python 伺服器批次處理得到PSSM矩陣的問題

2022-07-21 14:01:29

1. 在linux上安裝psiblast

最好新建一個python環境，因為我發現conda安裝blast預設的是python==3.6.11，可能會不小心把你的python版本改掉…然後你寫好的程式碼全die了……

conda create -n blast python==3.6.11
source activate blast
conda install -c bioconda blast

2.下載並編譯用於比對的大型蛋白質資料庫

nr和uniprot是比較通用的資料庫：

ftp://ftp.ncbi.nlm.nih.gov/blast/db/
https://www.uniprot.org/downloads

1)nr是ncbi收集的目前所有微生物的蛋白序列，是用來計算氨基酸一般情況下的頻率的，160G

2)uniprot90根據相似性做了一個去冗餘，所以比nr要小很多，56G

# 以uniprot90為例
wget ftp://ftp.uniprot.org/pub/databases/uniprot/uniref/uniref90/uniref90.fasta.gz # 下載
gzip -d uniref90.fasta.gz # 解壓
makeblastdb -in uniref90.fasta -parse_seqids -hash_index -dbtype prot # 編譯

解析完成後的樣子：

檔案是這個樣子：（只擷取了一部分）

3. 獲取PSSM矩陣

我的初始檔案是：

P00269.fasta是對單條蛋白質處理，裡面的格式是：

testset.fasta是對蛋白質集合批次處理，裡面的格式是（也可以單獨蛋白質存為.fasta檔案，由於blast只能處理單條蛋白糊，把這個集合知識歸總的意思，第一步還是要生成單條蛋白質的.fasta檔案，所以這個檔案看個人意願）：

1）單條蛋白質序列的處理方法

import os
os.system('psiblast -query dataset/P00269.fasta -db /PSSM/uniref90.fasta -num_iterations 3 -out_ascii_pssm /dataset/P00269.pssm')##這個蛋白質好慢呀

2）批次處理獲取的方法

import os
 
file_name='/dataset/testset.fasta'
Protein_id=[]
with open(file_name,'r') as fp:
    i=0
    for line in fp:
 
        if i%2==0:
            # Protein_id.append(line[1:-1])
            id=line[0:-1]
            p=line[1:-1]
            with open ('/dataset/'+str(p)+'.fasta','a') as protein:
                protein.write(id)
                # protein.write()
        if i%2==1:
            seq=line[0:-1]
            with open ('/dataset/'+str(p)+'.fasta','a') as protein:
                protein.write('n')
                protein.write(seq)
        i=i+1
 
        os.system('psiblast -query '+'/dataset/'+str(p)+'.fasta -db /PSSM/uniref90.fasta -num_iterations 3 -out_ascii_pssm /dataset/'+str(p)+'.pssm')

##PSSM真是太慢了，下面是隻生成一個後的截圖