COVID-19: Biopython으로 단백질 식별하는 방법 (Kaggle)

우선 이글은 Kaggle에 올라온 바이오파이썬에 대한 서술입니다. 

Kaggle에는 몇가지의 바이오파이썬에 대한 소스가 올라와 있는데 그 중 몇개의 소스를 소개하겠습니다. 

NCBI에서 핵산을 찾는 방법과 블라스트(BLAST) 사용법 정도는 알고 있는 것이 좋을 것 같습니다. 

 

https://www.kaggle.com/amiiiney/covid-19-proteins-identification-with-biopython

COVID-19: Proteins identification with Biopython

위 링크에 접속하면 COVID19 바이러스 단백질, SARS,  MERS와 박쥐코로나 바이러스에 대한 비교연구를 진행합니다. 

COVID-19: Proteins identification with Biopython 라는 주제로 바이오파이썬 코딩이 되어 있습니다.

 

 

 

 

>>>from Bio.SeqRecord import SeqRecord

>>>from Bio import SeqIO

>>>covid19 = SeqIO.read('MN908947.fasta', "fasta")

 

 

MN908947.fasta 파일은 NCBI에서 검색하거나 아래 파일을 참고하면 됩니다. 

 

MN908947.fasta

0.03MB

 

 

>>>print(f'The genome of the virus causing Covid-19 (known as SARS-CoV-2) consists of {len(covid19)} genetic bases or letters.')

 

The genome of the virus causing Covid-19 (known as SARS-CoV-2) consists of 29903 genetic bases or letters.

 

MN908947.fasta는 29903 개의 핵산을 가지고 있습니다. 

 

 

 

 

서열을 처음부터 200개만 화면에 나타낼 경우는 다음과 같은 명령어를 입력하면 됩니다. 

 

>>>covid_DNA= covid19.seq
>>>print( covid_DNA[:200])

 

ATTAAAGGTTTATACCTTCCCAGGTAACAAACCAACCAACTTTCGATCTCTTGTAGATCTGTTCTCTAAACGAACTTTAAAATCTGTGTGGCTGTCACTCGGCTGCATGCTTAGTGCACTCACGCAGTATAATTAATAACTAATTACTGTCGTTGACAGGACACGAGTAACTCGTCTATCTTCTGCAGGCTGCTTACGGT

 

핵산 

 

>>>DNA= covid_DNA
>>>nucleotides={}
>>>for n in DNA:
>>>    if n in nucleotides:
>>>        nucleotides[n] += 1
>>>    else:
>>>        nucleotides[n] =  1
>>>print(nucleotides)

{'A': 8954, 'T': 9594, 'G': 5863, 'C': 5492}

 

 

- 전사 (Transcrition)

 

 

DNA에서부터 RNA로 전사되는 과정으로 이후에 단백질로 합성되기전까지의 내용으로 T 대신에 U로 전사되는 서열을 표시합니다. 

 

 

>>>covid_mRNA = covid_DNA.transcribe()
>>>print(covid_mRNA[:100])

 

AUUAAAGGUUUAUACCUUCCCAGGUAACAAACCAACCAACUUUCGAUCUCUUGUAGAUCUGUUCUCUAAACGAACUUUAAAAUCUGUGUGGCUGUCACUC

 

>>>print(f'Covid-19 DNA: {covid_DNA[:50]}')
>>>print(f'Covid-19 RNA: {covid_mRNA[:50]}')

 

Covid-19 DNA: ATTAAAGGTTTATACCTTCCCAGGTAACAAACCAACCAACTTTCGATCTC

Covid-19 RNA: AUUAAAGGUUUAUACCUUCCCAGGUAACAAACCAACCAACUUUCGAUCUC

 

 

 

 

- 번역 (Translation) 

 

코돈(codon)으로 3개의 아미노산의 합성을 반영하는 코드로 아미노산으로의 번역으로 나타낼 수 있습니다. 

>>>covid_aa = covid_mRNA.translate()
>>>print(covid_aa[:99])

 

IKGLYLPR*QTNQLSISCRSVL*TNFKICVAVTRLHA*CTHAV*LITNYCR*QDTSNSSIFCRLLTVSSVLQPIISTSRFRPGVTER*DGEPCPWFQRE

 

>>>print(f"Covid-19's genome has {len(covid_aa)} amino acids")

 

Covid-19's genome has 9967 amino acids

 

>>>import pandas as pd

>>>import seaborn as sns

 

>>>Proteins = covid_aa.split('*')
>>>proteinas=pd.DataFrame(Proteins)
>>>proteinas['amino acid sequence'] = proteinas[0].apply(str)
>>>proteinas['Protein length'] = proteinas[0].apply(len)
>>>proteinas.rename(columns={0: "sequence"}, inplace=True)
>>>pro=proteinas.drop('sequence', axis=1)
>>>pro_= pro.sort_values(by=['Protein length'], ascending=False)
>>>pd.options.display.max_colwidth = 80
>>>cm = sns.light_palette("green", as_cmap=True)
>>>s = pro_.style.background_gradient(cmap=cm)
>>>s

