統計蛋白質資料庫

蛋白質資料庫（Protein Data Bank，簡稱PDB）上面存放著以蛋白質為主的生物巨分子立體結構資料。首頁顯示 "An Information Portal to 124286 Biological Macromolecular Structures"，更多的統計資料可參考《PDB Statistics》。這邊用幾個簡單的指令來分析PDB這個資料庫

1. wget ftp://ftp.wwpdb.org/pub/pdb/derived_data/pdb_entry_type.txt
2. TOTAL=`cat pdb_entry_type.txt | wc -l`; echo $TOTAL
3. head -n 5 pdb_entry_type.txt 
4. for TYPE in `cat pdb_entry_type.txt | cut -f 2 -d$'\t' | sort | uniq`; do printf "$TYPE "; NUM=`cat pdb_entry_type.txt | cut -f 2 -d$'\t' | grep $TYPE | wc -l`; printf "$NUM "; FRAC=`echo "scale=4; $NUM/$TOTAL" | bc -l`; echo $FRAC; done
5. for METHOD in `cat pdb_entry_type.txt | cut -f 3 -d$'\t' | sort | uniq`; do printf "$METHOD "; NUM=`cat pdb_entry_type.txt | cut -f 3 -d$'\t' | grep $METHOD | wc -l`; printf "$NUM "; FRAC=`echo "scale=4; $NUM/$TOTAL" | bc -l`; echo $FRAC; done

以上的指令的意思分別是

1. 抓所有PDB的列表，檔案大小約莫2.5M
2. 計算總共有幾筆資料，目前是124286筆
   124286 pdb_entry_type.txt
3. 看一下這個列表（pdb_entry_type.txt）的前面五行。第一欄位是PDB自己的編號，稱之為PDB id或是PDB code；第二欄代表這個巨分子類型；第三欄則是用來解出此巨分子立體結構的方法
   100d    nuc diffraction
   101d    nuc diffraction
   101m    prot    diffraction
   102d    nuc diffraction
   102l    prot    diffraction
4. 列出所有的巨分子類型，總共有五種，以單純蛋白質最多（約佔97.6%）
   carb        18 .0001
   nuc       8886 .0714
   other        8 0
   prot    121265 .9756
   prot-nuc  5891 .0473
5. 列出所有解結構的方法，主要三大類，已X-ray diffraction最多（佔約89.5%）
   EM             1234 .0099
   NMR           11668 .0938
   diffraction  111182 .8945
   other           202 .0016

_EOF_