.785	2636335
18	genome	CTCGAG	45	487.37	0.092	265.11	0.170	141.20	0.319	2636335
19	genome	AGGCCT	320	545.47	0.587	487.30	0.657	402.15	0.796	2636335
20	genome	ACGCGT	58	122.87	0.472	156.16	0.371	113.46	0.511	2636335
21	genome	AGTACT	111	226.30	0.491	227.82	0.487	168.32	0.659	2636335
22	genome	GGWCC	337	3376.64	0.100	2941.31	0.115	1935.56	0.174	2639156
23	genome	ACATGT	61	114.42	0.533	148.41	0.411	104.20	0.585	2636335
24	genome	CGATCG	4999	3217.47	1.554	3325.08	1.503	6795.94	0.736	2636335
25	genome	RCATGY	319	595.76	0.535	784.37	0.407	537.29	0.594	2636335
26	genome	TACGTA	41	70.68	0.580	87.99	0.466	70.70	0.580	2636335
27	genome	GCCGGC	278	511.16	0.544	680.88	0.408	585.51	0.475	2636335
28	genome	GTATAC	40	72.74	0.550	103.62	0.386	63.25	0.632	2636335
29	genome	ACRYGT	242	363.12	0.666	519.90	0.465	355.12	0.681	2636335
30	genome	GGGCCC	135	913.49	0.148	379.36	0.356	294.87	0.458	2636335
31	genome	RCCGGY	1152	1913.77	0.602	2436.84	0.473	1767.52	0.652	2636335
32	genome	ATGCAT	132	200.89	0.657	241.30	0.547	165.87	0.796	2636335
33	genome	CACNNNGTG	147	263.53	0.558	269.27	0.546	213.58	0.688	2627872
34	genome	CGGCCG	204	659.89	0.309	545.14	0.374	348.06	0.586	2636335
35	genome	GRCGYC	1444	2336.87	0.618	2105.89	0.686	1818.36	0.794	2636335
36	genome	GGCGCC	195	776.35	0.251	703.17	0.277	497.31	0.392	2636335
37	genome	RGGNCCY	746	997.04	0.748	1359.28	0.549	991.47	0.752	2633514
38	genome	CACGTG	93	87.08	1.068	166.35	0.559	159.91	0.582	2636335
39	genome	TTCGAA	82	522.50	0.157	413.24	0.198	284.64	0.288	2636335
40	genome	ACCGGT	253	446.54	0.567	527.88	0.479	437.62	0.578	2636335
41	genome	TCCGGA	528	915.33	0.577	611.12	0.864	672.91	0.785	2636335
42	genome	GCATGC	95	187.75	0.506	220.89	0.430	178.19	0.533	2636335
43	genome	GTCGAC	38	347.87	0.109	322.28	0.118	184.56	0.206	2636335

После этого был произведен поиск в геноме гомологов рестриктаз, которые работают по недопредставленным сайтам, при помощи blast. Сначала были получены индефикаторы всех рестриктаз, по которым далее были получены последовательности (n=14674) с нужными именами из файла с последовательностями всех рестриктаз.

merged = pd.merge(data, restr, how = 'right', left_on = 'Recognition site', right_on = 'Site')
all_restr = SeqIO.parse('all_restr.fasta', 'fasta')

records = []
for record in all_restr:
    if record.id in list(merged.iloc[:, 0]):
        records.append(SeqIO.SeqRecord(seq = record.seq, id = record.id, description = ''))
        
SeqIO.write(records, 'records.fasta', 'fasta')

14674

Была создана база данных на основе генома бактерии, по которой при помощи алгоритма tblast был произведен поиск гомологов последовательностей отобранных рестриктаз. Выдача. Всего в выдаче около 300 000 строк. Для большинства рестриктаз не нашлось гомологов в геноме, однако для некоторых, всё-таки, нашлись, к примеру для MspMK1ORFGP.

makeblastdb -in genome.fasta -dbtype nucl
tblastn -query records.fasta -db genome.fasta -evalue 0.0001 -out blast.txt

PSI-BLAST

Идентификатор белка: P05813

После 3й итерации результат сошёлся и на 4й и 5й итерациях не изменился. Это свидетельствует о высоком родстве белка к кристалинам.

Номер итерации	Число находок выше порога (0.005)	Идентификатор худшей находки выше порога	E-value этой находки	Идентификатор лучшей находки ниже порога	E-value этой находки
1	102	P46058.1	3E-12	-	-
2	104	P02966.1	3E-04	-	-
3	105	P19865.1	5E-08	-	-
4	105	P19865.1	4E-08	-	-
5	105	P19865.1	4E-08	-	-