uniprot_m1_2024 1.0.0

Modélisation d'une fiche Uniprot et d'une collection d'objets Uniprot

Mini projet protéomique

Le Document Uniprot

Uniprot est une base de données de protéines. Chaque entrée représente une protéine spécifique d'un organisme. Une entrée stocke des informations relatives à une protéine, par exemple son nom commun, son poids moléculaire ou encore sa séquence peptidique. Ces informations peuvent être extraites de la littérature scientifique par des curateurs où produites automatiquement par des pipelines d'annotation bioinformatique. Les données relatives à une protéine sont structurées dans les catégories suivantes:

• Function
• Names & Taxonomy
• Subcellular location
• Pathology and Biotech
• PTM / Processing
• Expression
• Interaction
• Structure
• Family and Domains
• Sequence(s)
• Cross-references
• Publications
• Entry information
• Miscellaneous
• Similar Proteins

Le détail de chaque catégorie peut-être consulté ici. Chaque protéine possède, notamment un "ACcession number" unique respectant le code suivant. Les données d'une protéine donnée sont accessibles aux URL suivantes:

• https://www.uniprot.org/uniprot/[AC de ma protéine], format HTML enrichi
• https://www.uniprot.org/uniprot/[AC de ma protéine].xml, même contenu structuré au format XML.
• https://www.uniprot.org/uniprot/[AC de ma protéine].txt, même contenu structuré au format texte.

Utiliser les données de plusieurs protéines au format texte. Ce format est caractérisé par la présence d'un seul type d'information par ligne. Chaque ligne commence par un code de 2 lettres, qui spéficie le type de l'information présente sur le reste de la ligne. Le tableau suivant présente tous les codes utilisés, plus d'information sur le format texte peut être trouvée ici.

Line code	Content	Occurrence in an entry
ID	Identification	Once; starts the entry
AC	Accession number(s)	Once or more
DT	Date	Three times
DE	Description	Once or more
GN	Gene name(s)	Optional
OS	Organism species	Once or more
OG	Organelle	Optional
OC	Organism classification	Once or more
OX	Taxonomy cross-reference	Once
OH	Organism host	Optional
RN	Reference number	Once or more
RP	Reference position	Once or more
RC	Reference comment(s)	Optional
RX	Reference cross-reference(s)	Optional
RG	Reference group	Once or more (Optional if RA line)
RA	Reference authors	Once or more (Optional if RG line)
RT	Reference title	Optional
RL	Reference location	Once or more
CC	Comments or notes	Optional
DR	Database cross-references (description)	Optional
PE	Protein existence	Once
KW	Keywords	Optional
FT	Feature table data	Once or more in Swiss-Prot, optional in TrEMBL
SQ	Sequence header	Once
(blanks)	Sequence data	Once or more
//	Termination line	Once; ends the entry

Pour chaque protéine nous voulons stocker l'information des champs suivants:

• l'Identification
• Le premier AC number
• l'organisme
• le nom de gène
• La séquence peptidique
• la liste de ses identifiants GO (à faire dans un second temps)

Dans les fichiers fournis (repertoire data/), chaque protéine est séparée de la précédente par les caractères //

Classe Uniprot

Implémentation d'une classe Uniprot stockant les informations précedentes dans des attributs. Le code implémentant cette classe est écrit dans le module uniprot[.py]. Un fichier contenant une seule entrée textuelle uniprot vous est fourni sous data/P05067.txt.

Constructeur

Prend le contenu textuel d'une fiche uniprot en entrée, parse son contenu pour créer l'objet et renseigne ses attributs.

self.id = None self.ac_number = None self.organism = None self.gene_name = None self.sequence = None self.go_identifiers = []

Méthodes

Méthode fasta_dump(): écrit la séquence de la protéine au format fasta dans un fichier nommé [AC number].fasta. La ligne de commentaires FASTA (débutant par >) contient les informations suivantes: identification, organisme et nom du gène.

Avec l'aide la table suivante implementer:

Méthode molecular_weight()->float: prend en entrée le id d'une proteine et retourne le poids moléculaire de la proteine.

Méthode average_hydrophobicity()->float: prend en entrée le id d'une protéine et retourne l'hydrophobicité moyenne de la protéine.

