AI制药 – RCSB PDB 数据集的多维度分析与整理 1

欢迎关注我的CSDN：https://spike.blog.csdn.net/
本文地址：https://blog.csdn.net/caroline_wendy/article/details/130089781

整体：

RCSB PDB 数据集是一个收集了蛋白质的三维结构信息的数据库，是世界蛋白质数据库（wwPDB）的成员之一，也是生物学和医学领域第一个开放访问的数字数据资源库。RCSB PDB 数据集不仅提供了来自蛋白质数据银行（PDB）档案的实验确定的3D结构，还提供了来自 AlphaFold DB 和 ModelArchive 的计算结构模型（CSM）。用户可以利用 RCSB PDB 数据集提供的各种工具和资源，根据序列、结构和功能的注释进行简单和高级搜索，可视化、下载和分析这些分子，并且在外部注释的背景下，探索生物学的结构视角。

关于 Complex 和 Multimer 的差别：

组合在一起形成功能性基团的复合物，通常会叫Complex，比如Antibody-antigen Complex 或 Ligand-receptor Complex；Multimer通常指堆在一起的非单体情况，不一定有真正的结合或可以发挥功能，只是结构上在一起，比如aggregation发生时，通常会提到Monomer/Multimer。总体，Multimer在生物学上用的不多。以上我的理解和习惯，也可能不同的文章中会有人混用，尤其是非母语文章，也不能算是错误。

RCSB：Research Collaboratory for Structural Bioinformatics，即结构生物信息学的研究合作实验室。

官网：https://www.pdbus.org/
目前，已经有 202,467 2023.3.21) 个PDB结构。
Vision：To expand the frontiers of fundamental biology, biomedicine, energy sciences, and biotechnology through open and sustainable access to the 3D structure, function, and evolution of biological macromolecules contained in the Protein Data Bank PDB) archive.
愿景：扩展基础生物学、生物医学、能源科学和生物技术的前沿方向，通过开放的和可持续的访问 PDB 档案中所包括的生物大分子的 3D 结构、功能和进化。

1. RCSB PDB

PDB全量数据：最后更新日期 2022.4.13

全量链数：593491，约59万
全量PDB数：183653个PDB结构，实际包括182703个，略有差异，相差950个，约18万

标签如下：

id：行号，从0开始
pdb：PDB编号，例如 3eo1
resolution：分辨率，例如 3.1
release_date：发布日期，例如 2008-12-02
seq：序列，例如 ETVLTQSPGT…
len：序列长度，例如 215
chain_type：链的类型，例如 k是kappa型轻链，l是lamda
bcr_or_tcr：BCR或TCR或none

