实验篇——亚细胞定位

文章目录

前言

有关亚细胞定位的详细信息，请参考另一篇文章：
理化性质与亚细胞定位

一、亚细胞定位的在线网站

1. UniProt

网址：https://www.uniprot.org/
在这个网站中有一个关键的概念——ID映射（若AA序列文件不是在该官网中下载的，而是从外界导入的，那么要先将AA序列的ID转变为UniProt ID)

请添加图片描述

注意：首先要清楚待转换的AA序列的ID标识符来源于哪个数据库

在这里插入图片描述

我输入了“sp|Q9FIK7.1|AACT1_ARATH”，这是某个AA序列的ID，得到如下结果，可知道它对应的UniProt ID 为 “Q8S4Y1”

在这里插入图片描述

然后在搜索栏中输入该名称，得到

请添加图片描述

2. WoLFPSORT

网址：https://wolfpsort.hgc.jp/
这个网站可以批量处理小量的AA序列，允许的大小（200K），根据实际情况，一般可以容纳几百到几千个氨基酸序列。

请添加图片描述

在这里插入图片描述

结果查看：

请添加图片描述

示例：

LaggChr1G00000010.1 details chlo: 5, nucl: 3.5, mito: 3, cyto_nucl: 3, cyto: 1.5, cysk: 1

LaggChr1G00000010.1这个蛋白质的亚细胞定位信息如下：

叶绿体（chlo）得分：5
细胞核（nucl）得分：3.5
线粒体（mito）得分：3
细胞质-细胞核（cyto-nucl）得分：3
细胞质（cyto）得分：1.5
细胞骨架（cysk）得分：1
这些得分表示蛋白质在各个亚细胞定位的可能性，较高的得分表示较高的概率。

他们是按得分排列的，故取第一个就行。

3. BUSCA

url： http://busca.biocomp.unibo.it/
最多可以输入500个序列
可以下载结果表格（还挺方便）

请添加图片描述
结果查看：
请添加图片描述

4. TargetP-2.0

TargetP-2.0
url = http://www.cbs.dtu.dk/services/TargetP/
我看了一下，它介绍中说能处理5000个AA序列，但是要得到结果文件是要下载这个软件，在网页上看不到结果（我没下载，因为下载它好像要填一些信息什么的）

二、代码实现

1. 基于UniProt（不会）

推荐：这是一篇有关于用R语言实现“根据uniprot ID 批量检测基因的亚细胞定位“
这篇文章是在已知道Uniprot ID的情况下实现的爬取

我最开始也是看的这篇文章，所以想要基于uniProt官网来通过爬虫爬取。但是我弄了好久才有点搞懂这个网站（它的功能太多了，太繁杂）。最主要是那个ID映射（我完全卡在这第一步了），因为我并不知道我的AA序列的ID来自哪个数据库 ，而且全是英文，就相当于我用之前还要了解好多数据库。我也看了许多关于这个官网介绍的教程，也是有点…

2. 基于WoLFPSORT

主要是对结果的整理
从前文可知，它返回的结果是一堆的，要想从中提取出来蛋白质的亚细胞定位，可以用代码实现

import requests
url = "https://wolfpsort.hgc.jp/results/pLAcbca22a5a0ccf7d913a9fc0fb140c3f4.html"
r = requests.get(url)
print(r.status_code)
# print(r.encoding)
text = r.text
# print(text)
lines = text.split("<BR>")
AA_ID_list = []
yaxibao_list =[]
for i in lines:
    if "details" in i:
        AA_ID = i.split("<A")[0].strip().split()[-1]
        yaxibao = i.split("details")[1].strip().split()[1][:-1]
        AA_ID_list.append(AA_ID)
        yaxibao_list.append(yaxibao)
with open("yaxibao.csv","w",encoding="utf-8") as f:
    f.write("AA_ID, yaxibao\n")  # 写入列名
    for j in range(len(AA_ID_list)):
        f.write(f"{AA_ID_list[j]}, {yaxibao_list[j]}\n")

text：
在这里插入图片描述

yaxibao.csv：

在这里插入图片描述

后续（已完善，有关代码放置于python爬虫学习（一））：

因为在WoLF PSORT官网中一次提交的数据大小最多200kb,那 我可以试着将原来几万kb大小的AA序列的大文件分为小文件，（之前说错了，之前的那个划分文件的函数是根据文件的行数划分的，而不是AA序列的ID数。我要将大的AA序列文件划分为小的AA序列文件，是要根据AA序列的ID划分，不然就会导致AA的ID 与AA的序列不连贯这种情况。故我又重新修改了一下）。
所以根据估算，这个WoLF PSORT官网中一次提交的AA序列最多也是差不多500左右。与那个BUSCA网站的差不多。

