高速アミノ酸配列検索

提供:TogoWiki

(版間での差分)
移動: 案内, 検索
(細部の修正)
(検索したいアミノ酸配列のデータベース)
39行: 39行:
== 検索したいアミノ酸配列のデータベース ==
== 検索したいアミノ酸配列のデータベース ==
-
アミノ酸配列のmulti-FASTAを作れば簡単にDB追加できるようにしたい。
+
アミノ酸配列のmulti-FASTAを作れば簡単にDBを追加できるようにしたい。
 +
 
 +
→ FASTAを用意すればほぼ自動でindexを作製できるようにした(2017-09-13)
* '''UniProt'''
* '''UniProt'''
 +
** UniProt Downloads - http://www.uniprot.org/downloads
 +
** Reviewed (Swiss-Prot) - アノテーション済
 +
** Unreviewed (TrEMBL) - EMBLを翻訳しただけ
 +
** 上記の2つを合わせたものが、UniProt全体
** まずはヒトのsubsetを対象とする
** まずはヒトのsubsetを対象とする
 +
*** 配列名をHomo sapiensでgrep可能
 +
*** または、Reference proteomes のリンクから下記のファイルを取得する
 +
**** UP000005640_9606.fasta.gz + UP000005640_9606_additional.fasta.gz
* '''RefSeq'''のタンパク (NP_* / XP_*)
* '''RefSeq'''のタンパク (NP_* / XP_*)
** Release 83 (2017/7) 配列数: 88,385,530 残基数: 34,113,050,666
** Release 83 (2017/7) 配列数: 88,385,530 残基数: 34,113,050,666
** FASTA: ftp://ftp.ncbi.nlm.nih.gov/refseq/release/complete/ → complete.*.protein.faa.gz
** FASTA: ftp://ftp.ncbi.nlm.nih.gov/refseq/release/complete/ → complete.*.protein.faa.gz
** まずはヒトのsubsetを対象とする
** まずはヒトのsubsetを対象とする
 +
*** seqkit grep -nrp '\[Homo sapiens\]' でOK
* '''GENCODE'''のタンパク
* '''GENCODE'''のタンパク
** RefSeqよりもtranscriptのvariantが網羅されている
** RefSeqよりもtranscriptのvariantが網羅されている
55行: 65行:
*** 未知のペプチドをゲノムから探せるようにする
*** 未知のペプチドをゲノムから探せるようにする
*** tblastnのような感じ
*** tblastnのような感じ
 +
*** ヒットした場合、ゲノムの座標を逆算して表示。既知のタンパクかどうかわかるとなお良い。
** 疾患ゲノム(リファレンスゲノムとの差分だけで十分)
** 疾患ゲノム(リファレンスゲノムとの差分だけで十分)
*** 疾患固有のタンパクを検索できるようにする
*** 疾患固有のタンパクを検索できるようにする
 +
*** リファレンスゲノムとの差分だけを集めたdecoy配列を生成する方法。ToMMoに相談してみる。
* '''PDB'''
* '''PDB'''
** アミノ酸配列から立体構造を検索
** アミノ酸配列から立体構造を検索

2017年9月13日 (水) 09:56時点における版

目次

概要

  • アミノ酸配列の検索に特化したサイト
  • 短いアミノ酸配列をミスマッチを許容しつつ高速に検索したい
    • 高速ゲノム検索GGGenomeのアミノ酸配列版に相当
    • MS解析などに役立つ
  • サンプル画像

Ppp small.png

検索アルゴリズムとインターフェース

  • 検索キーワードはアミノ酸配列のみ
  • 最短3残基から検索可能
  • ヒットのposition(先頭からの残基数)がわかるようにする
  • ミスマッチを許容して検索
    • アミノ酸置換マトリクスは使用せず、ミスマッチ残基数のみ考慮
    • クエリの例
      • ACDEW または 0:ACDEW → 完全一致検索
      • 1:ACDEW → 1ミスマッチまで許容
      • 2:ACDEW → 2ミスマッチまで許容、以下同様
  • 複数のアミノ酸配列のAND検索、OR検索に対応
    • 検索語ごとにヒット件数を表示。例:
      • FCW (23)
      • 1:ACDE (125)
      • AND (3)
    • OR検索のヒット件数は、個々のクエリのヒット件数を足したものに概ね一致するので、わざわざ正確に計算して表示しなくてもよい
    • OR検索の結果一覧(ヒットをハイライト表示)がほしい
      • 複数のモチーフがどのようにヒットしているか眺めたい
      • 重なる部分は濃く表示、ゆくゆくはキーワードごとに色分け
  • 検索結果のランキング
    • ヒットしたキーワードの種類が多い順
    • 同じ場合は、ミスマッチの数が少ない順
  • REST APIを提供
    • HTML / TSV / CSV / JSON で出力
    • http://◯◯/uniprot/FCW+1:ACDE.csv のような感じ
    • デフォルトはAND検索、URL内では “+" で連結
    • ORまたは | をはさむとOR検索、URL内では "|" (%7C) で連結?

検索したいアミノ酸配列のデータベース

アミノ酸配列のmulti-FASTAを作れば簡単にDBを追加できるようにしたい。

→ FASTAを用意すればほぼ自動でindexを作製できるようにした(2017-09-13)

  • UniProt
    • UniProt Downloads - http://www.uniprot.org/downloads
    • Reviewed (Swiss-Prot) - アノテーション済
    • Unreviewed (TrEMBL) - EMBLを翻訳しただけ
    • 上記の2つを合わせたものが、UniProt全体
    • まずはヒトのsubsetを対象とする
      • 配列名をHomo sapiensでgrep可能
      • または、Reference proteomes のリンクから下記のファイルを取得する
        • UP000005640_9606.fasta.gz + UP000005640_9606_additional.fasta.gz
  • RefSeqのタンパク (NP_* / XP_*)
  • GENCODEのタンパク
  • (ヒト)ゲノム
    • 全フレーム翻訳してアミノ酸配列に変換したもの(〜6G残基)を検索
      • 未知のペプチドをゲノムから探せるようにする
      • tblastnのような感じ
      • ヒットした場合、ゲノムの座標を逆算して表示。既知のタンパクかどうかわかるとなお良い。
    • 疾患ゲノム(リファレンスゲノムとの差分だけで十分)
      • 疾患固有のタンパクを検索できるようにする
      • リファレンスゲノムとの差分だけを集めたdecoy配列を生成する方法。ToMMoに相談してみる。
  • PDB

検討事項

  • サービスの名称
    • GGGenome(ゲゲゲノム)様のネーミングを踏襲しPPProt(プププロット)、PPPeptide(ぺぺペプチド)などが候補
      • PPとは?(ねたがみつからない)
個人用ツール