Swiss-protへのfunctionのタグの付け方

'+':機能既知の条件=true かつ 推定機能の条件=false
'?':機能既知の条件=true かつ 推定機能の条件=true
'U':機能既知の条件=false

'+'  :63169 (78.9 %)
'?'  : 6557 ( 8.1 %)
'U'  :10274 (12.8 %)
total:80000

機能既知の条件

次の３つの条件のどれかがあてはまれば、既知とします。

1. "KW"の欄にinformativeなkeywordが１つ以上あること
2. "DE"の欄にinformativeな文字が６文字以上あること
3. "CC"の欄に"FUNCTION"か"CATALYTIC ACTIVITY"の記述があること

1. informativeでないKeywordは、以下の通りです。これらを含んでいるだけでは 機能既知とは扱われません。

    "Hypothetical protein", "Transmembrane", "Inner membrane",
    "Repeat", "Polymorphism", "Signal", "3D-structure",
    "Coiled coil", "Multigene family", "Antigen"
   

2. "DE"からinformativeな文字だけ抽出するには？

   例えば、以下のようなDESCRIPTIONはfunctionの情報を含んでいないと 考えられます。

   DE   APAG PROTEIN.
   DE   21.1 KD PROTEIN IN PANB-HTRE INTERGENIC REGION.
   DE   HYPOTHETICAL 24.8 KD PROTEIN IN DJLA-RLUA INTERGENIC REGION.
   DE   10 KD PROTEIN PRECURSOR (CLONE PSAS10).
   DE   110 KD ANTIGEN (PK110) (FRAGMENT).
   DE   PROTEIN Z600
   

   よって、これらから、informativeでない語、例えば"PROTEIN", "INTERGENIC", "REGION", "CLONE", "FRAGMENT"などを全て除き、それでも残った文字をinformativeな文字とします。 この条件を決めるのは実際には大変煩雑で、informativeでないと思われる DESCRIPTIONの実例を見ながら試行錯誤的に決めましたが、まだ改良の余地は あると思います。DEの文字列を引数としてinformativeな部分だけを返す perlの関数は以下のようになります。

   sub Get_Informative_String{
    local($inputstr) = $_[0];
    ## $_[1] : GENE NAME Array (reference);
    local($g);
   
    $inputstr =~s/\.$//g;
    
    foreach $g (@{$_[1]})  { $inputstr =~s/$g //; $inputstr =~s/$g$//; } 
    
    $inputstr =~s/HYPOTHETICAL//g;
    $inputstr =~s/PUTATIVE//g;
    $inputstr =~s/PROBABLE//g;
    $inputstr =~s/PRECURSOR//g;
    $inputstr =~s/FROM//g;
    $inputstr =~s/UNKNOWN//g;
    $inputstr =~s/ANTIGEN//g;
    $inputstr =~s/FRAGMENT//g;
    $inputstr =~s/CLONE//g;
    $inputstr =~s/GENE//g;
    $inputstr =~s/ .{1,10}-.{1,10} INTERGENIC REGION\s?\(?.*\)?//g;
    $inputstr =~s/PROTEIN IN .{1,15}REGION\s?\(?.*\)?//g;
    $inputstr =~s/IN CHROMOSOME//g;
    $inputstr =~s/IN .{0,15}CHROMOSOME//g;
    $inputstr =~s/PROTEIN//g;
    $inputstr =~s/[0-9]+\.[0-9] KD//g;
    $inputstr =~s/[0-9]+ KD//g;
    $inputstr =~s/\(ORF.+\)//g;
    $inputstr =~s/-LIKE//g;
    $inputstr =~s/LIKE//g;
    $inputstr =~s/INTERGENIC//g;
    $inputstr =~s/REGION//g;
    $inputstr =~s/LARGE//g;
    $inputstr =~s/SMALL//g;
    $inputstr =~s/SUBUNIT//g;
    $inputstr =~s/VERY//g;
    $inputstr =~s/CHAIN//g;
    $inputstr =~s/SPOTS \w+\/\w+\/\w+\/\w+\/\w+//g;
    $inputstr =~s/SPOTS \w+\/\w+\/\w+\/\w+//g;
    $inputstr =~s/SPOTS \w+\/\w+\/\w+//g;
    $inputstr =~s/SPOTS \w+\/\w+//g;
    $inputstr =~s/\(SPOT.+\)//g;
    $inputstr =~s/2D-PAGE SPOTS//g;
    $inputstr =~s/2D-PAGE//g;
    $inputstr =~s/2D_\w+ //g;
    $inputstr =~s/HOMOLOG//g;
    $inputstr =~s/HOMOLOGY//g;
    $inputstr =~s/ IN //g;
    $inputstr =~s/\W//g;
    $inputstr =~s/\d//g;
    return($inputstr);
   }
   
   
   

Swiss-protのマニュアル "How is biochemical information assigned to sequence entries ?" (http://www.expasy.ch/cgi-bin/lists?annbioch.txt)によれば、全ゲノム データのannotationについて、以下のような場合分けがしてあります。

(III) Protein sequence data from translation of genome sequencing data

  1. identical to an existing sequence in SWISS-PROT from the same organism,
  2. identical to an existing sequence in SWISS-PROT from a different
     organism which may or may not be related
  3. strong similarity (i.e. many residues are conserved residues), over the
     entire sequence, to an existing entry (from a related or different
     organism)
  4. strong similarity only at regions in the sequence (from same, related
     or different organism)
  5. some similarity to one or more existing entries
  6. no similarity to any existing entries

CASE  3         4             5             6 
DE    PROBABLE  PROBABLE      PUTATIVE      HYPOTHETICAL
KW    -         Hypothetical  Hypothetical  Hypothetical

1. "DE"の欄に"PROBABLE"か"PUTATIVE"か"HYPOTHETICAL"を含む
2. "Hypothetical protein"というKeywordがある