0

我下载了一组蛋白质的 Uniprot 文件（n>1000，因此无法手动检查这些蛋白质）。完整的数据文件以平面文本文件或 XML 文件的形式提供。这些文件中有很多信息（例如，请参见此处：http ://www.uniprot.org/uniprot/?query=organism%3A%22homo+sapiens%22 ，然后去下载，您可以查看前 10 个完整数据（txt 或 xml 文件）。

由于其中有很多我不需要的信息，我必须找到一种方法来选择我感兴趣的信息（最好是在数据矩阵中）。对于每个条目，这是：

Wanted information:                 Text file entry:    XML file entry:
Uniprot ID                          ID                  <entry><name>
Gene Name                           GN                  <gene><name type="primary">
Full protein name                   RecName:            <protein><recommendedName><fullName>
Transmembrane domains (may be more) TRANSMEM            <feature type="transmembrane region"><location> This consists of <begin position="xxx"/> and <end position="yyy"/>
Full protein sequence               SQ                  <sequence>

有些条目不会包含所有信息（如跨膜域），然后可能会填写一个 NA。有些条目将包含超过 1 次相同类型的信息（再次如跨膜域），对于这些，都应该命名（如果可能在同一个单元格中，用“，”或“;”或“|”分隔）。

我对 R 有点熟悉，但我无法做到这一点（可能是缺乏编程技能）。我查看了 XML 编辑器（因为这似乎是最简单的解决方案），但我无法让任何工作，我根本找不到可以帮助我的东西并解释了不同的步骤。我也知道应该有一种方法可以在 R 中处理 XML 文件，但是那里的帮助文件也没有让我到达我需要的地方。在 XMLQuire 中，到目前为止我唯一可以下载的东西，我可以看到该文件，但是当我想做任何事情时它一直在我身上崩溃（即使我只是想弄清楚我可以在哪里编辑文件)，所以我的文件可能太长或者还有其他问题。

对此问题的帮助将不胜感激，我希望找到做过类似事情的人，但欢迎所有解决方案，无论多么小，无论我需要使用哪个程序，只要它是免费软件。

如果事情不清楚，也请告诉我，我真的尽量做到清楚。很抱歉在这个问题上是个金发女郎。

4

1 回答 1

0

正如我在评论中提到的，如果您知道或愿意尝试 (Bio)Python，那么有一个库可以解析您检索到的那些文件，Bio.SeqIO：

假设您已经从他们的 FTP 站点 (ftp://ftp.uniprot.org/pub/databases/uniprot/current_release/knowledgebase/complete/uniprot_sprot.dat.gz) 以纯文本 SwissPort 文件格式下载了整个 UniProt，并且将其解压缩为文件 uniprot_sprot.dat，并且您只想从中提取一些记录：

from Bio import SeqIO
uniprot = SeqIO.index("uniprot_sprot.dat", "swiss")
handle = open("selected.dat", "w")
for acc in ["P33487", "P19801", "P13689", "Q8JZQ5", "Q9TRC7"]:
...handle.write(uniprot.get_raw(acc))
handle.close()

第 16.1.5 节中有一个更长的示例，使用 SeqIO.index() 函数对大型序列文件进行排序（无需一次将所有内容加载到内存中）。

5.4.2.2 获取记录的原始数据

您也可以在这里查看：打开序列文件。Biostar已经回答了一个更简单但与您类似的问题，这可能是您需要解析 Swiss-Prot 文件

基本上，您可以从文件中提取记录，将它们存储在 Python 对象中并随意操作它们。例如检索 ID。

我的回答很模糊，但应该指向正确的方向。我希望它有所帮助。

于 2013-01-11T20:52:18.620 回答