如何从多个蛋白质序列中提取多态位置？

Question

我有几个fasta蛋白比对（~5000），我想确定多态位置加上氨基酸残基在序列之间的变化。我自己也试过写一段代码，但很难（我是编程新手），我也看过BioPython，但还没有发现任何东西。我想要这样的东西：

蛋白质比对：

> sp1 MQGAAYMQAAAYYMQA
> sp2 MQGAARMQGAAYYMQA
> sp3 MQGAARMQGAAYYMQM
> sp4 MQGAARMQGAAYYMQA
> sp5 MQGAARMQAAAYYMQA
           ^  ^      ^

在上面的例子中，对齐有3个多态位置（用^标记）。第一个位于第6位，第二个位于第9位，第三个位于第16位。多态位点的一个常见符号可以是：R6Y，这意味着从R到Y的第6个位置发生了变化。变化的方向（R->；Y或Y->；R）基于该位置最常见的字母。因此，在这种情况下，R的频率最高，可以推断方向是R->；Y

如您所见，第6位和第16位有单个变化（不同的字母频率为1）。但是，第9个位置有两个序列（sp1和sp5）随时间变化。我想区分这两种多态性。因此，在这种情况下，我想要这样的输出：

输出：

# Alignment #1
#   Single polymorphisms:
#     R6Y: sp1
#     A16M: sp3

#   Non-single polymorphisms:
#     G9A: sp1, sp5

我希望这有助于澄清（抱歉，如果有点太长）。你知道吗

任何建议都非常感谢，谢谢！！你知道吗

Answer 1

这里有一个函数可以找出两个等位基因之间的差异。第一个应该是由每个位置（在您的示例中是MQGAARMQGAAYYMQA）最频繁的字母组成的规范多晶型。你知道吗

def polymorphic_positions(allele1, allele2):
    return [p[1][0] + str(p[0] + 1) + p[1][1] 
            for p in enumerate(zip(allele1, allele2))
            if p[1][0] != p[1][1]]

示例：

>>> polymorphic_positions('MQGAARMQGAAYYMQA', 'MQGAARMQGAAYYMQM')
['A16M']
>>> polymorphic_positions('MQGAARMQGAAYYMQA', 'MQGAARMQAAAYYMQA')
['G9A']

以下是一些参考资料：

• List Comprehensions
• zip
• enumerate