生信刷题之ROSALIND——Part 4 (MPRT, MRNA, ORF)
目录
- 写在前面
- 1、Finding a Protein Motif
- Problem
- Sample Dataset
- Sample Output
- Code
- Output
- 2、Inferring mRNA from Protein
- Problem
- Sample Dataset
- Sample Output
- example
- Code
- Output
- 3、Open Reading Frames
- Problem
- Sample Dataset
- Sample Output
- Code
- Output
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 redef 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 sequencedef 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 = 0while 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:breakelif re.match(pattern, sequence[index:]) is not None:motif_positions += f"{index + 1} "return motif_positionsdef 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}\n{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 Proteindef 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 = 1for aa in sequence:if aa in rna_codon_table.keys():number *= len(rna_codon_table[aa])number *= len(rna_codon_table["Stop"])return number % 1000000print(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 Framesdef 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] += linereturn sequencesdef 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_sequencedef 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:breakreturn proteindef 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)breakreturn orfsdef 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
生信刷题之ROSALIND——Part 4 (MPRT, MRNA, ORF)相关推荐
- 肿瘤/非肿瘤/单基因/单细胞/非编码：史上最全生信分析攻略！！！
解读生信之美,探讨每篇文献背后的逻辑 非肿瘤专栏:条条大路通罗马 1.4+非肿瘤生信分析+铁死亡/焦亡/自噬/代谢/免疫的万能钥匙 短评:适合一些热门机制如铁死亡/焦亡/自噬等在非肿瘤疾病中的研究 2 ...
- 生物信息学算法之Python实现|Rosalind刷题笔记：001 碱基统计
前言 Rosalind is a platform for learning bioinformatics and programming through problem solving. Rosal ...
- 生物信息学算法之Python实现|Rosalind刷题笔记：002 中心法则：转录
我在生物信息学:全景一文中,阐述了生物信息学的应用领域非常广泛.但是有一点是很关键的,就是细胞内的生命活动都遵从中心法则,生物信息学很多时候就是在中心法则上做文章: 分子生物学中心法则:DNA --& ...
- 生物信息学算法之Python实现|Rosalind刷题笔记：003 中心法则：翻译
我在生物信息学:全景一文中,阐述了生物信息学的应用领域非常广泛.但是有一点是很关键的,就是细胞内的生命活动都遵从中心法则,生物信息学很多时候就是在中心法则上做文章: 分子生物学中心法则:DNA --& ...
- 计算机四级手机刷题软件,计算机四级-为计算机四级备考生提供题库练习和搜题学习的刷题软件...
计算机四级是一款刷题软件,为计算机四级备考生提供题库练习和搜题学习.计算机四级app中提供了丰富的题库,首先备考生需要选择好备考科目,然后就可以练习到对应的模拟试题和历年真题.计算机四级app中提供的 ...
- 在应届生眼中：非算法程序员，刷题的意义
1. 专业素养提升 当你到初公司上班,可能会有以下这两种困境.其一,企业开发相对于在校项目实践存在非常大的区别.企业项目开发需要开发人员配合公司的技术支持,业务需求,开发要求以及结果要求.而你在校的项 ...
- C#LeetCode刷题-字符串
字符串篇 # 题名 刷题 通过率 难度 3 无重复字符的最长子串 24.6% 中等 5 最长回文子串 22.4% 中等 6 Z字形变换 35.8% 中等 8 字符串转整数 (atoi) 15.3% 中 ...
- 如何看待为了进 Google、微软等外企大量刷题？
来源:https://www.zhihu.com/question/35133069 编辑:深度学习与计算机视觉 声明:仅做学术分享,侵删 作者:程墨Morgan https://www.zhihu. ...
- LeetCode刷题笔记（算法思想 四）
LeetCode刷题笔记(算法思想 四) 七.动态规划 斐波那契数列 70. 爬楼梯 198. 打家劫舍 213. 打家劫舍 II 信件错排 母牛生产 矩阵路径 64. 最小路径和 62. 不同路径 ...
最新文章
- JSPServlet路径问题
- mysql 39 t.id 39_Day39----MySQL系列
- 使用Python的http.server实现一个简易的Web Api对外提供HanLP拼音转换服务
- 纯css制作带三角(兼容所有浏览器)
- Win10系统添加 Win10 LTSC2019闹钟
- Spark排错与优化
- 深度学习图像分类（二）：AlexNet
- Android mvp 架构的自述
- AB余商c语言编程答案,C语言课后题编程答案
- 超级大反派降临：当黑客可以摧毁人造卫星
- 新版火狐浏览器安装Flash组件,解决部分网站视频无法观看问题
- mysql创建表报错1055的原因_MySQL 报错 1055
- Ubuntu 20.04 系统自带中文输入法在PyCharm只能输入3个字母的问题
- 下载和安装MySQL(傻瓜)教程
- html 使用iframe引入视频但无法全屏播放，问题解决
- 关于Mac 下载vscode 过于缓慢的解决办法，亲测有效
- CTF -bugku-misc（持续更新直到全部刷完）
- 斗破苍穹文字页游php_《斗破苍穹》在网文中的地位到底怎么样？
- 锁屏唤醒定时任务的处理方式
- 微信小程序console打印json数据