您现在的位置是:首页 >其他 >生信刷题之ROSALIND——Part 4 (MPRT, MRNA, ORF)网站首页其他
生信刷题之ROSALIND——Part 4 (MPRT, MRNA, ORF)
目录
写在前面
本来打算每周更5题,但是题目越来越复杂,想要搞明白,花费的时间越来越多,每个推文的阅读时间也会增长,所以之后会减少题目的数量,同时会在标题标注题目的ID,方便之后复习查找。
1、Finding a Protein Motif
Problem
Motif是一段典型的序列或者一个结构。一般来说,我们称为基序。一般情况下是指构成任何一种特征序列的基本结构。通俗来讲,即是有特征的短序列,一般认为它是拥有生物学功能的保守序列,可能包含特异性的结合位点,或者是涉及某一个特定生物学过程的有共性的序列区段。比如蛋白质的序列特异性结合位点,如核酸酶和转录因子。
为了考虑到蛋白质基序的不同形式,一个蛋白质基序可以用如下的简写来表示:[XY]表示"X或Y",而{X}表示"除X之外的任何氨基酸"。例如,N-糖基化基序被写成N{P}[ST]{P}。
蛋白质序列可以在UniProt中查找,在https://www.uniprot.org/ 中输入蛋白质access ID(例如:B5ZC00),点击搜索,在sequence中可以看到该蛋白的序列,点击download即可获得fasta格式的蛋白序列信息。具体操作如下图。
fasta信息网址如下,访问其他蛋白质,只需要将名字替换即可。
https://rest.uniprot.org/uniprotkb/{access ID}.fasta
Given: 最多15个UniProt蛋白质数据库access IDs
Return: 对于每个具有N-糖基化基序的蛋白质,输出其给定的access ID,然后输出在该蛋白质中可以找到基序的位置列表。
Sample Dataset
A2Z669
B5ZC00
P07204_TRBM_HUMAN
P20840_SAG1_YEAST
Sample Output
B5ZC00
85 118 142 306 395
P07204_TRBM_HUMAN
47 115 116 382 409
P20840_SAG1_YEAST
79 109 135 248 306 348 364 402 485 501 614
Code
import urllib.request
import re
def get_sequence(accession):
url = f"https://rest.uniprot.org/uniprotkb/{accession}.fasta"
request = urllib.request.Request(url)
response = urllib.request.urlopen(request).read()
response = str(response)
# print(response)
sequence = "".join(response.split("\n")[1:-1])
return sequence
def find_motifs(sequence):
# 正则表达式
pattern = re.compile(r"N[^P][ST][^P]")
motif_positions = ""
# 使用re.finditer有可能会丢失几个位点,感兴趣的可以试一下
# for match in re.finditer(pattern, sequence):
# motif_positions += f"{str(match.start() + 1)} "
index = 0
while index < len(sequence):
index += 1
# 将序列切割,每次减少一个氨基酸,保证每个位点都被筛选
if re.search(pattern, sequence[index:]) is None:
break
elif re.match(pattern, sequence[index:]) is not None:
motif_positions += f"{index + 1} "
return motif_positions
def get_result(file):
for accession in file.readlines():
accession = accession.strip()
# print(accession[:6])
sequence = get_sequence(accession[:6])
position = find_motifs(sequence)
if position:
print(f"{accession}
{position}")
with open("code1_example.txt", "r") as f:
get_result(f)
with open("rosalind_mprt.txt", "r") as f1:
get_result(f1)
Output
B5ZC00
85 118 142 306 395
P07204_TRBM_HUMAN
47 115 116 382 409
P20840_SAG1_YEAST
79 109 135 248 306 348 364 402 485 501 614
----------
P02974_FMM1_NEIGO
67 68 121
P01044_KNH1_BOVIN
47 87 168 169 197 204
Q9QSP4
196 250 326 443
P02790_HEMO_HUMAN
64 187 240 246 453
P40225_TPO_HUMAN
197 206 234 255 340 348
P24592_IBP6_HUMAN
229
B3ET80
6
Q55AB5
6
P01042_KNH_HUMAN
48 169 205 294
Q1E9Q9
185 255 347 640 1326
Q9D9T0
154
2、Inferring mRNA from Protein
Problem
翻译(Translation),是蛋白质生物合成(基因表达中的一部分,基因表达还包括转录)过程中的第一步。翻译是根据遗传密码的中心法则,将成熟的mRNA分子(由DNA通过转录而生成)中“碱基的排列顺序”(核苷酸序列)解码,并生成对应的特定氨基酸序列的过程。
