本文主要工作
- 使用meme鉴定了SBT家族的蛋白质模体组成
- 对meme鉴定结果进行处理并用ggplot2进行可视化
4.蛋白质与基因结构可视化分析
4.1 蛋白质模体预测
Protein Motif这个概念比较混乱，需要在这里特别说明。在生物化学中，一个比较清晰的英文定义是这样给出的：
”Protein motifs are small regions of protein three-dimensional structure or amino acid sequence shared among different proteins. They are recognizable regions of protein structure that may (or may not) be defined by a unique chemical or biological function.” (https://bio.libretexts.org/Bookshelves/Cell_and_Molecular_Biology/Book%3A_Basic_Cell_and_Molecular_Biology_(Bergtrom)/03%3A_Details_of_Protein_Structure/3.06%3A_Protein_Domains_Motifs_and_Folds_in_Protein_Structure))
翻译成中文即为 “蛋白质模体是不同蛋白质中共有的、小区域的蛋白质三维结构或是氨基酸序列。它们是蛋白质结构中可被识别的区域，可能(或可能不)具备生物学功能。”因此，我们可以大致理解为结构特别、可能具备一定功能的小的氨基酸序列，这个适用范围是所有的蛋白质的。而在基因家族分析中，它所适应的范围是我们所鉴定的基因家族内部的所有蛋白质，需要得到的模体短而保守，并可能具备一定的功能，从而借此呈现不同蛋白质间的进化关系。
在明细概念后，我们就可以进行分析了。这里使用meme这款软件在使用conda安装后进行本地化分析，当然它也有网页版的，但是灵活度上讲我个人还是推荐本地分析。在这里的脚本中，我们使用之前鉴定得到的SBT家族蛋白质序列。但是同样为了美观，我们要把蛋白质序列中的序列号“.1”删去。随后使用meme鉴定motif。输出的结果存放地址可以通过参数指定。此外，我在这里还通过seqtk comp生成了一个统计各个蛋白质长度的文件，这是为之后我们可视化蛋白质模体分布服务的。
在meme输出的文件夹中存放了不同类型的文件。其中以.png结尾的即为各个模体的seqlogo图。模体的网页版报告可以通过.html结尾文件查看。而我们需要的信息存放在以.txtx结尾的文件中。由于该文件十分复杂，而我们想要提取想要的信息，需要依靠特殊的脚本解决，这里提供一个思路（python 处理）：
#!/usr/bin/env python
import re
import argparse
parser = argparse.ArgumentParser(description='meme file stat')
parser.add_argument('-i', '--input_file', type=str, required=True, metavar='',
help='Input txt file the meme outputs, i.e., meme.txt')
parser.add_argument('-o', '--output_file', type=str, required=True, metavar='', help='output stat file')
args = parser.parse_args()
content = []
motif_order = 1
pattern1 = "Motif ([A-Z]+) MEME-[0-9]+ sites sorted by position p-value"
pattern2 = "Aco[0-9]+\s+[0-9]+\s+[0-9]+\.[0-9]+e-[0-9]+\s+[A-Z]+\s+[A-Z]+\s+[A-Z]+"
Motif_info_dict = {}
Motif_sample_dict = {}
seq_motif_info_all = []
with open(args.input_file) as f:
while True:
content_list = f.readline()
if not content_list:
break
else:
content_list = content_list.replace("\t", "").replace("\n", "")
if re.search("\+s", content_list):
continue
if re.search(pattern1, content_list):
match = re.findall(pattern1, content_list)
Motif_name = "Motif" + str(motif_order)
motif_order = int(motif_order) + 1
Motif_sample_dict["seq"] = match[0]
Motif_sample_dict["length"] = len(match[0])
Motif_info_dict[Motif_name] = Motif_sample_dict
if re.search(pattern2, content_list):
protein_motif_info_list = re.split("\s+", content_list)
seq_name = protein_motif_info_list[0]
seq_start = int(protein_motif_info_list[1])
seq_end = int(Motif_sample_dict["length"]) + int(seq_start) - 1
seq_motif = Motif_name
seq_motif_seq = str(protein_motif_info_list[4])
seq_motif_info = [seq_name, seq_motif, seq_start, seq_end, seq_motif_seq]
seq_motif_info_all.append(seq_motif_info)
for i in seq_motif_info_all:
output = i[0] + "\t" + i[1] + "\t" + str(i[2]) + "\t" + str(i[3]) + "\t" + i[4] + "\n"
with open(args.output_file, "a") as f:
f.write(output)
得到处理好的文件后，为了呈现文章中的效果，我们可以用ggplot2进行可视化，结合我之前的文件在这里提供一个思路：
library(data.table)
library(tidyverse)
# 载入文本
pep_meme <- fread("./DATA/test.txt", header = F)
new_pep <- pep_meme %>%
arrange(V1) %>%
group_by(V1)
pep_length <- fread("./DATA/length.stat.pep.txt", header = F)
pep_length <- mutate(pep_length, V3=0)
# 画图
ggplot() +
geom_segment(data = new_pep,
aes(x = as.numeric(V3),
y = V1,
xend = as.numeric(V4),
yend = V1,
color = V2),
linewidth = 2.5,
position = position_nudge(y = 0.2)) +
scale_color_brewer(palette = "Set3") +
geom_segment(data = pep_length,
aes(x = as.numeric(V3),
y = V1,
xend = as.numeric(V2),
yend = V1),
color = "grey",
linewidth = 1) +
scale_x_continuous(expand = c(0,0)) +
labs(y = "Family",
x = "Length",
color = "Motif") +
theme_classic()
最终效果还是不错的。
| 基因家族分析系列（持续更新）
0.基因家族分析（0）：概念明晰
1.基因家族分析（1）：数据下载与处理
2.基因家族分析（2）：基因家族鉴定与蛋白质性质简单分析
3.基因家族分析（3）：序列比对与进化树构建