BioPython: аминокислотная последовательность содержит букву J и не может рассчитать молекулярную массу

Данные, с которыми я работаю, поступают в файл Excel с аминокислотной последовательностью в индексе 1. Я пытаюсь вычислить различные атрибуты на основе последовательности с помощью BioPython. Код, который у меня есть сейчас:

import xlrd
import sys
from Bio.SeqUtils.ProtParam import ProteinAnalysis

print '~~~~~~~~~~~~~~~ EXCEL PARSER FOR PVA/NON-PVA DATA ~~~~~~~~~~~~~~~'

print 'Path to Excel file:', str(sys.argv[1])
fname = sys.argv[1]
workbook = xlrd.open_workbook(fname, 'rU')

print ''
print 'The sheet names that have been found in the Excel file: '
sheet_names = workbook.sheet_names()
number_of_sheet = 1
for sheet_name in sheet_names:
    print '*', number_of_sheet, ':     ', sheet_name
    number_of_sheet += 1

with open("thefile.txt","w") as f:
    lines = []
    f.write('LENGTH.SEQUENCE,SEQUENCE,MOLECULAR.WEIGHT\n')
    for sheet_name in sheet_names:
        worksheet = workbook.sheet_by_name(sheet_name)
        print 'opened: ', sheet_name
        for i in range(1, worksheet.nrows):
            row = worksheet.row_values(i)
            analysed_seq = ProteinAnalysis(row[1].encode('utf-8'))
            weight = analysed_seq.molecular_weight()
            lines.append('{},{},{}\n'.format(row[2], row[1].encode('utf-8'), weight))
    f.writelines(lines)

Это работало, пока я не добавил расчет молекулярной массы. Это показало следующую ошибку:

Traceback (most recent call last):
  File "Excel_PVAdata_Parser.py", line 28, in <module>
    weight = analysed_seq.molecular_weight()
  File "/usr/lib/python2.7/dist-packages/Bio/SeqUtils/ProtParam.py", line 114, in molecular_weight
    total_weight += aa_weights[aa]
KeyError: 'J'

Я просмотрел файл данных Excel, и это показывает, что аминокислотная последовательность действительно содержит J. Кто-нибудь знает пакет BioPython, который улавливает там «неизвестные аминокислоты», или есть другое предложение?


python xlrd bioinformatics biopython
person Anna Jeanine    schedule 10.02.2017    source источник
comment
Эта проблема, похоже, очень специфична для пакета, и это не какой-либо стандартный модуль python. Я бы посоветовал заглянуть на конкретный форум или на страницу проекта на github.   -  person Raf    schedule 10.02.2017

Ответы (2)


arrow_upward
2
arrow_downward

Как сказал peterjc, J - это неоднозначное кодирование аминокислот для лейцина (L) или изолейцина (I). Оба имеют одинаковую молекулярную массу:

>>> from Bio.SeqUtils.ProtParam import ProteinAnalysis
>>> ProteinAnalysis('L').molecular_weight()
131.1729
>>> ProteinAnalysis('I').molecular_weight()
131.1729

Таким образом, вы можете временно заменить все вхождения J на L или I для расчета молекулярной массы.

person BioGeek    schedule 10.02.2017
comment
Большое спасибо! Я напишу функцию для проверки последовательности и замены J, когда она встречается, на L. - person Anna Jeanine; 11.02.2017
comment
Я должен был это проверить, хорошо заметил. Для Biopython было бы разумно сделать это для J без вмешательства пользователя. Вы хотите сделать запрос на перенос или зарегистрировать проблему? - person peterjc; 12.02.2017

arrow_upward
3
arrow_downward

Biopython использует молекулярные массы белков из IUPAC, см. https://github.com/biopython/biopython/blob/master/Bio/Data/IUPACData.py

J представляет собой неоднозначную аминокислоту, кодирующую лейцин или изолейцин (L или I), и используется в ЯМР, где невозможно отличить их друг от друга.

В зависимости от того, зачем вам нужен молекулярный вес, вам может быть целесообразно использовать среднее значение веса, используя L и I?

person peterjc    schedule 10.02.2017
comment
Большое спасибо! Я напишу функцию для проверки последовательности и замены J, когда она встречается, на L. - person Anna Jeanine; 11.02.2017