当研究人员发现一种新的蛋白质时,他们希望推断出这种蛋白质可能被翻译的mRNA链,从而使他们能够在基因组中定位与这种蛋白质相关的基因。任何RNA链都可以被翻译成一个独特的蛋白质串,但给定蛋白质对应的mRNA却并不唯一,这是因为一个氨基酸往往对应多个密码子。
模算数(Modular arithmetic)是一个整数的算术系统,其中数字超过一定值后(称为模)后会“卷回”到较小的数值。十二小时制就是一种模算数。
模除(modulo)得到的是一个数除以另一个数的余数。
蛋白质过长,对应的mRNA个数会非常多,可以使用模除来避免巨大的数字导致的内存溢出。
Given: 一种长度不超过1000 aa的蛋白质。
Return: 翻译蛋白质的不同RNA链的总数,模值为1,000,000(不要忽视终止密码子在蛋白质翻译中的重要性。)
Sample Dataset
MA
Sample Output
12
example
例如给定的蛋白质序列为”MA“,M对应的密码子为AUG,A对应的为GCU,GCC,GCA,GCG。且有三个终止密码子(UAA,UAG,UGA)。因此可能的mRNA数量为 1×4×3=12 个。
Code
# Inferring mRNA from Protein
def get_number(sequence):
rna_codon_table = {
"F": ["UUU", "UUC"],
"L": ["UUA", "UUG", "CUU", "CUC", "CUA", "CUG"],
"I": ["AUU", "AUC", "AUA"],
"M": ["AUG"],
"V": ["GUU", "GUC", "GUA", "GUG"],
"S": ["UCU", "UCC", "UCA", "UCG", "AGU", "AGC"],
"P": ["CCU", "CCC", "CCA", "CCG"],
"T": ["ACU", "ACC", "ACA", "ACG"],
"A": ["GCU", "GCC", "GCA", "GCG"],
"Y": ["UAU", "UAC"],
"H": ["CAU", "CAC"],
"Q": ["CAA", "CAG"],
"N": ["AAU", "AAC"],
"K": ["AAA", "AAG"],
"D": ["GAU", "GAC"],
"E": ["GAA", "GAG"],
"C": ["UGU", "UGC"],
"W": ["UGG"],
"R": ["CGU", "CGC", "CGA", "CGG", "AGA", "AGG"],
"G": ["GGU", "GGC", "GGA", "GGG"],
"Stop": ["UAA", "UAG", "UGA"]
}
number = 1
for aa in sequence:
if aa in rna_codon_table.keys():
number *= len(rna_codon_table[aa])
number *= len(rna_codon_table["Stop"])
return number % 1000000
print(get_number("MA"))
with open("rosalind_mrna.txt", "r") as f:
seq = f.read().strip()
print(get_number(seq))
Output
12
96832
如果不对结果进行模除,结果如下:
2002089841612391663582453283078937275745368421066748680475492424910330611727107825022494435217840287274683628870658010094351191940325350642280590952329513016249187110224840917378827525070051420624021814551693291056364952352113586133745933273636168184838678332737838761697830520116547508864704072632020800420739671680173112061530224686727264605719818801245545285674925560796396475061368452414686546954783174783246059660831096832
3、Open Reading Frames
Problem
开放阅读框【Open reading frame(ORF)】是指在给定的阅读框架中,不包含终止密码子的一串序列。这段序列是生物个体的基因组中,可能作为蛋白质编码序列的部分。基因中的ORF包含并位于开始编码与终止编码之间。由于一段DNA或RNA序列有多种不同读取方式,因此可能同时存在许多不同的开放阅读框架。
一段5’-UCUAAAGGUCCA-3’序列。此序列共有3种读取法:
UCU AAA GGU CCA
CUA AAG GUC
UAA AGG UCC
由于UAA为终止密码子,因此第三种读取法不具编译出蛋白质的潜力,故只有前两者为开放阅读框架。
Given: FASTA格式的长度不超过1 kbp的DNA字符串。
Return: 根据ORF得到的蛋白序列,可以以任意顺序给出。
Sample Dataset
>Rosalind_99
AGCCATGTAGCTAACTCAGGTTACATGGGGATGACCCCGCGACTTGGATTAGAGTCTCTTTTGGAATAAGCCTGAATGATCCGAGTAGCATCTCAG
Sample Output
MLLGSFRLIPKETLIQVAGSSPCNLS
M
MGMTPRLGLESLLE
MTPRLGLESLLE
Code
# Open Reading Frames
def read_fasta(file):
sequences = {}
with open(file, "r") as f:
for line in f.readlines():
line = line.strip()
if line[0] == ">":
name = line[1:]
sequences[name] = ""
else:
sequences[name] += line
return sequences
def other_single_chain(sequence):
"""获得互补链序列"""
# 翻译是5'端到3'端,DNA两条链方向相反
sequence = sequence[::-1]