Amino acid	3 letters code	letter code	Mol. weight	Class	Hydrophobicity scale
Alanine	Ala	A	89Da	A	0.33
Arginine	Arg	R	174Da	+	1.00
Asparagine	Asn	N	132Da	P	0.43
Aspartic acid	Asp	D	133Da	-	2.41
Asparagine or aspartic acid	Asx	B	133Da	n/a	n/a
Cysteine	Cys	C	121Da	A or P	0.22
Glutamine	Gln	Q	146Da	P	0.19
Glutamic acid	Glu	E	147Da	-	1.61
Glutamine or glutamic acid	Glx	Z	147Da	n/a	n/a
Glycine	Gly	G	75Da	P	1.14
Histidine	His	H	155Da	P or +	-0.06 or 1.37
Isoleucine	Ile	I	131Da	A	-0.81
Leucine	Leu	L	131Da	A	-0.69
Lysine	Lys	K	146Da	+	1.81
Methionine	Met	M	149Da	A	-0.44
Phenylalanine	Phe	F	165Da	A	-0.58
Proline	Pro	P	115Da	A	-0.31
Serine	Ser	S	105Da	P	0.33
Threonine	Thr	T	119Da	P	0.11
Tryptophan	Trp	W	204Da	A	-0.24
Tyrosine	Tyr	Y	181Da	P	0.23
Valine	Val	V	117Da	A	-0.53

Classe Collection d'objets Uniprot

Classe Collection qui permet d'organiser et d'operer sur plusieurs objets Uniprot. Le code implémentant la classe Collection est écrit dans le module uniprot_collection[.py]. Un fichier contenant cinq entrées textuelles uniprot est fourni sous data/five_proteins.txt.

Constructeur de la classe collection

Retourne un objet Collection contenant donc des objets Uniprot à partir d'un fichier texte (ex. data/five_proteins.txt) passé en argument.

Methodes

Méthode 'add(contenu_uniprot)': créé et ajoute l'objet Uniprot à la collection à partir du texte en paramètre. Une exception est levée si la proteine est dejà presente.

Méthode 'delete(uniprot_id)': supprime de la collection l'objet Uniprot portant l'identifiant en paramètre. Une exception est levée si la proteine n'existe pas.

Méthode 'sort_by_length()': retourne les objets Uniprot triés selon les longueurs de leurs séquences.

Méthode 'filter_for_hydrophobic(min_hydro:int)': retourne les objets Uniprot ayant une hydrophobicité supérieure au paramètre min_hydro.

Méthode 'add (other)': implemente l'opération d'addition entre deux objets Collection. collection_1 + collection_2 produit un nouvel objet Collection contenant l'union des contenus des deux termes. Attention, si un object Uniprot existe dans les deux collections ajoutées, il ne devra être présent qu'une seule fois dans la collection produite par l'addition.

Méthode 'go_view()': retourne le dictionnaire des nombres d'occurrences des mots-clés GO portés par toutes les protéines de la Collection.

Visualisation de données

Abondance et Abondance relative

Méthode 'find_prot_by_id (uniprot_id)': prend un id en entrée et restitue l'objet Uniprot correspondant.

Méthode 'count_aa (uniprot_id)': prend en entrée un id d'une proteine et restitue un dictionnaire contenant l'occurence e quanche acide aminé dans la sequence de la proteine correspondante à l'id.

Méthode 'average_aa (aa)': prend en entrée un acide aminé et calcule la moyenne de son occurence armi toutes les protéines de la collection.

Méthode 'draw_ABRL(uniprot_id:string)': dessine l'histogramme de l'ABondance ReLative des acides aminés naturels dans la protéine passée en argument par rapport à la collection à laquelle elle appartient selon la formule,:

LogRatio(X) = ln(\frac{prot_X}{<coll_X>})

où X est l'acide aminé, prot_X st l'occurence de X dans la protéine étudiée et <coll_X> est l'occurence moyenne de l'acide aminé dans la collection.

Le dessin de l'histogramme de l'abondance relative a été fait grâce à la librarie matplotlib et est sauvegardé dans un fichier au format <uniprot_id>.png.