PDB中最常出現的氨基酸片段

想要知道五個連續氨基酸出現次數用下面兩個指令就可以得到：

1. wget ftp://ftp.wwpdb.org/pub/pdb/derived_data/pdb_seqres.txt
2. cat pdb_seqres.txt | grep -e "mol:protein" -A 1 \
   | sed '/^--$/d' | grep -v "^>" \
   | awk '{while(length($0)>=5){print substr($0,1,5);gsub(/^./,"")}}' \
   | grep X -v | sort | uniq -c | sort -k 1 -n -r \
   > prot_sorted_5peptide.count

第1個指令是下載當前所有PDB檔案序列pdb_seqres.txt，約122MB
第2個指令是計算個數的檔案，結果存在prot_sorted_5peptide.count裡面，計算的時間約莫是五分鐘，下面是分析的指令：

1. echo "20^5" |bc -l
   3200000
2. wc -l prot_sorted_5peptide.count
   2310002 prot_sorted_5peptide.count
3. head -n 5 prot_sorted_5peptide.count
   126562 HHHHH
   18892 SHHHH
   18370 HHHHS
   16691 HHHSS
   16481 HHSSG
4. tail -n 5 prot_sorted_5peptide.count
   1 AACEM 
   1 AACEF
   1 AACCM
   1 AACCK
   1 AAAWC 
5. grep "[[:space:]]1 " -c prot_sorted_5peptide.count
   129427
6. grep AAAAA prot_sorted_5peptide.count
   5619 AAAAA
7. grep WWWWW -c prot_sorted_5peptide.count
   0
8. grep TITAN prot_sorted_5peptide.count
   91 TITAN

上述分析指令的意思分別是：

1. 五個連續氨基酸可能地出現的種類是320萬種
2. PDB裡面五個連續氨基酸的種類是231萬種
   代表有些組合是不會出現的，而且還有塊90萬種！
3. 最常出現的組合前五名
4. 最少出現的組合（也就是只有出現一次）前五名，但應該有更多
5. 只有出現一次的組合共有快13萬種
6. 出現五支煙的個數，結果還不少唷
7. 沒有出現WWWWW
8. 總共有91個巨人

參考資料

• 統計PDB中蛋白質鍊的長度
• PDB裡面最長和最短的蛋白質序列
• 統計蛋白質資料庫
• Split large string into substrings  Kent的回應
• grep regex whitespace behavior  amenthes與Kamal的回應
• IUPAC numerical multiplier
• Pentapeptide repeat

_EOF_