数据库|Pfam在线注释以及本地化全攻略

Pfam: the protein families database11.501Nucleic Acids Res . 2014 Jan;42(Database issue):D222-30. doi: 10.1093/nar/gkt1223. Epub 2013 Nov 27.

Abstract

Pfam（http://pfam.xfam.org/）是一个被广泛使用的蛋白家族结构域数据库，其依赖于多序列比对和隐马尔可夫模型（HMMs）鉴定一个或多个蛋白质功能结构域。结构域的不同组合方式产生的蛋白质在自然界中各种不同。因此蛋白结构域的鉴别对分析蛋白质的功能来说尤其重要。

一

Pfam数据库概述

Pfam数据库中，提供了以下3个不同层级蛋白质家族信息。

1、family

每个family以PF编号**标识，family可以分为以下5种类型：

2、clans

对多个family进行相似性聚类，将具有相似的三维结构或者相同motif的family归为一个clan,每个clan以CL编号标识。

3、proteones

物种的蛋白质组信息说明。查询蛋白质结构域，蛋白质结构域超级家族，物种蛋白质组信息。

二

在线注释

Pfam提供了在线分析入口，导航栏中选择SEARCH。

1、Sequence

以一条蛋白质序列为例，查找这条蛋白质序列上的结构域，可以用Sequence入口查找：点击->Sequence->输入序列->Submit。

得到这条蛋白序列上的结构域信息，以及Pfam-A数据库比对上序列，如下：

2、Batch search

如果获得一个物种的基因蛋白或核酸序列，可以通过Batch search对整个物种的蛋白结构域进行注释。点击->Batch search->选择文件->输入有效邮箱->Submit。注释结果以邮件的形式发送。

3、Keyword

Keyword提供了通过关键词查找，例如输入关键词：apoptosis（细胞凋亡）。

得到细胞凋亡相关注释结果。

4、Taxonomy

通过输入species names或者序列名称，查找蛋白结构域，例如输入Caenorhabditis。

5、其他

Domain architecture search是通过PfamAlyzer程序构建序列结构域。

Jump to是通过输入Pfam ID查找。

三

Pfam本地化配置

1、数据库和软件下载

√ PfamScan.pl工具（ftp://ftp.ebi.ac.uk/pub/databases/Pfam/Tools/PfamScan.tar.gz）

√ 蛋白结构域数据库（ftp://ftp.sanger.ac.uk/pub/databases/Pfam/current_release/），按照说明小编下载的数据如下：

       Pfam-A.hmm.gz

       Pfam-A.hmm.dat.gz   

       Pfam-B.hmm.gz     

       Pfam-B.hmm.dat.gz   

       active_site.dat.gz

注意：Pfam-A为高质量，手工确定的蛋白结构域数据，Pfam-B为基于Pfam-A数据库自动注释得到的蛋白结构域数据库.

√ HMMER3（http://www.hmmer.org/download.html）

√ Anaconda3（https://repo.anaconda.com/archive/Anaconda3-2019.10-Linux-x86_64.sh）

2、安装

Anaconda3安装

sh Anaconda3-2019.10-Linux-x86_64.sh -b -p $HOME/anaconda3

左右滑动查看

修改环境变量

export PATH=$HOME/anaconda3/bin:$PATH

左右滑动查看

export PERL5LIB="$HOME/PfamScan:$PERL5LIB"

左右滑动查看

HMMER3的安装

conda install -c bioconda hmmer=3.1b2

左右滑动查看

Moose的安装

cpan Moose#注意该软件建议用root账号安装

左右滑动查看

3、数据库使用

数据库建索引

hmmpress Pfam-A.hmm

左右滑动查看

数据库使用

perl $HOME/PfamScan/pfam_scan.pl -fasta xx.faa -dir $HOME/PfamScan/db -outfile xx.pfam.xls -clan_overlap -as -cpu 16 -e_seq 1e-5 -e_dom 1e-5

左右滑动查看

参数说明：

-dir   Pfam_data_dir包含Pfam数据库文件的目录[必须]

-fasta fasta_file 包含序列的输入文件名,必须为蛋白序列 [必须]

-outfile output_file 输出文件名 [不指定则输出在命令行中]

-e_seq 序列E-value阈值 [不指定则使用默认阈值]

-e_dom 结构域E-value阈值 [不指定则使用默认阈值]

-b_seq 序列bit score阈值 [不指定则使用默认阈值]

-b_dom 结构域bit score阈值[不指定则使用默认阈值]

-clan_overlap 允许不同上级分类的序列重叠 [默认关闭]

-align 在结果中显示比对片段 [默认关闭]

-as 预测Pfam-A数据库匹配的active sites[默认关闭]

-cpu 并行分析的CPU数目 [默认全部]

-translate [mode] 将输入序列视为DNA，并在搜索前使用6框翻译的方法进行转换。如果翻译模式[mode]被指定，则必须为"all"或者"orf"。"all"表示完整翻译，包括终止子并且不产生单独的ORFs；"orf"表示只翻译和报告长度大于20的ORFs。[默认关闭]

输出结果

输出结果说明：

(1) seq_id：蛋白序列编号

(2) alignment start：蛋白序列比对的起始位置

(3) alignment end：蛋白序列比对的终止位置

(4) envelope start：蛋白序列结构域的起始位置

(5) envelope end：蛋白序列结构域的终止位置

(6) hmm acc：比对到pfam结构域的ID

(7) hmm name：pfam结构域名称

(8) type：pfam结构域类型

(9) hmm start：比对到结构域的起始位置

(10) hmm end：比对到结构域的终止位置

(11) hmm length：pfam结构域的长度

(12) bit score：比对打分分值

(13) E-value：比对的E值

(14) Significance：比对序列的显著性

(15) Clan：蛋白结构域超级家族名称

(16) predicted_active_site_residues：比对的序列是否位于酶的活性部位