若是一定要批量处理大量的AA序列，可以尝试运用爬虫：
（一个思路，其中结果页面的url无法获得）

import requests
import os
import pandas as pd
from bs4 import BeautifulSoup

def split_gene_file(source_file, output_folder, ids_per_file):
    os.makedirs(output_folder, exist_ok=True)
    current_file = None
    count = 0
    with open(source_file, "r") as f:
        for line in f:
            if line.startswith(">"):
                count += 1
                if count % ids_per_file == 1:
                    if current_file:
                        current_file.close()
                    output_file = f"{output_folder}/gene_file_{count // ids_per_file + 1}.csv"
                    current_file = open(output_file, "w", encoding='utf-8')
                current_file.write(line)
            else:
                current_file.write(line)

    if current_file:
        current_file.close()


split_gene_file("D:\yuceji\Lindera_aggregata.gene.pep", "gene1", 500)


files = os.listdir("D:\python\PycharmProjects\pythonProject1\爬虫\gene1")


base_url = "https://wolfpsort.hgc.jp/"
new_url = []
for i in range(len(files)):
    with open(f"D:\python\PycharmProjects\pythonProject1\爬虫\gene1\gene_file_{i + 1}.csv", "r") as f:
        aa_sequence = f.read()

    # 构建WoLFPSORT请求的数据
    data = {
        "seq": aa_sequence
    }

    # 发送POST请求到WoLFPSORT官网
    response = requests.post(base_url, data=data)

    print(response.status_code)
    print(response.text)
    
    # 检查请求是否成功
    if response.status_code == 200:
        # 解析结果页面的URL
        soup = BeautifulSoup(response.content, "html.parser")
        result_links = soup.find_all("a", href=True)
        print(result_links)

        result_url = None
        # 遍历所有的链接
        for link in result_links:
            href = link.get("href", "")

            # 判断链接是否包含 "results"
            if "results" in href:
                result_url = base_url + href
                break

        if result_url:
            print(result_url)
            new_url.append(result_url)
        else:
            print("无法找到亚细胞定位结果页面的URL")


for i in range(len(new_url)):
    # url = "https://wolfpsort.hgc.jp/results/pLAcbca22a5a0ccf7d913a9fc0fb140c3f4.html"
    r = requests.get(new_url[i])
    print(r.status_code)
    # print(r.encoding)
    text = r.text
    # print(text)
    lines = text.split("<BR>")
    AA_ID_list = []
    yaxibao_list = []
    for i in lines:
        if "details" in i:
            AA_ID = i.split("<A")[0].strip().split()[-1]
            yaxibao = i.split("details")[1].strip().split()[1][:-1]
            AA_ID_list.append(AA_ID)
            yaxibao_list.append(yaxibao)
    with open(f"yaxiba{i}o.csv", "w", encoding="utf-8") as f:
        f.write("AA_ID, yaxibao\n")  # 写入列名
        for j in range(len(AA_ID_list)):
            f.write(f"{AA_ID_list[j]}, {yaxibao_list[j]}\n")

这个爬虫代码中返回的url并不是我要的那种，例如：https://wolfpsort.hgc.jp/results/pLA2dbb41dafad4afb342b5000abcb263b1.html
而是：（如图所示） 请添加图片描述

我点进这个链接是这样的：
在这里插入图片描述

我也不知道为什么，只能等我再学学爬虫，希望之后能解决这个问题吧！（当然也希望有大佬能帮忙指教一下）

我还看了看结果页面的源代码（HTML语言）：
在这里插入图片描述

怎么说呢，既然我不能爬取到结果页面的url,那我只能将结果页面url的获得的步骤放在官网中实现，而后面的结果整理则用代码实现。

总结

本章详细介绍了许多用于亚细胞定位的网站，其中，我还是比较推荐 WoLFPSORT这个网站的（简单易懂，十分好上手）。至于后续的代码实现我也是基于这个网站，但是因为爬虫学习还不到位（无法爬取到结果页面的url)。只能等以后在学习爬虫时，再修改。

羌笛何须怨杨柳，春风不度玉门关。

–2023-8-12 实验篇

# 数据库 # redis # 缓存
Logo
GitCode 开源社区

旨在为数千万中国开发者提供一个无缝且高效的云端环境，以支持学习、使用和贡献开源项目。

更多推荐

cover

GitTalk | DevUI Admin 前端项目构建

avatar GitCode 开源社区
cover

GitTalk | 使用面向业务的狮偶编程语言提升开发效率

avatar GitCode 开源社区
cover

GitTalk | DevUI Suits 场景解决方案

avatar GitCode 开源社区