Поиск последовательности Шайн-Дальгарно

Использовался геном бактерии Streptomyces fodineus.

1. Подготовка входных последовательностей

Скрипт для подготовки предоставлен Д. Звездиным. Представляю его ниже с небольшими изменениями.

from Bio import SeqIO
import pandas as pd
import numpy as np
from IPython.display import Image

with open("sequence.gb", "r") as file:
    table = SeqIO.read(file, "gb")
coordinates = []
with open("coordinates.tsv", "w") as file_write:
    for feature in table.features[1:]:
        start, end, strand = int(feature.location.start), int(feature.location.end), feature.location.strand
        try:
            locus_tag = feature.qualifiers["locus_tag"][0]
        except KeyError:
            locus_tag = f"unknown_locus_tag_{start}_{end}"
        if (feature.type == "CDS") and ("pseudo" not in feature.qualifiers.keys()) and (end - start > 300) and 
(feature.qualifiers["product"][0] != "hypothetical potein"):
            coordinates.append("\t".join([str(start), str(end), str(strand), locus_tag]))
    print(*coordinates, sep="\n", file=file_write)

С помощью скрипта были отобраны хорошо аннотированные (не гипотетические) кодирующие последовательности длиной более 300 п.н. и получены их координаты.

coordinates_table = pd.read_csv("coordinates.tsv", sep="\t", names=["start", "end", "strand", "name"])
with open("Streptomyces_fodineus.fasta", "r") as fasta_file:
    fasta = SeqIO.read(fasta_file, "fasta")
clear_sequences = []
with open("clear_sequences.fasta", "w") as file_write:
    
    for i in range(3000):
        name = coordinates_table.loc[i, "name"]
        if str(coordinates_table.loc[i, "strand"]) == "1":
            start = int(coordinates_table.loc[i, "start"])
            sequence = str(fasta.seq[start - 30: start])
        else:
            start = int(coordinates_table.loc[i, "end"])
            sequence = str(fasta.seq[start: start + 30].reverse_complement())
        clear_sequences.append(f">{name}")
        clear_sequences.append(sequence)
    print(*clear_sequences, sep="\n", file=file_write)

Далее из fasta файла с хромосомой по полученным координатам были скачаны 3000 последовательностей с 30 нуклеотидами upstream генов: 100 последовательностей для MEME и 1000 для FIMO.

for feature in table.features[1:]:
    try:
        if ("RNA" in feature.type) and ("16S" in feature.qualifiers["product"][0]):
            print(feature.location)
    except KeyError:
        pass

print(str(fasta.seq[8019814:8019844].complement()))

Также в файл с данными для обучения был добавлен 3' концевой участок 16S РНК CGCCGACCTAGTGGAGGAAA.

Файл с последовательностями для MEME.

Файл с последовательностями для FIMO.

2. Поиск мотивов с помощью MEME

Был использован сервис MEME Suit.

Параметры запуска:

meme meme.fasta -dna -oc . -nostatus -time 14400 -mod zoops -nmotifs 1 -minw 9 -maxw 9 -objfun classic -markov_order 0

Ссылка на html выдачу MEME.

В результате работы программы был найден мотив, содержащий последовательность GGAGG, похожий на последовательность Шайн-Дальгарно (Рис.1). Он встретился в 37 последовательностях из 101. В силу того, что сигнал посадки рибосомы может находиться на разном расстоянии от сайта трансляции, некоторые позиции могут быть неоднозначны.

3. Поиск SD в выборке для тестирования с помошью FIMO

Ссылка на матрицу.

Параметры запуска:

fimo --oc . --verbosity 1 --thresh 0.01 --norc motifs.meme fimo.fasta

Ссылка на html выдачу FIMO.

При уровне значимости 0,01 мотив был найден в 629 последовательностях из 1000.