高速アミノ酸配列検索

提供：TogoWiki

目次 1 概要 2 検索アルゴリズムとインターフェース 3 検索したいアミノ酸配列のデータベース 4 検討事項

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

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。
    • U43141.1 | Human immunodeficiency virus type 1 complete genome
    • U43141-1 | AAA85230.1 | Human immunodeficiency virus 1 gag protein
    • U43141-2 | 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）