Finding Open Reading Frames

【第14回】ゼロから始めるゲノム解析（Python編）

Transcript

1. 【第14回】ゼロから始めるゲノム解析
   （Python編）
   Finding Open Reading Frames
   @onouyek
   

   View Slide

2. 本勉強会の概要・目的
   書籍名
   対象者/目的
   Mastering Python for Bioinformatics
   Python・バイオインフォマティクス知識ほぼ
   ゼロの人を対象に、正しい Pythonのコー
   ディング手法について学ぶ
   頻度 毎週〜隔週開催予定
   登壇者 募集中！
   

   View Slide

3. Rosalindとは
   ● 問題解決を通じてバイオインフォマティク
   ス、プログラミング、およびアルゴリズムを
   学習するためのプラットフォーム
   ● 大学やハッカソン、就職の面接にも
   600回
   以上の採用実績あり
   参考：https://qiita.com/_kimoton/items/d534d0fa9b83dd7dc412
   概要
   

   View Slide

4. 環境構築 - 必要パッケージ群のインストール
   # 公開されているレポジトリからファイル群を取得
   $ git clone https://github.com/kyclark/biofx_python
   $ cd biofx_python
   # requirements.txtに記載のパッケージをインストール
   $ pip3 install -r requirements.txt
   # pylintの設定ファイルをホームディレクトリに移動
   $ cp pylintrc ~/.pylintrc
   # mypyの設定ファイルをホームディレクトリに移動
   $ cp mypy.ini ~/.mypy.ini
   

   View Slide

5. 本日のお題 https://rosalind.info/problems/orf/
   DNA配列からORFから翻訳されうる異なる配列をすべて答えよ
   

   View Slide

6. 前提知識編
   

   View Slide

7. 第2回：正規表現モジュールreを用いたDNA→RNAへの変換
   検索する文字列 入力文字列
   　↓ 　↓
   re.sub('T', 'U', 'ACGT')
   　↑
   置換する文字列
   

   View Slide

8. 第3回：Bio.Seq.reverse_complementによる相補鎖の取得
   $ python3 -m pip install biopython
   biopythonパッケージのインストール
   >>> from Bio import Seq
   Seqクラスをimport
   >>> Seq.reverse_complement('AAAACCCGG')
   'CCGGGTTTT'
   Seq.reverse_complementメソッドを使用して変換
   

   View Slide

9. 第7回：Bio.Seq.translateによるRNA→Proteinへの変換
   $ python3 -m pip install biopython
   biopythonパッケージのインストール
   >>> from Bio import Seq
   Seqクラスをimport
   >>> Seq.translate('AAAACCCGG')
   'KTR'
   Seq.translateメソッドを使用して変換
   

   View Slide

10. リーディングフレーム
    shift 0 shift 1 shift 2
    0 1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9 2 3 4 5 6 7 8 9
    3で割ったときの余り部分を取り除けばWarningは解消される
    >>> Seq.translate('AAAACCCGGU')
    BiopythonWarning: Partial codon, len(sequence) not a multiple of three. Explicitly trim the sequen
    ce or add trailing N before translation. This may become an error in future.
    Biopythonでは3の倍数でない長さの配列を翻訳しようとするとWarningがでる
    https://en.wikipedia.org/wiki/File:Reading_Frame.png
    核酸分子内のヌクレオチド配列を重なり合わない連続したトリプレットに分割する方法
    

    View Slide

11. オープンリーディングフレーム（ORF）
    開始コドン（通常はAUG）で始まりストップコドンで終わるコドンの連続した一続き
    M A M A P R *
    メチオニン（M）で始まりストップコドン（*）で終わるMAMAPR*とMAPR*の2パターンが考え
    られる
    

    View Slide

12. 解法編
    

    View Slide

13. Solution 1: str.index()でMと*を見つける
    ①DNAからRNA配列に変換
    ②RNAからタンパク質配列に変換
    ③str.index()を使って開始位置と終了位置を見つけて
    orfsに追加してaa配列を更新
    ①
    ②
    ③
    

    View Slide

14. Solution 2: str.partition()で*の前後に分割する
    ①ストップコドンとその前後の配列を取得
    ②前半部分の配列からMを見つけてorfsに追加してlast
    を更新
    ①
    ②
    

    View Slide

15. Solution 3: 正規表現（先読みアサーション）を使う
    ①先読みアサーション(?=())を使うことでオー
    バーラップする候補も見つけられる
    ②*以外にマッチする0個以上のパターン
    ①
    ②
    

    View Slide

16. ベンチマーキング
    hyperfine -L prg \
    solution1_iterate_set.py,./solution2_str_partition.py,./solution3_regex.py \
    '{prg} tests/inputs/1.fa' --prepare 'rm -rf __pycache__'
    

    View Slide

17. 追加課題
    複数ファイルを入力として、ユニークなORFsを指定した出力ファイルに書き出せるように
    してください。
    

    View Slide

18. 本日学んだこと
    ● Bio.Seq.translate()する前のtruncate処理
    ● str.find()を使った部分文字列の検索
    ● str.partition()を使った部分文字列の検索
    ● 正規表現と先読みアサーション
    

    View Slide