第1个示例，PDB 3eo1，包括0-11，一共12行，即12个链。具体数据如下：

bid,pdb,chain,resolution,release_date,seq,len,chain_type,bcr_or_tcr
0,3eo1,A,3.1,2008-12-02,ETVLTQSPGTLSLSPGERATLSCRASQSLGSSYLAWYQQKPGQAPRLLIYGASSRAPGIPDRFSGSGSGTDFTLTISRLEPEDFAVYYCQQYADSPITFGQGTRLEIKRTVAAPSVFIFPPSDEQLKSGTASVVCLLNNFYPREAKVQWKVDNALQSGNSQESVTEQDSKDSTYSLSSTLTLSKADYEKHKVYACEVTHQGLSSPVTKSFNRGEC,215,k,BCR
1,3eo1,B,3.1,2008-12-02,QVQLVQSGAEVKKPGSSVKVSCKASGYTFSSNVISWVRQAPGQGLEWMGGVIPIVDIANYAQRFKGRVTITADESTSTTYMELSSLRSEDTAVYYCASTLGLVLDAMDYWGQGTLVTVSSASTKGPSVFPLAPCSESTAALGCLVKDYFPEPVTVSWNSGALTSGVHTFPAVLQSSGLYSLSSVVTVPSSSLGTKTYTCNVDHKPSNTKVDKRVES,216,h,BCR
2,3eo1,C,3.1,2008-12-02,ALDTNYCFRNLEENCCVRPLYIDFRQDLGWKWVHEPKGYYANFCSGPCPYLRSADTTHSTVLGLYNTLNPEASASPCCVPQDLEPLTILYYVGRTPKVEQLSNMVVKSCKCS,112,protein,none
3,3eo1,D,3.1,2008-12-02,ETVLTQSPGTLSLSPGERATLSCRASQSLGSSYLAWYQQKPGQAPRLLIYGASSRAPGIPDRFSGSGSGTDFTLTISRLEPEDFAVYYCQQYADSPITFGQGTRLEIKRTVAAPSVFIFPPSDEQLKSGTASVVCLLNNFYPREAKVQWKVDNALQSGNSQESVTEQDSKDSTYSLSSTLTLSKADYEKHKVYACEVTHQGLSSPVTKSFNRGEC,215,k,BCR
4,3eo1,E,3.1,2008-12-02,QVQLVQSGAEVKKPGSSVKVSCKASGYTFSSNVISWVRQAPGQGLEWMGGVIPIVDIANYAQRFKGRVTITADESTSTTYMELSSLRSEDTAVYYCASTLGLVLDAMDYWGQGTLVTVSSASTKGPSVFPLAPCSESTAALGCLVKDYFPEPVTVSWNSGALTSGVHTFPAVLQSSGLYSLSSVVTVPSSSLGTKTYTCNVDHKPSNTKVDKRVES,216,h,BCR
5,3eo1,F,3.1,2008-12-02,ALDTNYCFRNLEENCCVRPLYIDFRQDLGWKWVHEPKGYYANFCSGPCPYLRSADTTHSTVLGLYNTLNPEASASPCCVPQDLEPLTILYYVGRTPKVEQLSNMVVKSCKCS,112,protein,none
6,3eo1,G,3.1,2008-12-02,ETVLTQSPGTLSLSPGERATLSCRASQSLGSSYLAWYQQKPGQAPRLLIYGASSRAPGIPDRFSGSGSGTDFTLTISRLEPEDFAVYYCQQYADSPITFGQGTRLEIKRTVAAPSVFIFPPSDEQLKSGTASVVCLLNNFYPREAKVQWKVDNALQSGNSQESVTEQDSKDSTYSLSSTLTLSKADYEKHKVYACEVTHQGLSSPVTKSFNRGEC,215,k,BCR
7,3eo1,H,3.1,2008-12-02,QVQLVQSGAEVKKPGSSVKVSCKASGYTFSSNVISWVRQAPGQGLEWMGGVIPIVDIANYAQRFKGRVTITADESTSTTYMELSSLRSEDTAVYYCASTLGLVLDAMDYWGQGTLVTVSSASTKGPSVFPLAPCSESTAALGCLVKDYFPEPVTVSWNSGALTSGVHTFPAVLQSSGLYSLSSVVTVPSSSLGTKTYTCNVDHKPSNTKVDKRVES,216,h,BCR
8,3eo1,I,3.1,2008-12-02,ALDTNYCFRNLEENCCVRPLYIDFRQDLGWKWVHEPKGYYANFCSGPCPYLRSADTTHSTVLGLYNTLNPEASASPCCVPQDLEPLTILYYVGRTPKVEQLSNMVVKSCKCS,112,protein,none
9,3eo1,J,3.1,2008-12-02,ETVLTQSPGTLSLSPGERATLSCRASQSLGSSYLAWYQQKPGQAPRLLIYGASSRAPGIPDRFSGSGSGTDFTLTISRLEPEDFAVYYCQQYADSPITFGQGTRLEIKRTVAAPSVFIFPPSDEQLKSGTASVVCLLNNFYPREAKVQWKVDNALQSGNSQESVTEQDSKDSTYSLSSTLTLSKADYEKHKVYACEVTHQGLSSPVTKSFNRGEC,215,k,BCR
10,3eo1,K,3.1,2008-12-02,QVQLVQSGAEVKKPGSSVKVSCKASGYTFSSNVISWVRQAPGQGLEWMGGVIPIVDIANYAQRFKGRVTITADESTSTTYMELSSLRSEDTAVYYCASTLGLVLDAMDYWGQGTLVTVSSASTKGPSVFPLAPCSESTAALGCLVKDYFPEPVTVSWNSGALTSGVHTFPAVLQSSGLYSLSSVVTVPSSSLGTKTYTCNVDHKPSNTKVDKRVES,216,h,BCR
11,3eo1,L,3.1,2008-12-02,ALDTNYCFRNLEENCCVRPLYIDFRQDLGWKWVHEPKGYYANFCSGPCPYLRSADTTHSTVLGLYNTLNPEASASPCCVPQDLEPLTILYYVGRTPKVEQLSNMVVKSCKCS,112,protein,none

PDB提取的FASTA文件与标签文件一致，例如3EO1 PDB：

2. Resolution

Resolution Range: 0.48 ~ 70.0

Resolution chain-level)：

bins: [15729,1119,150876,272060,111062,21324,4037,4357,3500,2636,6791], sum: 593491
Empty: 15729, 2.65%
High0~3): 1119+150876+272060 = 424055, 71.45%
Middle3~5): 111062+21324 = 132386, 22.31%
Low>5): 4037+4357+3500+2636+6791 = 21321, 3.59%

Resolution PDB-level)：

bins: [12347,810,70325,79230,15929,2179,346,375,307,197,658], sum: 182703
Empty: 12347, 6.76%
High0~3): 810+70325+79230 = 150365, 82.30%
Middle3~5): 15929+2179 = 18108, 9.91%
Low>5): 346+375+307+197+658 = 1883, 1.03%

3. Seq. Len.

链长分布：0 ~ 4433。

异常数据，链长是0，包括38447个，数据如下：

id   pdb chain  resolution release_date  seq  len chain_type bcr_or_tcr
19  6dts     C         1.5   2018-09-19  NaN    0    protein       none
20  6dts     D         1.5   2018-09-19  NaN    0    protein       none
69  6v8x     M         3.0   2020-02-05  NaN    0    protein       none
70  6v8x     N         3.0   2020-02-05  NaN    0    protein       none
71  6v8x     O         3.0   2020-02-05  NaN    0    protein       none

