在NGS数据中查找CDR

Question

我有数以百万计的fasta格式的序列，希望提取CDR2 ( CDR1，CDR2和CDR3)，.I只选择一个序列作为例子，尝试提取CDR1，但不能提取CDR1。

sequence:-'FYSHSAVTLDESGGGLQTPGGGLSLVCKASGFTFSSYGMMWVRQAPGKGLEYVAGIRNDA‘.

cdr1从：- 'VCKASGFTFS‘开始，最多有三个替换，但C必须排在第二位。cdr1的结尾是：-‘WVRQAP’，最多有两个替代者，但R必须排在第三位。

提取的cdr1应该是SYGMM

def cdr1_in(cdr_in): #VCKASGFTFS
    pin=0
    max_pin=3       
    
    if cdr[1]!='C':
        pin+=1
    if cdr[0]!='V':
        pin+=1
    if cdr[2]!='K':
        pin+=1
    if cdr[3]!='A':
        pin+=1    
    if cdr[4]!='S':
        pin+=1
    if cdr[5]!='G':
        pin+=1
    if cdr[6]!='F':
        pin+=1
    if cdr[7]!='T':
        pin+=1    
    if cdr[8]!='F':
        pin+=1
    if cdr[9]!='S':
        pin+=1   
  
    if pin<max_pin:
        print('CDR_in pattern', cdr_in)
        # print('CDR_starts from', arr.index(cdr_in)+9)
        return (arr.index(cdr_in)+9)
 
    def cdr1_out(cdr_out):#WVRQAP
    
        pin=0
        max_pin=2            
        if cdr[1]!='V':
            pin+=1
        if cdr[0]!='W':
            pin+=1
        if cdr[2]!='R':
            pin+=1
        if cdr[3]!='Q':
            pin+=1    
        if cdr[4]!='A':
            pin+=1
        if cdr[5]!='P':
            pin+=1
            
        if pin<max_pin:
            # print('CDR_in pattern', cdr_out)
            # print('CDR_ends at', arr.index(cdr_out))
            return (arr.index(cdr_out))
 

K=10
arr=sequence
for i in range(len(arr)-k+1):
        slider=arr[i:k+i]
        print("CDR_1 is:", arr[cdr1_in(slider): cdr1_out(slider)])        

Answer 1

我认为你是在分析免疫序列数据，而CDR指的是B或T细胞受体的互补决定区域，这是正确的吗？数据是人类的还是老鼠的？如果是这样的话，您可能想看看现有的工具，而不是重新发明轮子。我用过混和。另一个流行的工具是IMGT/HighV-任务，但AFAIK只能作为web应用程序使用，不能用于大型数据集。如果它们不符合您的目的，您至少可以得到关于如何进行的提示。