BioPython:氨基酸序列包含'J‘，无法计算分子量

Question

我正在处理的数据来自一个Excel文件，该文件的氨基酸序列在索引1中。我正在尝试使用BioPython根据该序列计算不同的属性。我现在拥有的代码：

import xlrd
import sys
from Bio.SeqUtils.ProtParam import ProteinAnalysis

print '~~~~~~~~~~~~~~~ EXCEL PARSER FOR PVA/NON-PVA DATA ~~~~~~~~~~~~~~~'

print 'Path to Excel file:', str(sys.argv[1])
fname = sys.argv[1]
workbook = xlrd.open_workbook(fname, 'rU')

print ''
print 'The sheet names that have been found in the Excel file: '
sheet_names = workbook.sheet_names()
number_of_sheet = 1
for sheet_name in sheet_names:
    print '*', number_of_sheet, ':     ', sheet_name
    number_of_sheet += 1

with open("thefile.txt","w") as f:
    lines = []
    f.write('LENGTH.SEQUENCE,SEQUENCE,MOLECULAR.WEIGHT\n')
    for sheet_name in sheet_names:
        worksheet = workbook.sheet_by_name(sheet_name)
        print 'opened: ', sheet_name
        for i in range(1, worksheet.nrows):
            row = worksheet.row_values(i)
            analysed_seq = ProteinAnalysis(row[1].encode('utf-8'))
            weight = analysed_seq.molecular_weight()
            lines.append('{},{},{}\n'.format(row[2], row[1].encode('utf-8'), weight))
    f.writelines(lines)

它一直在运行，直到我加上了分子量的计算。这显示了以下错误：

Traceback (most recent call last):
  File "Excel_PVAdata_Parser.py", line 28, in <module>
    weight = analysed_seq.molecular_weight()
  File "/usr/lib/python2.7/dist-packages/Bio/SeqUtils/ProtParam.py", line 114, in molecular_weight
    total_weight += aa_weights[aa]
KeyError: 'J'

我查看了Excel的数据文件，结果显示氨基酸序列确实包含J。有人知道一个BioPython包可以捕获“未知氨基酸”吗?或者有其他建议吗？

Answer 1

正如peterjc所说，J是一种编码亮氨酸(L)或异亮氨酸(I)的模棱两可的氨基酸。两者具有相同的分子量：

>>> from Bio.SeqUtils.ProtParam import ProteinAnalysis
>>> ProteinAnalysis('L').molecular_weight()
131.1729
>>> ProteinAnalysis('I').molecular_weight()
131.1729

因此，您可以临时将所有出现的J替换为L或I，以计算分子量。

Answer 2

Biopython使用来自IUPAC的蛋白质分子量，请参阅https://github.com/biopython/biopython/blob/master/Bio/Data/IUPACData.py

J是一种不明确的氨基酸，编码亮氨酸或异亮氨酸(L或I)，用于无法区分它们的核磁共振中。

根据你为什么需要分子量，它可能适合你使用重量的平均值使用L和I？