数据分布：

标签 0: 81019, 100: 140791, 200: 132580, 300: 75717, 400: 42730, 500: 19507, 600: 8027, 700: 6335, 800: 2849, 900: 2017, 1000: 6730
len >= 20, 518302, 87.33%；len < 20, 75189, 12.66%
Short20~100): 81019, 15.63%
Normal100~300): 140791+132580 = 273371, 52.75%
Long300~500): 75717+42730 = 118447, 22.85%
Very Long>500): 19507+8027+6335+2849+2017+6730 = 45465, 8.77%

蛋白质的链长大于20

蛋白质至少包含一个长多肽。短多肽，含有少于20-30个残基，很少被认为是蛋白质，通常被称为肽。

4. Antibody

chain_type: [‘k’ ‘h’ ‘protein’ ‘l’ ‘a’ ‘b’ ‘d’ ‘g’]

其中，k和l是轻链，protein是抗原或其他蛋白质
a\b\d\g是TCR的链
a: 721, b: 824, d: 54, g: 28, h: 10762, k: 6831, l: 2143, protein: 572128
Percentage of DB: 21363/593491 = 3.60%
BCR 19736)；TCR 1627)

lypz 实例如下：

g：F和H是 T cell Receptor Gamma Chain，T细胞受体 $γ\gamma$ 链
d：E和G是 T cell Receptor Delta，T细胞受体 $δ\delta$ 链

标签：

22355       22355  1ypz     A         3.4   2005-04-12  GSHSLRYFYTAVSRPGLGEPWFIIVGYVDDMQVLRFSSKEETPRMA...  260    protein       none
22356       22356  1ypz     B         3.4   2005-04-12  ADPIQRTPKIQVYSRHPAENGKSNFLNCYVSGFHPSDIEVDLLKNG...  102    protein       none
22357       22357  1ypz     C         3.4   2005-04-12  GSHSLRYFYTAVSRPGLGEPWFIIVGYVDDMQVLRFSSKEETPRMA...  260    protein       none
22358       22358  1ypz     D         3.4   2005-04-12  ADPIQRTPKIQVYSRHPAENGKSNFLNCYVSGFHPSDIEVDLLKNG...  102    protein       none
22359       22359  1ypz     E         3.4   2005-04-12  GDQVEQSPSALSLHEGTDSALRCNFTTTMRSVQWFRQNSRGSLISL...  207          d        TCR
22360       22360  1ypz     F         3.4   2005-04-12  HGKLEQPEISISRPRDETAQISCKVFIESFRSVTIHWYRQKPNQGL...  230          g        TCR
22361       22361  1ypz     G         3.4   2005-04-12  GDQVEQSPSALSLHEGTDSALRCNFTTTMRSVQWFRQNSRGSLISL...  207          d        TCR
22362       22362  1ypz     H         3.4   2005-04-12  HGKLEQPEISISRPRDETAQISCKVFIESFRSVTIHWYRQKPNQGL...  230          g        TCR
22363       22363  1ypz     I         3.4   2005-04-12                                                NaN    0    protein       none
22364       22364  1ypz     J         3.4   2005-04-12                                                NaN    0    protein       none
22365       22365  1ypz     K         3.4   2005-04-12                                                NaN    0    protein       none
22366       22366  1ypz     L         3.4   2005-04-12                                                NaN    0    protein       none
22367       22367  1ypz     M         3.4   2005-04-12                                                NaN    0    protein       none

LYPZ PDB结构：

Chain Type 数据分布：

BCR or TCR：

bcr or tcr type: [‘none’ ‘BCR’ ‘TCR’]
BCR: 3308, TCR: 186, none: 179209
Percentage of DB: 3494/182703 = 1.91%

5. Complex / Multimer

Chain 清洗前593491，清洗后357216；PDB 清洗前182703，清洗后140320。清洗方法：

df = df.loc[df['len'] >= 20]
df = df.loc[df['len'] <= 500]
df = df.loc[df["resolution"].fillna-1).astypeint) > 0]
df = df.loc[df["resolution"] <= 3]

具体分析：

complex chain range: 1 ~ 55
clean pdb 357216)：20 <= seq len <=500；resolution <= 3
链长范围：1: 57033, 2: 46973, 3: 6594, 4: 17094, 5: 1141, 6: 4703, 7: 301, 8: 2801, 9: 224, 10: 3456, sum: 140320
Monomer: 57033, 40.64%
Multimer2~4): 46973+6594+17094 = 70661, 50.35%
Multimer>=5): 1141+4703+301+2801+224+3456 = 12626, 9.00%

