Day28 | Rosalind 生資解題 - 016. MPRT（Finding a Protein Motif）

題目連結：https://rosalind.info/problems/mprt/

這題題目讓我看了非常久，尤其不懂他符號所代表的意思

輸入：

A2Z669
B5ZC00
P07204_TRBM_HUMAN
P20840_SAG1_YEAST

輸出：

B5ZC00
85 118 142 306 395
P07204_TRBM_HUMAN
47 115 116 382 409
P20840_SAG1_YEAST
79 109 135 248 306 348 364 402 485 501 614

今天這一題開始變得繁瑣，是真正的「上機題目」
要連上網並且出動爬蟲(requests)套件，來取得UniProt網站上的蛋白質序列資料
UniProt（Universal Protein Resource）是全球最大、最權威的蛋白質序列與功能資料庫

取得蛋白質序列

透過蛋白質id取得蛋白質序列

這邊以 題目範例輸入給這四個序列名稱為例：

A2Z669
B5ZC00
P07204_TRBM_HUMAN
P20840_SAG1_YEAST

分別各自要去以下四個網址取得序列

https://rest.uniprot.org/uniprotkb/A2Z669.fasta
https://rest.uniprot.org/uniprotkb/B5ZC00.fasta
https://rest.uniprot.org/uniprotkb/P07204.fasta
https://rest.uniprot.org/uniprotkb/P20840.fasta

蛋白質名字太長的要把底線_之後的字符給去掉，留下id即可，否則訪問會出錯

• P07204_TRBM_HUMAN 這種寫法是 Entry Name（名稱顯示）
• P07204 則是 Accession ID（主鍵、唯一值）

打開網址長這樣，獲得一條完整序列

Motif序列配對規則

題目原文有這一句：
[XY] means "either X or Y" and {X} means "any amino acid except X
For example, the N-glycosylation motif is written as N{P}[ST]{P}.

Motif 規則拆解：
N{P}[ST]{P}代表連續4個胺基酸位置要符合以下：
位置i：要為N
位置i+1：不為P
位置i+2：是S或T
位置i+3：不是P

大括號{}代表排除
中括號[]代表包含其中之一

詳細規則參考：PROSITE pattern syntax

PROSITE 是生物資訊學中影響深遠的始祖之一，是蛋白質家族與功能位點（functional sites）資料庫，生物學界的正規化表示法（motif表示語法）源於此

程式碼

import re
from typing import List
import requests

# motif規則（N-glycosylation）
MOTIF_RULE = re.compile(r'(?=(N[^P][ST][^P]))')

def normalize_id(uid: str) -> str:
    # 標準化蛋白質id，統一去除底線後，僅保留底線之前的字串
    return uid.split("_", 1)[0]


def fetch_api(uniprot_id: str) -> str:
    n_id = normalize_id(uniprot_id)
    urls = [
        f"https://rest.uniprot.org/uniprotkb/{n_id}.fasta", # 新版api(2022後)，若失敗再去嘗試取舊版
        f"https://www.uniprot.org/uniprot/{n_id}.fasta", # 舊版api
    ]
    for url in urls:
        resp = requests.get(url, timeout=1) # 設置爬取冷卻時間
        if resp.status_code == 200 and resp.text.strip(): # 若有成功訪問網站，直接返回取得序列
            lines = [ln.strip() for ln in resp.text.splitlines() if ln.strip()]
            seq = "".join(ln for ln in lines if not ln.startswith(">"))
            if seq:
                return seq
    # 沒成功返回代表爬取失敗
    print(f"{uniprot_id}爬取失敗")
    return ""

def find_positions(seq: str) -> List[int]:
    pos = []
    for m in MOTIF_RULE.finditer(seq):
        start = m.start() + 1  # 起始位置轉成 1-based
        pos.append(start)
    return pos

def solve(ids: List[str]) -> None:
    for id in ids:
        try:
            seq = fetch_api(id)
        except Exception as e: # 錯誤處理
            continue
        indices = find_positions(seq)
        if indices: # indexes
            print(id)
            print(" ".join(map(str, indices)))

if __name__ == "__main__":
    ids = ["A2Z669", "B5ZC00", "P07204_TRBM_HUMAN", "P20840_SAG1_YEAST"]
    solve(ids)