Uniprotで調べた標的タンパクのSummaryとPDBを取得する

Grüezi,

Biopythonのライブラリを使ってUniprotをいじってみたので，以下覚書．

# ライブラリのimport
import pandas as pd
from Bio import SeqIO
from Bio.PDB import PDBList as pdbl
from urllib.request import urlopen

# 調べたいタンパクのUniprotKB accession numberのリスト(一つでもOK)
keys = [
    'Q96SW2', 
    'Q68DV7'
]

# 空のDataFrameを作成
summary = pd.DataFrame(index = keys, columns = ['name', 'description', 'pathway', 'tissue', 'subcellularlocation', 'function', 'PDB count', 'PDB'])

# Uniprotにアクセスしてtableを作成
for keyword in keys:
    handle = urlopen("http://www.uniprot.org/uniprot/" + keyword + ".xml")
    record = SeqIO.read(handle, "uniprot-xml")
    dbx = record.dbxrefs
    dfIO = pd.DataFrame(dbx)
    df = dfIO[0].str.split(':', expand=True)
    df.columns = ['name', 'id', 'and']
    dfPDB = df[df['name']=='PDB']
    PDBs = list(dfPDB['id'])
    summary['name'][keyword] = record.name
    summary['description'][keyword] = record.description
    summary['pathway'][keyword] = ''.join(record.annotations['comment_pathway'])
    summary['tissue'][keyword] = ''.join(record.annotations['comment_tissuespecificity'])
    summary['subcellularlocation'][keyword] = ', '.join(record.annotations['comment_subcellularlocation_location'])
    summary['function'][keyword] = ''.join(record.annotations['comment_function'])
    summary['PDB count'][keyword] = str(len(PDBs))
    summary['PDB'][keyword] = ', '.join(PDBs)
summary.T

# タンパク名のDirectoryを作成してPDBをDL
for pdb_id in PDBs:
        pdbl().retrieve_pdb_file(pdb_id, pdir=record.description)
print('fertig')

こんな感じのDataFrameが出力されればOKです． 以下，要所だけ説明．

# keywordのxmlにアクセス
handle = urlopen("http://www.uniprot.org/uniprot/" + keyword + ".xml")
# recordの作成
record = SeqIO.read(handle, "uniprot-xml")
print(record)

XMLはタグ付きの情報なわけですが，Uniprotのxmlは私のような素人にはちょっと複雑です．
Biopythonを使うと，dic形式っぽいrecordを作成出来ます，が... ooops...みたいになります．
情報量が多くて絶望しそうになりますが，XMLなので情報がタグ付けされてます．
ざっくり言うと，[ID, name, Description, Database cross-references, annotation, sequence]みたいな構成になっています．
ここからBiopythonのinstanceで目的にあった情報を抽出してこれます． record.と入力した後にtabを押すといい感じに候補が出てきます．，
例えばidなんかは比較的シンプルで，

record.id
# 'Q68DV7'

みたいに返ってきますが，Database cross-referencesとannotationは，ややむずです．

record.annotations

ではannotationがdictionaryで返ってきます．

つまり，keyでslicingしてやればvalueが返ってきます．
例えば，

record.annotations['comment_PTM']
# ['Autoubiquitinated.']

みたいにリストで返ってきます．
こいつ自己Ub化されるんか．

record.dbxrefs

でDatabase cross-referencesのリストが返ってきます．
使いづらw
ここで欲しい情報だけとってくるのにひと工夫必要でした．

# Database cross-referencesのDataFrame作成
dbx = record.dbxrefs
dfIO = pd.DataFrame(dbx)
# ':' でstringを分割
df = dfIO[0].str.split(':', expand=True)
# カラム名の割り当て
df.columns = ['name', 'id', 'and']
# 'PDB'を含むrowをfilter
dfPDB = df[df['name']=='PDB']
# PDB IDをリストに変換
PDBs = list(dfPDB['id'])
PDBs
# ['4KNG']

私が欲しいのはPDB IDのリストなんで上の処理ですが，DOIやPubMed IDでも同じことがもちろん出来ます．
Database cross-referencesもannotationみたいに最初からdictionaryでくれれば苦労が少ない気が...

さてさて，以上の内容をfor文で回してあげたのが冒頭のスクリプトで，複数のタンパクのsummaryをUniprotからDataFrameへと出力出来ます．

ちなみに今回例にしたRNF43ですが，先日PROTACの報告がありました．
膜局在型E3Ligaseなんてものがあるらしく，標的とRNF43をバイスペ抗体で近づけてやるとpolyUb63化されてLysosomeで分解されるんだとか．
「節子，それPROTACちゃう，LYTACや」
ってツッコミはなかったのかなーとか思ったり．

ちなみに本当はlxmlというライブラリを使った方が色々情報取れるはずなんですが，それは勉強中なので宿題ということで． seiyakukenkyusya.com

それではBis Wald, tschüß.