在全部的复合物 83287) 中，包括同源多聚体和异源多聚体：

Homo Multimer: 21721, 26.08%
Hetero Multimer: 83287, 73.92%

6. 参考

Stack Overfolw – Convert floats to ints in Pandas?
Stack Overfolw – histogram: setting y-axis label for pandas
Stack Overfolw – Matplotlib histogram with multiple legend entries
PDB – Resolution
Pandas: How to Combine Rows with Same Column Values
Stack Overflow – Selecting multiple columns in a Pandas dataframe
Stack Overflow – How to center labels in histogram plot
Control the color of barplots built with matplotlib
Display percentage above bar chart in Matplotlib
Stack Overflow – Get statistics for each group such as count, mean, etc) using pandas GroupBy?
Stack Overflow – How to get unique values from multiple columns in a pandas groupby
Pandas Groupby – Count of rows in each group

7. 源码

#!/usr/bin/env python
# -- coding: utf-8 --
"""
Copyright c) 2022. All rights reserved.
Created by C. L. Wang on 2023/4/10
"""import os
import sys
from time import timeimport numpy as np
import pandas as pd
from matplotlib import pyplot as plt
from matplotlib.patches import Rectanglep = os.path.dirnameos.path.dirnameos.path.abspath__file__)))
if p not in sys.path:sys.path.appendp)from myutils.project_utils import traverse_dir_files, write_list_to_file, mkdir_if_not_exist
from root_dir import DATA_DIRclass RcsbProcessorobject):"""RCSB数据集分析"""def __init__self):self.rcsb_dir = os.path.joinDATA_DIR, "rcsb")mkdir_if_not_existself.rcsb_dir)# 输入self.rcsb_full_dir = "[PDB文件夹]"self.profiling_protein_path = os.path.joinself.rcsb_dir, "profiling_protein_593491.csv")# 输出rcsb_full_prefix = "rcsb_pdb_all"self.rcsb_all_pdb_format = os.path.joinself.rcsb_dir, f"{rcsb_full_prefix}" + "_{}.txt")# 读取PDBpaths_list = traverse_dir_filesself.rcsb_dir)is_traverse = Falsefor path in paths_list:base_name = os.path.basenamepath)if rcsb_full_prefix in base_name:is_traverse = Trueif not is_traverse:self.init_full_paths)  # 初始化全部路径else:print"[Info] 已经初始化完成PDB全部路径!")def init_full_pathsself):printf"[Info] 初始化路径开始!")s_time = time)printf"[Info] 数据集路径: {self.rcsb_full_dir}")paths_list = traverse_dir_filesself.rcsb_full_dir)rcsb_all_pdb_path = self.rcsb_all_pdb_format.formatlenpaths_list))printf"[Info] 输出路径: {self.rcsb_full_dir}")write_list_to_filercsb_all_pdb_path, paths_list)printf"[Info] 写入完成! {rcsb_all_pdb_path}, 耗时: {time)-s_time}")@staticmethoddef draw_resolutiondata_list, save_path):"""绘制分辨率，分辨率的范围是-1到10，划分11个bin其中，-1是empty、[1,2,3]是high、其余是low:param data_list:   数据列表:param save_path:   存储路径:return:  绘制图像"""labels, counts = np.uniquenp.arraydata_list), return_counts=True)labels_str = []for vl in labels:if vl == -1:label = "empty"else:label = f"{vl} ~ {vl+1}"labels_str.appendlabel)labels_str.pop-1)labels_str.appendf">{labels[-1]}")# 颜色设置cmap = plt.get_cmap'jet')empty, high, middle, low = cmap0.2), cmap0.4), cmap0.6), cmap0.8)color = [empty, high, high, high, middle, middle, low, low, low, low, low, low]graph = plt.barlabels_str, counts, align='center', color=color, edgecolor='black')plt.gca).set_xtickslabels_str)handles = [Rectangle0, 0), 1, 1, color=c, ec="k") for c in [empty, high, middle, low]]color_labels = ["empty", "high", "middle", "low"]plt.legendhandles, color_labels)# 绘制百分比count_sum = sumcounts)percentage_list = []for count in counts:pct = count / count_sum) * 100percentage_list.appendroundpct, 2))i = 0max_height = max[p.get_height) for p in graph])for p in graph:width = p.get_width)height = p.get_height)x, y = p.get_xy)plt.textx + width / 2,y + height + max_height*0.01,strpercentage_list[i]) + '%',size=8,ha='center',weight='bold')i += 1# label设置plt.xlabel"Resolution")plt.ylabel"Frequency")# 尺寸以及存储fig = plt.gcf)fig.set_size_inches10, 6)if save_path:plt.savefigsave_path, bbox_inches='tight', pad_inches=0.1)else:plt.show)plt.close)@staticmethoddef draw_seq_lendata_list, save_path=None):"""绘制序列长度的分布:param data_list: 序列数据集:param save_path: 图像存储:return: None"""labels, counts = np.uniquenp.arraydata_list), return_counts=True)labels_str = []for vl in labels:if vl == -1:label = "empty"else:label = f"{vl}~{vl+100}"labels_str.appendlabel)labels_str[-1] = f">{labels[-1]}"labels_str[0] = f"20~100"counts = listcounts)graph = plt.barlabels_str, counts, align='center', edgecolor='black')plt.gca).set_xtickslabels_str)# label设置plt.xlabel"Seq. Len.")plt.ylabel"Frequency")# 颜色设置cmap = plt.get_cmap'jet')short, normal, long, v_long = cmap0.2), cmap0.4), cmap0.6), cmap0.8)color = [short, normal, normal, long, long, v_long, v_long, v_long, v_long, v_long, v_long]graph = plt.barlabels_str, counts, align='center', color=color, edgecolor='black')plt.gca).set_xtickslabels_str)handles = [Rectangle0, 0), 1, 1, color=c, ec="k") for c in [short, normal, long, v_long]]color_labels = ["short", "normal", "long", "very long"]plt.legendhandles, color_labels)# 绘制百分比count_sum = sumcounts)percentage_list = []for count in counts:pct = count / count_sum) * 100percentage_list.appendroundpct, 2))i = 0max_height = max[p.get_height) for p in graph])for p in graph:width = p.get_width)height = p.get_height)x, y = p.get_xy)plt.textx + width / 2,y + height + max_height*0.01,strpercentage_list[i]) + '%',size=8,ha='center',weight='bold')i += 1# 尺寸以及存储fig = plt.gcf)fig.set_size_inches12, 6)if save_path:plt.savefigsave_path, bbox_inches='tight', pad_inches=0.1)else:plt.show)plt.close)@staticmethoddef draw_chain_typedata_list, save_path=None):labels, counts = np.uniquenp.arraydata_list), return_counts=True)graph = plt.barlabels, counts, align='center', edgecolor='black')# label设置plt.xlabel"Chain Type")plt.ylabel"Frequency")plt.gca).set_xtickslabels)# 绘制百分比count_sum = sumcounts)percentage_list = []for count in counts:pct = count / count_sum) * 100percentage_list.appendroundpct, 2))i = 0max_height = max[p.get_height) for p in graph])for p in graph:width = p.get_width)height = p.get_height)x, y = p.get_xy)plt.textx + width / 2,y + height + max_height*0.01,strpercentage_list[i]) + '%',size=8,ha='center',weight='bold')i += 1# 尺寸以及存储fig = plt.gcf)fig.set_size_inches12, 6)if save_path:plt.savefigsave_path, bbox_inches='tight', pad_inches=0.1)else:plt.show)plt.close)plt.show)@staticmethoddef draw_bcr_or_tcr_typedata_list, save_path=None):labels, counts = np.uniquenp.arraydata_list), return_counts=True)graph = plt.barlabels, counts, align='center', edgecolor='black')# label设置plt.xlabel"BCR TCR")plt.ylabel"Frequency")plt.gca).set_xtickslabels)# 绘制百分比count_sum = sumcounts)percentage_list = []for count in counts:pct = count / count_sum) * 100percentage_list.appendroundpct, 2))i = 0max_height = max[p.get_height) for p in graph])for p in graph:width = p.get_width)height = p.get_height)x, y = p.get_xy)plt.textx + width / 2,y + height + max_height*0.01,strpercentage_list[i]) + '%',size=8,ha='center',weight='bold')i += 1# 尺寸以及存储fig = plt.gcf)fig.set_size_inches6, 6)if save_path:plt.savefigsave_path, bbox_inches='tight', pad_inches=0.1)else:plt.show)plt.close)plt.show)@staticmethoddef draw_complex_countsdata_list, x_label, save_path=None):"""绘制复合物的链数"""labels, counts = np.uniquenp.arraydata_list), return_counts=True)labels_str = [strl) for l in labels]labels_str[-1] = f">={labels_str[-1]}"counts = listcounts)graph = plt.barlabels_str, counts, align='center', edgecolor='black')plt.gca).set_xtickslabels_str)# label设置plt.xlabelx_label)plt.ylabel"Frequency")# 绘制百分比count_sum = sumcounts)percentage_list = []for count in counts:pct = count / count_sum) * 100percentage_list.appendroundpct, 2))i = 0max_height = max[p.get_height) for p in graph])for p in graph:width = p.get_width)height = p.get_height)x, y = p.get_xy)plt.textx + width / 2,y + height + max_height*0.01,strpercentage_list[i]) + '%',size=8,ha='center',weight='bold')i += 1# 尺寸以及存储fig = plt.gcf)if lenlabels_str) > 2:fig.set_size_inches12, 6)else:fig.set_size_inches6, 6)if save_path:plt.savefigsave_path, bbox_inches='tight', pad_inches=0.1)else:plt.show)plt.close)def process_resolutionself, df):"""处理分辨率"""out_dir = os.path.joinself.rcsb_dir, "charts")mkdir_if_not_existout_dir)df_resolution_unique = df["resolution"].unique)df_resolution_unique = sorteddf_resolution_unique)printf"[Info] resolution range: {df_resolution_unique[0]} ~ {df_resolution_unique[-1]}")df_resolution = df["resolution"].fillna-1).astypeint)df_resolution[df_resolution >= 10] = 10self.draw_resolutiondf_resolution, os.path.joinout_dir, "resolution_chain.png"))agg_functions = {'pdb': 'first', 'resolution': 'mean'}df_resolution_pdb = df.groupbydf['pdb']).aggregateagg_functions)df_resolution_pdb = df_resolution_pdb["resolution"].fillna-1).astypeint)df_resolution_pdb[df_resolution_pdb >= 10] = 10self.draw_resolutiondf_resolution_pdb, os.path.joinout_dir, "resolution_pdb.png"))@staticmethoddef show_value_countsdata_list):labels, counts = np.uniquenp.arraydata_list), return_counts=True)label_res_str = ""for label, count in ziplabels, counts):label_res_str += f"{label}: {count}, "label_res_str = label_res_str[:-2]printf"[Info] value_counts: {label_res_str}, sum: {sumcounts)}")def process_seq_lenself, df):"""处理序列长度"""df_len_unique = df["len"].unique)df_len_unique = sorteddf_len_unique)printf"[Info] seq len range: {df_len_unique[0]} ~ {df_len_unique[-1]}")df_len_all = df.loc[df['len'] >= 20]printf"[Info] len > 20: {lendf_len_all)}, len < 20: {lendf.loc[df['len'] < 20])}")df_len = df_len_all["len"].astypeint)df_len[df_len >= 1000] = 1000df_len = df_len / 100).astypeint)df_len = df_len * 100).astypeint)self.show_value_countsdf_len)out_dir = os.path.joinself.rcsb_dir, "charts")mkdir_if_not_existout_dir)self.draw_seq_lendf_len, os.path.joinout_dir, "seq_len.png"))def process_chain_typeself, df):df_chain_type = df["chain_type"]printf"[Info] chain_type: {df_chain_type.unique)}")self.show_value_countsdf_chain_type)df_chain_type = df.loc[df["chain_type"] != "protein"]["chain_type"]out_dir = os.path.joinself.rcsb_dir, "charts")mkdir_if_not_existout_dir)self.draw_chain_typedf_chain_type, os.path.joinout_dir, "chain_type.png"))agg_functions = {'pdb': 'first', 'bcr_or_tcr': 'first'}df_btcr = df.groupbydf['pdb']).aggregateagg_functions)df_btcr_type = df_btcr["bcr_or_tcr"]printf"[Info] bcr or tcr type: {df_btcr_type.unique)}")self.show_value_countsdf_btcr_type)df_btcr_type = df_btcr.loc[df_btcr["bcr_or_tcr"] != "none"]["bcr_or_tcr"]self.draw_bcr_or_tcr_typedf_btcr_type, os.path.joinout_dir, "bcr_or_tcr.png"))def process_complexself, df):df_pre_len = lendf)df = df.loc[df['len'] >= 20]df = df.loc[df['len'] <= 500]df = df.loc[df["resolution"].fillna-1).astypeint) > 0]df = df.loc[df["resolution"] <= 3]df_post_len = lendf)printf"[Info] df_pre_len: {df_pre_len}, df_post_len: {df_post_len}")df_pdb = df["pdb"].unique)printf"[Info] Clean PDB样本总数: {lendf_pdb)}")df_multimer = df.groupby['pdb']).size).reset_indexname='counts')df_multimer_unique = df_multimer['counts'].unique)printf"[Info] multimer: {df_multimer_unique[0]} - {df_multimer_unique[-1]}")df_multimer_counts = df_multimer["counts"].astypeint)df_multimer_counts[df_multimer_counts >= 10] = 10self.show_value_countsdf_multimer_counts)out_dir = os.path.joinself.rcsb_dir, "charts")mkdir_if_not_existout_dir)save_path = os.path.joinout_dir, "complex_chain_num.png")self.draw_complex_countsdf_multimer_counts, x_label="Complex Chain Num", save_path=save_path)# 同源或异源df_multimer_1 = df.groupby['pdb']).size).reset_indexname='counts')df_multimer_2 = df.groupby['pdb'])['seq'].applylambda x: lensetx))).reset_indexname='unique')# printf"{lendf_multimer_1)}, {lendf_multimer_2)}")# df_multimer_3 = df_multimer_2.loc[df_multimer_1["counts"] > 1]df_multimer = pd.mergedf_multimer_1, df_multimer_2, on='pdb')  # 根据PDB合并# printf"{lendf_multimer)}")# printf"[Info] df_multimer: \n{df_multimer[:5]}")df_multimer_unique = df_multimer.loc[df_multimer["counts"] > 1]["unique"]df_multimer_unique = df_multimer_unique.astypeint)df_multimer_unique[df_multimer_unique >= 2] = 2self.show_value_countsdf_multimer_unique)save_path = os.path.joinout_dir, "multimer_unique_num.png")self.draw_complex_countsdf_multimer_unique, x_label="Multimer Unique Num", save_path=save_path)def process_profilingself, csv_path):printf"[Info] csv文件: {csv_path}")df = pd.read_csvcsv_path)# printdf.info))df_pdb = df["pdb"].unique)printf"[Info] PDB样本总数: {lendf_pdb)}")df_chain = df["chain"].unique)printf"[Info] chain: {sorteddf_chain)}")df_release_date = df["release_date"].unique)df_release_date = sorteddf_release_date)printf"[Info] release_date {df_release_date[0]} - {df_release_date[-1]}")self.process_resolutiondf)self.process_seq_lendf)self.process_chain_typedf)self.process_complexdf)def processself):self.process_profilingself.profiling_protein_path)def main):rp = RcsbProcessor)rp.process)if __name__ == '__main__':main)

