高速アミノ酸配列検索

提供:TogoWiki

2017年10月11日 (水) 08:21時点におけるMeso (トーク | 投稿記録)による版
(差分) ←前の版 | 最新版 (差分) | 次の版→ (差分)
移動: 案内, 検索

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
    • 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
  • (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

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)