dvcrn 蛋白质关键序列片段预测分析
核心文件
- 主分析脚本：
scripts/serine_protease_analysis.py（完整分析流程，可复用于任意蛋白家族） - 批量运行入口：
scripts/run_full_analysis.py（多物种批量 + 大样本采样） - 方法细节：
references/method.md - 功能域参考：
references/functional_domains.md（含 S1 丝氨酸蛋白酶示例；分析其他蛋白家族时需补充对应功能域）
适用蛋白家族
本流程适用于任何蛋白质家族，不限于丝氨酸蛋白酶。分析其他蛋白时：
- Step 1-3（序列读取、MSA、共识序列提取）：完全通用，无需修改
- Step 4 功能块匹配：需在
KNOWN_MOTIFS和CONSERVED_BLOCKS中补充目标蛋白家族的已知特征序列 - 推荐来源：Pfam / InterPro / UniProt 对应蛋白家族的保守域注释
快速运行
# 单物种分析
cd <工作目录>
python3 serine_protease_analysis.py <物种名> <fasta路径>
# 多物种批量分析（推荐）
# 1. 将各物种 .fasta 文件放入 input_clean/ 目录
# 2. 运行批量脚本
python3 run_full_analysis.py
分析流程
Step 1：序列读取
- 解析标准 FASTA 格式
- 统计序列数量和长度分布
- 大样本处理：序列数超过阈值时随机采样（见
references/method.md）
Step 2：多序列比对（MSA）
- 工具：ClustalOmega（需预安装：
apt install clustalo或conda install clustalo） - 输出对齐后的 FASTA 文件
- 单序列物种跳过 MSA，直接使用原始序列
Step 3：共识序列提取
- 各位点最高频氨基酸占比 ≥ 阈值（默认 0.5）则写入，否则标 X
- 去除 gap（
-）后得到连续共识序列
Step 4：关键片段识别（三维度并行）
- 已知功能块匹配：在共识序列中搜索 Pfam S1 家族特征序列（GDSG、GDSGGP 等）
- 高保守连续区检测：保守率 ≥ 90%、长度 ≥ 6aa 的连续区段
- 保守 Cys 检测：统计共识序列中 Cys 数量（潜在二硫键网络）
Step 5：生成报告
- 每物种：
_分析报告.md（可读报告）+_key_fragments.json（结构化数据） - 全物种：
汇总分析报告.md
输出文件结构
<工作目录>/
├── 汇总分析报告.md
└── results/
└── <物种名>/
├── <物种名>_input.fasta # 参与 MSA 的序列
├── <物种名>_aligned.fasta # MSA 结果
├── <物种名>_consensus.fasta # 共识序列
├── <物种名>_key_fragments.json # 关键片段数据
└── <物种名>_分析报告.md # 可读报告
关键参数
| 参数 | 默认值 | 说明 |
|---|---|---|
THRESHOLD |
0.5 | 共识序列保守性阈值（可在脚本顶部修改） |
MAX_SEQ |
50 | 超过此数量时触发随机采样 |
SAMPLE_SIZE |
50 | 采样序列数 |
MIN_LEN |
6 | 高保守区最小长度（aa） |
HIGH_CONSERVATION |
0.90 | 高保守区保守率阈值 |
命名规范
- 工作目录命名：
关键片段预测_YYYYMMDD - 物种文件名建议：
NN_<学名>_<中文名>.fasta（NN 为两位编号，便于排序） - 已完成物种自动跳过（检测到
_分析报告.md+_key_fragments.json则跳过）
依赖环境
- Python 3.8+
- ClustalOmega（
clustalo --version验证） - 无需额外 Python 包（仅使用标准库）
注意事项
- 详细方法说明见
references/method.md - 已知功能域及保守块列表见
references/functional_domains.md - 脚本修改参数时，同步更新
serine_protease_analysis.py和run_full_analysis.py中的对应变量