查看全文

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.dgrt.cn/a/2326111.html

如若内容造成侵权/违法违规/事实不符，请联系一条长河网进行投诉反馈，一经查实，立即删除！

AI制药 – RCSB PDB 数据集的多维度分析与整理 1)

欢迎关注我的CSDN：https://spike.blog.csdn.net/ 本文地址：https://blog.csdn.net/caroline_wendy/article/details/130089781 整体：
RCSB PDB 数据集是一个收集了蛋白质的三维结构信息的数据库，是世界蛋白质数据库（……

编程日记2023/4/14 21:37:30

jdbc用sql语句使用limit分页错误

#正确代码 Overridepublic List<Emp> findAllint currentPage) {List<Emp> empList new ArrayList<>);String sql "select * from emp limit " currentPage-1)*2",2";ResultSet rs jdbc.executeQuerysql, null);try {while rs.ne……

编程日记2023/4/14 21:36:55

PageHelper的使用，简单通俗的写一下

看了好多人的PageHelper使用，一看那么复杂，试了好几次都没有成功，如今终于做成了。核心注意的地方已加粗。后端真的超级简单，觉得前端复杂可以直接粘贴。效果如图再也不想用PageInfo实体类自己去写了，PageHelper真香……

编程日记2023/4/14 21:36:54

Spring打印sql语句，MybatisLog小黑鸟无法打印sql的解决

首先明确： MybatisLog只是把控制台的sql拼了一下，放到了那个小黑鸟工具上。所以：
你得有log4j.properties这个打印日志的文件配置。（包或者依赖）他是个Tools，你得正确安装
Q1:Tools没有MybatisLog 不管你……

编程日记2023/4/14 21:36:53

MySql可重复读的进一步认识

命令
#用来修改隔离级别
set session transaction isolation level read uncommitted
#查看当前隔离级别
select tx_isolation
#开启事务
begin脏读，不可重复读，幻读
脏读：另一事务处理的数据，没提交我就看到了
不可重复读&amp……

编程日记2023/4/14 21:36:53

wegt安装tomcat镜像use –no-check-certificate

1.加了–no-check-certificate发现镜像不见了换镜像
wget –no-check-certificate https://mirrors.huaweicloud.com/apache/tomcat/tomcat-8/v8.5.69/bin/apache-tomcat-8.5.69.tar.gz…

编程日记2023/4/14 21:36:52

又OutOfMemoryError: Java heap space了

报了一个错：
org.springframework.web.util.NestedServletException: Handler dispatch failed; nested exception is java.lang.OutOfMemoryError: Java heap spaceat …
Caused by: java.lang.OutOfMemoryError: Java heap space上次遇到一个错就是项目2秒GC一次……

编程日记2023/4/14 21:36:52

picgo+gitee 出错 404 或 Error in repo name at new Octo

很幸运，马上你就要配置成功了。失败原因在于特立独行的你的项目名称没按教程走或者gitee的用户名有过修改经历。
注意repo仓库的设置：是地址处的名字加斜杠加仓库名字。发现一个问题：以这种方式创建的图床必须是开源的，也就……

编程日记2023/4/14 21:36:51

mysql delete大量数据表锁死，kill的线程后线程处于killed状态问题解决

当我delete一个表时，大约50w条数据，数据量并不大，正常执行就是2秒，但是我删的时候出现的锁死的情况，我等待了大约20秒，按了ctrlC，这下这个表被彻底锁死了，任何操作都是没有反应。于……

编程日记2023/4/14 21:36:51

websocket+Nginx出现Connection‘ header value must contain ‘Upgrade‘报错解决

1.什么是Upgrade Connection: Upgrade 表示Upgrade是一个hop-by-hop的字段。这个头部是给proxy看的 Upgrade: websocket 表示浏览器想要升级到WebSocket协议。这个头部是给最终处理请求的程序看的。如果只有Upgrade: websocket，说明proxy不支持WebSocket升级&#……

编程日记2023/4/14 21:36:50

判定一副牌是否是顺子

转载一个不用排序就判定出顺子的算法：https://blog.csdn.net/qq_43968080/article/details/85346468
#include <stdio.h>
#include <stdlib.h>
#include <iostream>
using namespace std;#define MAX_COUNT 20
#define MASK_COLOR 0xF0 ……