 

>>>​pro_

 

CTIVFKRVCGVSAARLTPCGTGTSTDVVYRAFDIYNDKVAGFAKFLKTNCCRFQEKDEDDNLIDSYFVVKRHTFSN...	2701
ASAQRSQITLHINELMDLFMRIFTIGTVTLKQGEIKDATPSDFVRATATIPIQASLPFGWLIVGVALLAVFQSASK...	290
TNMKIILFLALITLATCELYHYQECVRGTTVLLKEPCSSGTYEGNSPFHPLADNKFALTCFSTQFAFACPDGVKHV...	123
AQADEYELMYSFVSEETGTLIVNSVLLFLAFVVFLLVTLAILTALRLCAYCCNIVNVSLVKPSFYVYSRVKNLNSS...	83
QQMFHLVDFQVTIAEILLIIMRTFKVSIWNLDYIINLIIKNLSKSLTENKYSQLDEEQPMEID	63
...	...

 

 

- BLAST (basic local alignment search tool)

 

PSI -블라스트에 접속합니다.

 

https://www.ebi.ac.uk/Tools/sss/psiblast/

PSI-BLAST < Sequence Similarity Searching < EMBL-EBI

아래 아미노산 서열 83개를 복사해서 PSI 블라스트에서 검색을 합니다. 

 

AQADEYELMYSFVSEETGTLIVNSVLLFLAFVVFLLVTLAILTALRLCAYCCNIVNVSLVKPSFYVYSRVKNLNSSRVPDLLV

 

 

검색된 결과는 다음과 같습니다. 

 

https://www.ebi.ac.uk/Tools/services/web/toolresult.ebi?jobId=psiblast-I20210715-080357-0241-13827134-p1m 

PSI-BLAST Results Summary

 

 

 

ORF (opren reading frame) 

 

mRNA로 전사되어 단백질로 번역되는 부분을 ORF라고 합니다. 

시작코돈과 종결코돈까지의 내용인데 COVID-19애서 나타나는 ORF 염기 서열 분석은 지난 실험에 대한 내용을 찾아 보면 됩니다. 

 

https://tsyoon.tistory.com/10

블라스트와 MEGA-X 염기서열 분석 비교 관련

 

 

ORF에 대한 내용은 위키나 다른 웹사이트에서도 다루는 내용이니 그 내용들을 참고하면 되겠습니다. 

 

 

https://ko.wikipedia.org/wiki/%EC%98%A4%ED%94%88_%EB%A6%AC%EB%94%A9_%ED%94%84%EB%A0%88%EC%9E%84

오픈 리딩 프레임 - 위키백과, 우리 모두의 백과사전

 

 

https://ko.wikipedia.org/wiki/GC_%ED%95%A8%EB%9F%89

GC 함량 - 위키백과, 우리 모두의 백과사전

 

GC 아일랜드 이야기들에 대한 분석도 중요한 연구내용중에 하나인데 GC 비율이 높을 수록 안정화 되어 있다라고 할 수 있습니다. 이에 대한 내용도 위키나 다른 사이트들을 참고하면 되겠습니다. 

오래전에 GC 아일랜드에 대한 실험을 진행했는데 이에 대한 내용은 구글링에서 찾아 볼 수 있습니다. 

 

CDS (codig seguence)를 찾아봄으로 코돈의 시작과 정지코돈을 찾아 볼 수 있습니다. CDS는 단백질의 아미노산 서열에 해당하는 뉴클레오티드의 서열입니다.

 

이 정도의 내용으로 Biopython으로 단백질 식별하는 방법 이라는 주제로 Kaggle에 올라온 바이오파이썬에 대한 내용을 대략적으로 살펴 보았습니다. 

 

주피터 노트북에 하나씩 실습해보면 그리 어렵지 않은 내용입니다. 중간 중간에 Pandas 라이브러리도 사용해서 도식화도 해 보면서 데이터를 시각화하기도 합니다. 

 

이외에 여러가지 바이오파이썬을 이용한 분석방법이 있습니다. 하나하나씩 살펴보면 바이오파이썬을 학습하는데 많은 도움이 될 것이라고 봅니다. 

 

 

 

https://www.kaggle.com/freddieta/rna-similarity-sars-mers-cov2

RNA Similarity_SARS_MERS_COV2

 

 

 

 

https://www.kaggle.com/bretts/sars-cov-2

SARS-CoV-2

 

 

 

 

https://www.kaggle.com/bhageshcodebeast/biopython-covid19-data-analysis-3d-visualization

Biopython-Covid19 Data Analysis & 3D Visualization

 

 

 

 

 

 

 

https://www.kaggle.com/eugeniaanello/biopraticals

BioPraticals