匹配另一个字符串(2)中的字符串(1)，并根据字符串(2)提取位置信息

Question

我想将字符串(1)与另一个字符串(2)进行匹配，并基于字符串(1)中包含的序列信息，提取基于字符串(2)的位置信息。我有一个包含肽(氨基酸)序列的数据帧，其中包含额外的化学修饰信息。这些发生在M或C位置。我希望能够将这些字符串与原始文件进行匹配，该文件包含使用光谱匹配算法匹配的所有蛋白质序列，并输出该蛋白质的氨基酸和位置。

我使用seqinr包读入了一个包含20320个条目的.fasta文件，这些条目如下所示：

$`sp|Q9Y478|AAKB1_HUMAN` [1]"MGNTSSERAALERHGGHKTPRRDSSGGTKDGDRPKILMDSPEDADLFHSEEIKAPEKEEFLAWQHDLEVNDKAPAQARPTVFRWTGGGKEVYLSGSFNNWSKLPLTRSHNNFVAILDLPEGEHQYKFFVDGQWTHDPSEPIVTSQLGTVNNIIQVKKTDFEVFDALMVDSQKCSDVSELSSSPPGPYHQEPYVCKPEERFRAPPILPPHLLQVILNKDTGISCDPALLPEPNHVMLNHLYALSIKDGVMVLSATHRYKKKYVTTLLYKPI"

我有一个单独的数据帧，其中包含肽的列表，例如：

           ptm_probability                    ptm_peptide            protein_ID protein_description
1 C(1.000)SDFTEEIC(1.000)R K.C[478.99]SDFTEEIC[478.99]R.R sp|P50213|IDH3A_HUMAN Isocitrate dehydrogenase [NAD] subunit alpha, mitochondrial OS=Homo sapiens GN=IDH3A PE=1 SV=1

ptm_probability中的氨基酸序列显示了修饰存在的分数和可能性。ptm_peptide中的序列具有由"."表示的序列前后的氨基酸，而修饰包含在括号[478.99]中，修饰可以包含不同的数字。

理想情况下，我希望输出包含一个肽列表列，该列显示氨基酸的一个字母代码，后跟蛋白质中的数字位置：

position
C32
C16, C20

哪些包/函数可以让我做到这一点？我可以尝试按原样匹配序列，并发出命令忽略修改后的[478.99]以适应fasta文件当前的格式吗？或者是否应该剥离mods，然后根据肽的起始/结束位置来计算相对位置？如果我必须将成百上千的肽序列与20k的列表进行匹配，那么有什么快速的方法可以做到这一点？任何建议都将不胜感激。

Answer 1

我不确定你的数据的格式。对于我的解决方案，我假设您有一个大写蛋白质的向量，我使用您的ptm_probability列的格式。该功能检查一个肽与所有蛋白质，它应该是合理的直接使用lapply或purrr:map来运行它对所有肽。

我的解决方案基本上是将修饰的氨基酸转换为小写，然后查找小写字母在蛋白质序列中的位置。它返回一个列表，其中每个蛋白质都有一个带有修饰氨基酸及其位置的字符向量。

数据：

proteins <-c("PRQTEINCSDFTEEICRPRQTEIN",
             "SOMEPRQTEINCSDFTEEICRQTHER",
             "PRQTEINPRQTEIN")

peptide <- c("C(1.000)SDFTEEIC(1.000)R")

功能：

library(stringi)
library(purrr)

find_mods <- function(proteins, peptide){

  # first convert the amino acid with the modificiation
  # (prior to the opening parenthesis) to lowercase
  peptide <- gsub("(.)(?=\\()", "\\L\\1", peptide, perl = TRUE)

  # strip everything that is not a letter from the peptide string
  peptide <- gsub("[^[:alpha:]]", "", peptide)

  # do a case insensitive matching of the peptide sequence in the protein
  # and replace that occurrence with the peptide sequence. Now the modified
  # amino acids in the protein are in lowercase
  pattern <- paste0("(?i)", peptide)
  proteins <- gsub(pattern, peptide, proteins, perl = TRUE)

  # Find the lowercase letters in all proteins
  a <- gregexpr("[a-z]", proteins)
  matches_a <- regmatches(proteins, a)

  # Find the positions of all lowercase letters in all
  # proteins 
  l1 <- stringi::stri_locate_all(proteins, regex = "[a-z]")

  #combine letter and position of the modifications
  purrr::map2(matches_a,l1, ~ paste0(toupper(.x),.y[,1]) )
  }

输出：

find_mods(proteins, peptide)
[[1]]
[1] "C8"  "C16"

[[2]]
[1] "C12" "C20"

[[3]]
[1] "NA"