Question

我想将一个字符串（1）与另一个字符串（2）匹配，并根据字符串（1）中包含的序列信息，基于字符串（2）提取位置信息。我有一个包含肽（氨基酸）序列以及其他化学修饰信息的数据框。这些发生在M或C位置。我希望能够将这些字符串与原始文件匹配，该文件具有使用光谱匹配算法匹配的所有蛋白质序列，并从该蛋白质输出氨基酸和位置。

我已经使用seqinr包读取了一个.fasta文件，该文件包含20320个条目，条目看起来像这样：

$`sp|Q9Y478|AAKB1_HUMAN` [1]"MGNTSSERAALERHGGHKTPRRDSSGGTKDGDRPKILMDSPEDADLFHSEEIKAPEKEEFLAWQHDLEVNDKAPAQARPTVFRWTGGGKEVYLSGSFNNWSKLPLTRSHNNFVAILDLPEGEHQYKFFVDGQWTHDPSEPIVTSQLGTVNNIIQVKKTDFEVFDALMVDSQKCSDVSELSSSPPGPYHQEPYVCKPEERFRAPPILPPHLLQVILNKDTGISCDPALLPEPNHVMLNHLYALSIKDGVMVLSATHRYKKKYVTTLLYKPI"

我有一个单独的数据框，其中包含一个肽列表，例如：

           ptm_probability                    ptm_peptide            protein_ID protein_description
1 C(1.000)SDFTEEIC(1.000)R K.C[478.99]SDFTEEIC[478.99]R.R sp|P50213|IDH3A_HUMAN Isocitrate dehydrogenase [NAD] subunit alpha, mitochondrial OS=Homo sapiens GN=IDH3A PE=1 SV=1

ptm_probability中的氨基酸序列显示了得分和存在该修饰的可能性。 ptm_peptide中的序列具有"."表示的序列之前和之后的氨基酸，而修饰包含在方括号[478.99]中。修饰可以包含不同的数字。

理想情况下，我希望输出包含一列肽列表，该列显示氨基酸的一个字母代码，然后是蛋白质中的数字位置：

position
C32
C16, C20

哪些软件包/功能可以使我做到这一点？我可以尝试按原样匹配序列并给出命令以忽略修改[478.99]以适应当前fasta文件格式的命令吗？还是应该先剥离mod，然后再根据肽的起始/终止位置计算出相对位置？如果我必须将成百上千的肽序列与20k列表进行匹配，什么是快速的方法？任何建议将不胜感激。

Answer 1

我不确定您的数据格式。对于我的解决方案，我假设您有一个带有大写蛋白质的载体，并且我使用了ptm_probability列的格式。该功能会针对所有蛋白质检查一种肽，因此使用lapply或purrr:map在所有肽上运行它应该是相当简单的。

我的解决方案基本上将修饰的氨基酸转换为小写，然后寻找蛋白质序列中小写字母的位置。它返回一个列表，其中每个蛋白质中存在一个具有修饰的氨基酸及其位置的特征向量。

数据：

proteins <-c("PRQTEINCSDFTEEICRPRQTEIN",
             "SOMEPRQTEINCSDFTEEICRQTHER",
             "PRQTEINPRQTEIN")

peptide <- c("C(1.000)SDFTEEIC(1.000)R")

功能：

library(stringi)
library(purrr)

find_mods <- function(proteins, peptide){

  # first convert the amino acid with the modificiation
  # (prior to the opening parenthesis) to lowercase
  peptide <- gsub("(.)(?=\\()", "\\L\\1", peptide, perl = TRUE)

  # strip everything that is not a letter from the peptide string
  peptide <- gsub("[^[:alpha:]]", "", peptide)

  # do a case insensitive matching of the peptide sequence in the protein
  # and replace that occurrence with the peptide sequence. Now the modified
  # amino acids in the protein are in lowercase
  pattern <- paste0("(?i)", peptide)
  proteins <- gsub(pattern, peptide, proteins, perl = TRUE)

  # Find the lowercase letters in all proteins
  a <- gregexpr("[a-z]", proteins)
  matches_a <- regmatches(proteins, a)

  # Find the positions of all lowercase letters in all
  # proteins 
  l1 <- stringi::stri_locate_all(proteins, regex = "[a-z]")

  #combine letter and position of the modifications
  purrr::map2(matches_a,l1, ~ paste0(toupper(.x),.y[,1]) )
  }

输出：

find_mods(proteins, peptide)
[[1]]
[1] "C8"  "C16"

[[2]]
[1] "C12" "C20"

[[3]]
[1] "NA"

在另一个字符串（2）中匹配字符串（1），并根据字符串（2）提取位置信息

1 个答案: