PyMOL分開與合併不同的states

遇到一些用NMR解出來的蛋白質分子，PDB檔案會有很多個models，在PyMOL裡面叫作不同的states。要分開這些states成獨立的結構，或是把獨立的結構合併成一個：

1. split_states 1nmr
2. for x in cmd.get_names(): cmd.cealign("1nmr_0001///30-70/", x+"///30-70/")
3. join_states 1nmr2, 1nmr_*

讓sort用多核心跑

GNU sort（就是在Linux裡面預設的，作者是Mike Haertel與Paul Eggert），裡面有個平行化的選項，如果不選的話預設就會開多核心。這邊測試《PDB中最常出現的氨基酸片段》裡面排序進一億筆5-mer，得到的速度與用單核心來比較

氨基酸B、Z、X、J、O、U

蛋白質的氨基酸序列中，除了原本的20種氨基酸以外，有時候會出現：

• B：也稱Asx、此位置是Asparagine (N)或Aspartic acid (D)
• Z：也稱Glx、此位置是Glutamine (Q)或Glutamic acid (E)
• X：也稱Xaa代表此位置未知、或是在此位置可以是任何一種氨基酸
• J：也稱Xle，代表此位置是Leucine (L)或Isoleucine (I)
• O：也稱Pyl，全稱Pyrrolysine，第22種氨基酸
• U：也稱Sec，全稱Selenocysteine，第21種氨基酸

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：

定期更新PDB資料庫

《將整個PDB下載回本機端》說明要怎樣將整個蛋白質資料庫（PDB）下載回自己的機器上。但PDB這個資料庫現在是每個星期三UTC 00:00會更新，台灣是UTC+8，所以就是每個星期三早上八點會更新。考量到每個資料庫一更新完一堆人會去抓、還有週間大家使用資料庫比較頻繁，所以建議週末再來做更新。

• VISUAL=vim crontab -e
• crontab -l | grep -v ^#
  3 2 * * 6 /dw/rsyncPDB.sh

將整個PDB下載回本機端

目前整個PDB大小約436G，要下載前請先注意自己的硬碟大小

首先編寫 rsynPDB.sh 如下

#!/bin/sh
MIRRORDIR=/dw/rcsb           # your top level rsync directory
LOGFILE=/dw/rsyncPDB.log/rsyncPDB.`/bin/date +"%Y%m%d"`  # file for storing logs
RSYNC=/usr/bin/rsync         # location of local rsync
SERVER=rsync.wwpdb.org::ftp  # RCSB PDB server name
PORT=33444                   # port RCSB PDB server is using
${RSYNC} -rlpt -v -z --delete --port=$PORT ${SERVER}/ $MIRRORDIR > $LOGFILE 2>/dev/null

上面這個腳本會把整個PDB都放在 /dw/rcsb 這個資料夾之下
每次執行rsynPDB.sh，只會用rsync做更新，而不會每次都要重新下載整個PDB
整個更新的紀錄會放在 /dw/rsyncPDB.log/rsyncPDB.更新日期 這個檔案裡面

蛋白質資料庫（PDB）的資料簡介

前面的《蛋白質資料庫（PDB）簡介》介紹了有哪些網站存放了蛋白質立體結構，這篇則是要說明其中RCSB PDB這個資料庫的資料。下面列出《Introduction to PDB Data》提到的主題：

• Biological Assemblies：由於大部分的蛋白質立體結構都來自於X-ray crystallography，所以解出來的結構是根據蛋白質結晶所得。因此，存放的結構有可能最基礎的結晶單位Asymmetric Unit，或是由作者提供的Biological Assembly（代表在生物體內有作用的結構）
• Dealing with Coordinates：所謂紀錄的立體結構，代表著記錄蛋白質分子裡面每個組成原子的座標（coordinates）。這一段就是在介紹PDB檔案如何存放這些原子座標內容
• Methods for Determining Structure：要得到上述的原子座標（或者稱之為“解結構“），有幾種不同的實驗方法可以做到，包含了
• X-ray Crystallography：X光結晶法
• X-ray Free Electron Lasers (XFEL)：這是種基於X-ray Crystallography的新方法，用飛秒雷射去打，然後組合許多繞射圖案來猜結構
• NMR Spectroscopy：核磁共振（Nuclear Magnetic Resonance）法
• Electron Microscopy：電子顯微鏡法。對於比較大的蛋白質是不錯的方式
• Missing Coordinates and Biological Assemblies：解結構並不一定總是可以得到所有的原子座標。這邊介紹有哪些情況下，會得到不完整的結構資訊
• Molecular Graphics Programs：解完結構後，有哪些軟體可以顯示立體結構。就像是地圖有許多表示法，結構也一樣有許多表現手法
• Resolution：解出來的結構的解析度
• R-value and R-free：解出來的結構的可信度。R越靠近0越好，一般來說會是0.2，隨機亂做的結果是0.63
• Structure Factors and Electron Density：結構的電子密度分佈
• Primary Sequences and the PDB Format：蛋白質序列與核酸序列存放在這邊
• Small Molecule Ligands：與整個蛋白質分子一起解出結構的小分子

_EOF_

蛋白質資料庫（PDB）簡介

蛋白質資料庫（Protein Data Bank, PDB），是存放蛋白質、或是生物巨分子立體結構的資料庫。其中Worldwide PDB (wwPDB) 這個組織存放所有結構資訊並確保這些資料可以被公眾自由存取，而來自世界各地的wwPDB members，會有自己的網站來提供大眾各自的服務

簡單說就是同份資料（由wwPDB統合），各自表述（由wwPDB members各自做網站）：

• PDBj (Protein Data Bank Japan)： 日本版，有日文、中文與韓文版本
• BMRB (Biological Magnetic Resonance Data Bank)：提供與NMR實驗相關結果，包含chemical shift, coupling constants, hydrogen exchange rates, pKa values, and relaxation parameters
• PDBe (Protein Data Bank in Europe)：歐洲版，提供一些進階服務像是PDBePISA, PDBeFold, PDBeMotif等等
• RCSB PDB (Research Collaboratory for Structural Bioinformatics Protein Data Bank)：美國版，有做行動版App、一些視覺化工具可用，還有不錯的教學資源

若對PDB這個資料庫不熟悉，或是不知道什麼叫做生物巨分子裡體結構，可以先從RCSB PDB的教學資源像是PDB-101、Molecular of the Month開始入門

_EOF_

統計PDB中蛋白質鍊的長度

只要依序執行下面五個指令就能夠拿到所有protein chains的長度與敘述：

• wget ftp://ftp.wwpdb.org/pub/pdb/derived_data/pdb_seqres.txt
• grep "mol:protein" pdb_seqres.txt | sed -e's/  /!/' | cut -d'!' -f1 | sed -e's/^>//' | cut -d' ' -f1 > protein_seqres.id
• grep "mol:protein" pdb_seqres.txt | sed -e's/  /!/' | cut -d'!' -f1 | sed -e's/^>//' | cut -d' ' -f3 | cut -d':' -f2 > protein_seqres.length
• grep "mol:protein" pdb_seqres.txt | sed -e's/  /!/' | cut -d'!' -f2 > protein_seqres.des
• paste -d'\t' protein_seqres.id protein_seqres.length protein_seqres.des > protein_seqres.csv

PDB裡面最長和最短的蛋白質序列

依序執行下述指令就知道PDB裡面最長與最短的序列：

1. wget ftp://ftp.wwpdb.org/pub/pdb/derived_data/pdb_seqres.txt
2. grep -e "mol:protein" -A 1 pdb_seqres.txt | sed '/^--$/d' | grep "^>" | cut -d' ' -f3 | cut -d':' -f2 | sort -n | head -n 1
3. grep -e "mol:protein" -A 1 pdb_seqres.txt | sed '/^--$/d' | grep "^>" | cut -d' ' -f3 | cut -d':' -f2 | sort -n | tail -n 1

上面的Bash指令意思分別是：

1. 抓所有PDB的序列（fasta format）
2. 最短的序列，長度是2
3. 最長的序列，長度是5037

處理PDB裡面的alternate location

PDB上面的結構，某些殘基在空間上面會有兩種可能所在的位置，這種情況叫做alternate location，紀錄方式則是在ATOM行裡面的第17個位置出現A, B, ...。例如說3a34這個lysozyme的結構第125個residue，PDB格式的紀錄是：
ATOM    978  N  AARG A 125     -27.100  10.115  13.597  0.70 14.83           N  
ATOM    979  N  BARG A 125     -27.088  10.117  13.613  0.30 14.68           N  
ATOM    980  CA AARG A 125     -27.589  10.764  14.811  0.70 15.46           C  
ATOM    981  CA BARG A 125     -27.618  10.820  14.785  0.30 15.06           C  
ATOM    982  C  AARG A 125     -26.471  10.888  15.838  0.70 15.45           C  
ATOM    983  C  BARG A 125     -26.603  10.877  15.926  0.30 15.27           C  
ATOM    984  O  AARG A 125     -25.761   9.921  16.120  0.70 15.55           O  
ATOM    985  O  BARG A 125     -26.111   9.846  16.388  0.30 15.38           O

上面粗體的部分就是alternate location (altLoc)，意思是說ARG這個residue可能會在A這個位置、也可能會在B這個位置。最簡單的解決方案是只留下A，用PyMOL處理只要兩行指令：

• remove not alt ''+A
• alter all, alt=''

第一行移除所有altLoc不是A也不是空白的原子
第二行將所有altLoc都變成空白

_EOF_

計算PDB結構裡面原子的數目

要計算一個PDB結構裡面有多少個原子，在PyMOL只要用count_atom這個指令：

• fetch 1lyz
• count_atoms 1lyz
• count atoms 1lyz and not HETATM
• count atoms 1lyz and n. ca

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

最早解出立體結構的蛋白質

多數蛋白質的外觀有著固定的形狀，也就是所謂的立體結構（3D structure）。研究這些結構的學門叫做結構生物學（Structural Biology）。這個學門從1950年代末期開始發展，到1970年代初有一打的蛋白質結構，簡單介紹如下：

• Myoglobin (1mbn)：肌紅素、John Kendrew's structure，1958年得到
• Hemoglobin (2dhb)：血紅素、Max Perutz's structure
• Hemoglobin from lamprey (2lhb)：八目鰻的血紅素，結構介於肌紅素與血紅素之間
• Lysozyme (1lyz)：溶菌酶、DC Philips' structure，1965年解得
• Carboxypeptidase (3cap)：從蛋白質的C端切斷肽鍵（peptide bond）
• Subtilisin (1sbt)：切斷絲氨酸（serine）的肽鍵
• Chymotrypsin (2cha)：切斷含有芳香環的氨基酸，像是酪氨酸（tyrosine）、色氨酸（tryptophan）與苯丙氨酸（phenylalanine）的肽鍵
• Papain (9pap)：木瓜蛋白酶
• Pancreatic trypsin inhibitor (4pti)：胰蛋白酶抑制物，很短的蛋白質
• Oligomeric lactate dehydrogenase (6ldh)：單體型態的乳酸脫氫酶（LDH），當時解出來最大的蛋白質結構。一個單體由334個氨基酸組成，整個LDH則是由四個單體組成的四聚體（tetramer）
• Rubredoxin (4rxn)：含鐵離子的蛋白質，使用四個硫原子來抓住鐵離子
• Cytochrome b5 (1cyo)：還鐵離子的蛋白質，但是用heme group來抓