ixxmu
commented
7 months ago 玩转Python最强的生信库BioPython（二）新冠病毒Covid19蛋白分析 by 生信滩
上期小果带大家学习了BioPython的基础用法，领略了它的魅力——强大的功能与简单的操作是可以兼得的。今天小果新冠病毒Covid19为例，来做基础的数据探索与蛋白质分析，并且会用到Python蛋白可视化库py3Dmol以及nglview。
一、下载covid19基因组与加载
数据下载
Genebank ID:MN908947
Severe acute respiratory syndrome coronavirus 2 isolate Wuhan-Hu-1, co - Nucleotide - NCBI (nih.gov)
选择fasta格式，下载covid19基因组序列，保存文件到工作目录下.
加载序列
# 加载Biopython包from Bio import SeqIOfor record in SeqIO.parse("sequence.fasta", "fasta"):print(record.id)二、covid19基因组数据探索
小果首先对数据进行探索，了解基因组序列的基本信息。
序列信息
# 进行本教程的分析ncov_record = SeqIO.read("sequence.fasta", "fasta")列出了基因组数据的序列、id、名称、描述信息。
将序列保存到一个新的变量ncov_dna。
基因组序列的长度有29903bp
转录（从DNA to mrna）,保存到变量ncov_mrna
蛋白质信息
翻译（从mrna to protein/AA），保存到变量ncov_protein，提示长度不能被3整除，但是对我们的分析无伤大雅。
蛋白质序列。‘*’为终止密码子的标记。
氨基酸的长度为9967.
将蛋白质序列按照终止密码子*划分
将一整条，分为了多条蛋白质或多态。
利用一个循环将Seq格式的蛋白质序列，转换为字符串，并命名为ncov_clean。
转换蛋白质序列为DataFrame格式
调用Python数据分析库Pandas, 将蛋白质序列转换为DataFrame格式。进行下一步分析。
为蛋白序列数据框，定义一个AA数目列count
使用nlargest（）函数，得到前十大的蛋白质。最大的蛋白质为2701个氨基酸。
通过loc()函数，得到其氨基酸序列。
通过查询蛋白数据库PDB，可以检索到其名称与结构。
调用collections库，使用Counter()函数，计数前十蛋白质的氨基酸出现频率。L亮氨酸将近是N天冬氨酸的两倍。
还有。。。。探索与分析方法，小伙伴们可以自行去探索。
三、查看Covid的3D结构
6LU7: The crystal structure of COVID-19 main protease in complex with an inhibitor N3 (nih.gov)
我们以这个蛋白为例，展示蛋白三维可视化的方法。以及利用BioPython检索蛋白数据库。
安装可视化所需的包
pip install nglview
pip install py3Dmol
调用BioPython检索PDB蛋白数据库的命令，PDBParser。
然后得到6LU7蛋白数据与结构命名为structure.
调用py3Dmol库
查询6LU7蛋白。
设置蛋白颜色，并3D可视化。
以上就是用BioPython简单的分析蛋白质思想。
你学会了吗？还请继续关注大海哥，我们下期见~
大海哥还提供思路设计、定制生信分析、文献思路复现；有需要的小伙伴欢迎直接扫码咨询~
定制生信分析
服务器租赁
扫码咨询大海哥
往期回顾
01 |
02 |
03 |
04 |
https://mp.weixin.qq.com/s/PsBDemtKpwoEGZh8v_Tr1Q