编程日记2023/4/16 15:00:59

几篇讲解lua闭包函数的博文

1:、https://blog.csdn.net/maximuszhou/article/details/44280109
2、https://www.jb51.net/article/55806.htm
3、举例讲解lua闭包函数的实际表现 https://www.jb51.net/article/55806.htm
4、看了这两篇博文基本就明白了闭包函数的用法了。…

编程日记2023/4/16 15:00:59

cocosstudio的使用注意一（listview上加载一个itemLayout),item上加载checkbox,Text，导致listview“无法滑动”）

今天写代码遇到一个问题listview上加载一个itemLayout),item上加载checkbox,Text;并且设置回弹属性为false,那么死活无法向下滑动，so 我对litview添加监听事件，哦触发到了，所以，关键点是我只添加了一个item，所有没有……

编程日记2023/4/16 15:00:58

c++和lua相互调用

转载自：https://www.cnblogs.com/sevenyuan/p/4511808.html…

编程日记2023/4/16 15:00:57

lua中对于for循环的用法

关于此种写法的（for <var_list> in <expre_list> do end）
转载自：https://blog.csdn.net/qq_28644183/article/details/71629908…

编程日记2023/4/16 15:00:56

原 texture packer 处理图片空白的问题

转载至: https://blog.csdn.net/harryptter/article/details/50344219
设置一个属性 trim mode 属性为 none…

编程日记2023/4/16 15:00:56

使用命令行打包发布cocostudio资源

参考：https://www.jianshu.com/p/4f19568aff0c
http://www.cocoachina.com/bbs/read.php?tid-282397.html
注意（-f） .ccs的路径不能使用相对路径，只能绝对路径； -o)发布资源路径可以是相对路径…

编程日记2023/4/16 15:00:55

cocostudio常见问题

1、不同界面使用不同路径但是名字相同的csd文件，在没有清除可写路径（cocos存在是一个容器中）；可能会出现问题，
具体距离， layerA,layerB，在layerA中加载一个nodeTmp,在layerB中也加载一个nodeT……

编程日记2023/4/16 15:00:54

cocos3.10环境配置

https://blog.csdn.net/hfutdog/article/details/71368171…

编程日记2023/4/16 15:00:54

cocos-lua中添加lfs的库

方案一：
1、转载：https://blog.csdn.net/sc1987910/article/details/79622014
2、上述转载的博客会编译不通过，需要在lfs.h中添加： #ifdef __cplusplus extern "C" { #endif #include <lua.h> #include <lau……

编程日记2023/4/16 15:00:53

AI制药 – RCSB PDB 数据集的多维度分析与整理 1

1. RCSB PDB

2. Resolution

3. Seq. Len.

4. Antibody

5. Complex / Multimer

6. 参考

7. 源码

相关文章：

AI制药 – RCSB PDB 数据集的多维度分析与整理 1)

jdbc用sql语句使用limit分页错误

PageHelper的使用，简单通俗的写一下

Spring打印sql语句，MybatisLog小黑鸟无法打印sql的解决

MySql可重复读的进一步认识

wegt安装tomcat镜像use –no-check-certificate

又OutOfMemoryError: Java heap space了

picgo+gitee 出错 404 或 Error in repo name at new Octo

mysql delete大量数据表锁死，kill的线程后线程处于killed状态问题解决

websocket+Nginx出现Connection‘ header value must contain ‘Upgrade‘报错解决

判定一副牌是否是顺子

几篇讲解lua闭包函数的博文

cocosstudio的使用注意一（listview上加载一个itemLayout),item上加载checkbox,Text，导致listview“无法滑动”）

c++和lua相互调用

lua中对于for循环的用法

原 texture packer 处理图片空白的问题

使用命令行打包发布cocostudio资源

cocostudio常见问题

cocos3.10环境配置

cocos-lua中添加lfs的库

Published by

风君子

发表回复取消回复

1. RCSB PDB

2. Resolution

3. Seq. Len.

4. Antibody

5. Complex / Multimer

6. 参考

7. 源码

相关文章：

AI制药 – RCSB PDB 数据集的多维度分析与整理 1)

jdbc用sql语句使用limit分页错误

PageHelper的使用，简单通俗的写一下

Spring打印sql语句，MybatisLog小黑鸟无法打印sql的解决

MySql可重复读的进一步认识

wegt安装tomcat镜像use –no-check-certificate

又OutOfMemoryError: Java heap space了

picgo+gitee 出错 404 或 Error in repo name at new Octo

mysql delete大量数据表锁死，kill的线程后线程处于killed状态问题解决

websocket+Nginx出现Connection‘ header value must contain ‘Upgrade‘报错解决

判定一副牌是否是顺子

几篇讲解lua闭包函数的博文

cocosstudio的使用注意一（listview上加载一个itemLayout),item上加载checkbox,Text，导致listview“无法滑动”）

c++和lua相互调用

lua中对于for循环的用法

原 texture packer 处理图片空白的问题

使用命令行打包发布cocostudio资源

cocostudio常见问题

cocos3.10环境配置

cocos-lua中添加lfs的库

Published by

风君子

发表回复 取消回复

发表回复取消回复