高速アミノ酸配列検索

提供：TogoWiki

以下に示された理由により、このページの編集を行うことができません：

このページのソースを閲覧し、コピーすることができます：

== 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 [[ファイル: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 ** 大きなDBを分割しOR検索で分散化できると良い。 *** たとえばDADをDIVISIONごとにインデックスし、OR検索によってDAD全体を検索。 * 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 *** Release 2017_08　配列数: 555,426　残基数: 198,919,479 ('''189.7MiB''') ** Unreviewed (TrEMBL) - EMBLを翻訳しただけ *** Release 2017_08　配列数: 89,396,316　残基数: 30,109,048,623 ('''28.0GiB''') ** 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 *** seqkit grep -nrp '_HUMAN' でOK **** Reviewed (Swiss-Prot) → 配列数: 20,218　残基数: 11,330,825 ('''10.8MiB''') **** Unreviewed (TrEMBL) → 配列数: 140,037　残基数: 38,772,049 ('''37.0MiB''') *** 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　配列数: 20,984　残基数: 11,484,514 ('''11.0MiB''') **** UP000005640_9606_additional.fasta.gz　配列数: 72,604　残基数: 25,634,242 ('''24.4MiB''') * '''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 ('''31.8GiB''') ** 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 *** seqkit grep -nrp '\[Homo sapiens\]' でOK * '''GENCODE'''のタンパク ** RefSeqよりもtranscriptのvariantが網羅されている ** ヒト Release 27 (2017/1)　配列数: 95,659　残基数: 35,656,600 ('''34.0MiB''') ** FASTA: ftp://ftp.sanger.ac.uk/pub/gencode/Gencode_human/release_27/gencode.v27.pc_translations.fa.gz * (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。 * '''DAD''' ** DDBJ (trad) に含まれるtranslationを集めたもの。tradと同じDIVに分かれている。 ** Release 79.0 (2017/6)　配列数: 63,670,485　残基数: 19,963,617,826 ('''18.6GiB''') ** 1つの塩基配列エントリに複数のCDSが含まれる場合は、個別にIDが付与されている。 *** [http://getentry.ddbj.nig.ac.jp/getentry/na/U43141.1?filetype=html U43141.1] | Human immunodeficiency virus type 1 complete genome *** U43141-1 | [http://getentry.ddbj.nig.ac.jp/getentry/dad/AAA85230.1?filetype=html AAA85230.1] | Human immunodeficiency virus 1 gag protein *** U43141-2 | [http://getentry.ddbj.nig.ac.jp/getentry/dad/AAA85231.1?filetype=html AAA85231.1] | Human immunodeficiency virus 1 pol protein * '''PDB''' ** アミノ酸配列から立体構造を検索 ** Snapshot 20170710　エントリ数: 131,667　配列数: 408,865　残基数: 101,431,745 ('''96.7MiB''') ** FASTA: ftp://snapshots.pdbj.org/20170710/pub/pdb/derived_data/pdb_seqres.txt.gz (解凍後121MB) == 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）

高速アミノ酸配列検索に戻る。