other_sequence = ""
for base in sequence:
if base == "A":
other_sequence += "T"
elif base == "T":
other_sequence += "A"
elif base == "C":
other_sequence += "G"
elif base == "G":
other_sequence += "C"
return other_sequence
def translation(orf):
"""将所选的orf翻译成蛋白质"""
dna_codon_table = {
'ATA': 'I', 'ATC': 'I', 'ATT': 'I', 'ATG': 'M',
'ACA': 'T', 'ACC': 'T', 'ACG': 'T', 'ACT': 'T',
'AAC': 'N', 'AAT': 'N', 'AAA': 'K', 'AAG': 'K',
'AGC': 'S', 'AGT': 'S', 'AGA': 'R', 'AGG': 'R',
'CTA': 'L', 'CTC': 'L', 'CTG': 'L', 'CTT': 'L',
'CCA': 'P', 'CCC': 'P', 'CCG': 'P', 'CCT': 'P',
'CAC': 'H', 'CAT': 'H', 'CAA': 'Q', 'CAG': 'Q',
'CGA': 'R', 'CGC': 'R', 'CGG': 'R', 'CGT': 'R',
'GTA': 'V', 'GTC': 'V', 'GTG': 'V', 'GTT': 'V',
'GCA': 'A', 'GCC': 'A', 'GCG': 'A', 'GCT': 'A',
'GAC': 'D', 'GAT': 'D', 'GAA': 'E', 'GAG': 'E',
'GGA': 'G', 'GGC': 'G', 'GGG': 'G', 'GGT': 'G',
'TCA': 'S', 'TCC': 'S', 'TCG': 'S', 'TCT': 'S',
'TTC': 'F', 'TTT': 'F', 'TTA': 'L', 'TTG': 'L',
'TAC': 'Y', 'TAT': 'Y', 'TAA': '_', 'TAG': '_',
'TGC': 'C', 'TGT': 'C', 'TGA': '_', 'TGG': 'W',
}
protein = ""
for i in range(0, len(orf), 3):
codon = orf[i:i + 3]
if codon in dna_codon_table:
if dna_codon_table[codon] != "_":
protein += dna_codon_table[codon]
else:
break
return protein
def find_orfs(sequence):
"""根据起始密码子和终止密码子选择可能的orf"""
orfs = []
start_codon = 'ATG'
stop_codons = ['TAA', 'TAG', 'TGA']
for i in range(len(sequence)):
if sequence[i:i + 3] == start_codon:
for j in range(i + 3, len(sequence), 3):
if sequence[j:j + 3] in stop_codons:
orf = sequence[i:j]
protein = translation(orf)
orfs.append(protein)
break
return orfs
def get_result(file):
"""打印结果"""
seq = read_fasta(file)
seq = list(seq.values())[0]
other_seq = other_single_chain(seq)
orfs = set()
orfs.update(find_orfs(seq))
orfs.update(find_orfs(other_seq))
for orf in orfs:
print(orf)
get_result("code3_example.txt")
print("----------")
get_result("rosalind_orf.txt")
Output
M
MTPRLGLESLLE
MGMTPRLGLESLLE
MLLGSFRLIPKETLIQVAGSSPCNLS
----------
MLLHGFSCAYWTFLSRTGGVILGVARYLIFCMWHALRDSFS
MAVNNHTVALVTHHAHTCEVCCG
MLYNNRVR
MSHERHRVVINSHSGPILLRGTWSPSVTKAPRKYTNRPFRSIVDYTYSRWASILP
MELRT
MSSYRSALFKGWSLWRPDPFTT
MACYQTSRAPLYPQHTSHV
MA
MVVMAA
MLGLSVSGDRS
MRSPSCRAPRRIPSYSPRRLKRNHLRCLLRRESCPRYVSRYLSTVNKLAFQRCVQLLNTSRAPSVEEGQENESRNACHMQNIR
MFGPSPLNLGACPG
MGSHVPIGLF
MVKY
MRATCRILDSVRHQE
MKGI
MSARARSKVQRRRAEHGVGSSAPMKGI
MSVMSHERHRVVINSHSGPILLRGTWSPSVTKAPRKYTNRPFRSIVDYTYSRWASILP
MPIDTKTCRPRDFRTVMLGLSVSGDRS
MPASPRVLPSLCQPLLVDRE
MIIPLHYS
MDG
MWHALRDSFS
MSAATCRP
MSSSQHSLGARKGWSFEPRPDVHWLGPIPADRQT
MSSLLAAY
MLRIKLPHPIIVKHTDVSQGTLQGSAATGRTWRRQ
MAA
MPSSRFQDRDARFVGQRGSVLTSGRRV
MVPLQATRTITRYPPRCPARRAPHELIACCLLANKQQAMSSSQHSLGARKGWSFEPRPDVHWLGPIPADRQT
MCLLDFSESHRRSYSWCRTLSNILHVARIARFVLLTFFYARGPGSV
M
MQNIR
MRTHVIAFRMLRIKLPHPIIVKHTDVSQGTLQGSAATGRTWRRQ
MSS