编辑推荐：
为解决蛋白质序列注释难题，研究人员开发 PyPropel 工具，助力蛋白质功能研究。
在生命科学的微观世界里，蛋白质是当之无愧的 “主角” 之一。随着科技的飞速发展，先进的测序技术让我们发现基因组和转录组序列的速度越来越快，已知的蛋白质序列数量也呈指数级增长。尤其是宏基因组学的进步，微生物蛋白质序列每年大约增长 50% 。可这看似 “丰收” 的背后，却隐藏着一个大问题：截至 2024 年 12 月，在 UniProt 数据库中，手动注释的蛋白质序列还不到 0.3%。大量蛋白质序列的功能仍是个谜，这就像我们拥有了一座巨大的宝藏，却不知道每个宝物的用途。
为了破解蛋白质序列功能的密码，来自英国牛津大学（University of Oxford）、德国慕尼黑工业大学（Technical University of Munich）和美国康奈尔大学（Cornell University）的研究人员 Jianfeng Sun、Jinlong Ru、Adam P. Cribbs 和 Dapeng Xiong 等开展了一项重要研究。他们开发出一款名为 PyPropel 的基于 Python 的计算工具，并将相关研究成果发表在《BMC Bioinformatics》上。这一成果为蛋白质功能研究带来了新的曙光，有望让我们更好地了解蛋白质的奥秘，推动生命科学的发展。
研究人员在开展这项研究时，主要运用了以下几种关键技术方法：一是利用 Python 语言进行编程开发，构建了 PyPropel 工具的基础框架；二是整合了多种数据来源，包括从 UniProt 数据库提取数据，以及对蛋白质序列和结构数据进行处理；三是设计了多种功能模块，实现数据预处理、特征生成、模型性能评估和可视化等功能。
下面来看看具体的研究结果：
- PyPropel 功能概述：PyPropel 拥有一系列强大的功能，涵盖蛋白质序列、结构和功能数据的预处理、特征描述和后处理。它可以和 TMKit 工具配合使用，为机器学习研究提供完整的蛋白质数据集和特征集准备工作流程。
- 序列和结构数据预处理：PyPropel 能够自动批量检索 XML 格式的拓扑记录和蛋白质数据库（PDB）结构，并进行全面的质量控制。在这个过程中，它会去除 HETATM 原子，检查是否存在未知氨基酸。同时，它还能轻松提取和转换多种格式的序列，优化大规模蛋白质列表差异比对，提高数据处理效率。
- 计算残基间距离：计算蛋白质链内或链间残基的距离，对于确定功能和结构重要的残基至关重要。PyPropel 可以通过设定距离阈值，判断残基是否相互作用，有助于生成相互作用位点及其距离列表，为研究蛋白质相互作用提供关键信息。
- 蛋白质序列特征描述：PyPropel 提供了丰富多样的蛋白质序列特征，包括组成、保守性、长度、位置、轮廓、相对溶剂可及性（RSA）、物理化学和二级结构等特性。这些特征适用于整个蛋白质序列、多序列比对（MSA）和单个氨基酸位点，有助于深入分析和模拟蛋白质特性。
- 从 UniProt 数据库提取实验证据：UniProt 数据库包含丰富的蛋白质信息，但直接访问效率不高。PyPropel 开发了专门的模块，能够快速从 UniProt 数据库提取物种水平或自定义蛋白质集的数据，大大简化了大规模分析时的数据检索过程。
- 后处理序列和结构数据：在蛋白质特征提取方面，PyPropel 的特征来自多种来源，并以二维列表形式组织，方便灵活选择不同特征类别。同时，它还能通过滑动窗口等方式为特定区域的位点分配特征。在性能评估方面，PyPropel 开发了通用模块，用于生成精确率、召回率等评估指标，评估机器学习模型在蛋白质 - 蛋白质相互作用位点预测等任务中的性能。此外，当前版本的 PyPropel 还提供了简单的可视化功能，可直观展示蛋白质的一些生物学特性和机器学习模型的评估指标。
- 与相关工作比较及可靠性验证：通过与其他基于 Python 的蛋白质科学工具进行对比，发现 PyPropel 不仅能进行特征提取，还具备处理蛋白质结构和同源序列数据的能力，且拥有更全面的分析工作流程。在可靠性验证实验中，PyPropel 展示出了较高的计算效率，生成特定蛋白质特征的时间较短，并且通过计算残基间物理距离确定的相互作用界面，与天然结构中的真实相互作用情况高度吻合。
在研究结论和讨论部分，PyPropel 为蛋白质序列数据的预处理和后处理提供了高效的解决方案，优化了生物信息学和机器学习应用的工作流程。它整合了自动化数据检索、结构和功能注释以及多源蛋白质特征整合等功能，提高了数据集生成和模型评估的效率，填补了当前生物信息学流程中的空白，为大规模蛋白质序列分析提供了全面的解决方案。不过，PyPropel 也存在一些局限性，比如目前在提取基于结构的特征方面还有待加强。但随着蛋白质数据的不断增长，PyPropel 无疑为加速蛋白质功能研究、增强蛋白质序列特征描述，尤其是在序列和位点特异性水平的研究，提供了宝贵的资源。相信在未来，随着研究的不断深入，PyPropel 将不断完善，为生命科学领域带来更多的惊喜和突破，帮助我们更好地探索蛋白质的神秘世界，推动相关领域的发展。
