第五步：下载数据集，也是最头疼的一步，因为数据集太大，网络波动也很大，这里提供两个下载数据集的办法：
Uniprot （Universal Protein ）是包含蛋白质序列，功能信息，研究论文索引的蛋白质数据库，整合了包括EBI（ European Bioinformatics Institute），SIB（the Swiss Institute of Bioinformatics），PIR（Protein Information Resource）三大数据库的资源。
今天为大家介绍的是来自Elena Papaleo团队的一篇论文。论文讨论了一种名为PDBminer的开源软件包，它旨在简化和加速蛋白质结构的识别和选择过程，减少错误。
Blast ，全称：Basic Local Alignment Search Tool，“基于局部比对算法的搜索工具”，是生物信息学常用的工具软件，可将输入的核酸或蛋白质序列与数据库中的已知序列进行比对，获得序列相似度等信息，从而判断序列的来源或进化关系。
python extract_CDS_from_gb.py input.gb output.fasta
the configuration of an annotation project is controlled by four files:
SMART是蛋白结构域的数据库，该数据库最新版本为v8,收录了1300多个蛋白结构域信息，覆盖了来自uniprot, ensembl等多个数据库的蛋白。官网如下
Gene ID 也称Entrez ID，EntrezGene ID ，是 NCBI 使用的能够对众多数据库进行联合搜索的搜索引擎, 其对不同的 Gene 进行了编号, 每个 gene 的编号就是 entrez gene id. ，说白了，就是数字，比如：TP53 ，Gene ID就是: 7157。由于 entrez id 相对稳定, 所以也被众多其他数据库, 如 KEGG 等采用. Entrez Gene ID 就是一系列数字, 也比较容易辨识。R 或网站都有众多的工具可以帮助从不同的 ID 转换为 entrez id 或者反向转换。
关于蛋白质结构的PDB文件，做分子对接，估计大家都知道PDB这个蛋白质数据库啦。这里简单的介绍一下。
首页（https://www.uniprot.org/）输入：基因名_物种，获取ID号
Gene Ontology是研究基因功能的重要数据库之一，在进行GO的富集分析时，需要提供所有基因对应的GO注释信息，本文介绍几种获取该信息的方式。
做生物学研究的人，难免会遇到各种各样的基因ID号。有我们比较熟悉的也比较直观的基因名字，如TP53。也有其他数据库里，但是也比较常用的ID，如ensembl ID，entrez gene ID等等。
背景 预测得到一个物种的全部基因之后，接下来自然而然的问题就出现了。这些基因都有哪些功能呢?这就需要进行基因功能注释。基因功能注释就是将待查基因与已知数据库进行比对，如果比对上则认为二者
今天给大家介绍一个通过uniprot数据库API进行蛋白质示意图的绘制的R包drawProteins。通过这个包可以进行蛋白质域的位置分布的可视化并且可以标注磷酸化位点等信息。我们先了解几个概念：Rel同源区（RHD, Rel蛋白质家族分子结构氨基末端(N端)约300个氨基酸残基(aa)区域具有共同特征），核定位区（真核细胞核膜上的核孔复合体 (nuclearpore complex, NPC) 是细胞核内外进行物质交换的主要通道, 分子量较小的化合物可自由通过NPC或采取被动扩散的方式进入细胞核, 而分子
O.Sativa选用MSU或者RAPDB这两个数据库的genome和gtf文件，介绍一下MSU的ID，RAPDB的同理。The Rice Annotation Project (RAP)（https://rapdb.dna.affrc.go.jp/index.html）和Rice Genome Annotation Project （RGAP7，MSU）（http://rice.plantbiology.msu.edu/index.shtml）RAP格式为“Os-Chr-g-number”，MSU格式为“LOC_Os-Chr-g-number”。
今天向大家介绍DeepMind团队发表在Nucleic Acids Research上的一篇Breakthrough文章“AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models”。作者在文章中介绍了一种名为AlphaFold DB的蛋白质数据库(https://alphafold.ebi.ac.uk)，它是一个可公开访问的高精度蛋白质结构预测数据库。在 DeepMind提出的AlphaFold v2.0模型的支持下，它使已知蛋白质序列空间的结构覆盖范围实现了前所未有的扩展。该数据库提供了可编程访问及交互式可视化功能，包括预测的原子坐标、每个残基和成对模型置信度的估计，以及预测的对齐误差。AlphaFold DB的初始版本包含21种模型生物蛋白质组中的360,000多个预测结构，很快将扩展到涵盖UniRef90数据集中的大部分代表性序列（超过1亿个）。
原文来源：x2yline在生信进化树上的评论，http://www.biotrainee.com/thread-626-1-1.html
KEGG是通路数据库中最庞大的，涵盖基因组网络信息，主要注释基因的功能和调控关系。当我们选到了合适的候选分子，单变量研究也已做完，接着研究机制的时便可使用到它。 你需要了解你的分子目前已有哪些研究，跟
摘要总结：本文通过五个案例，介绍了在生物信息学领域如何通过KEGG数据库进行通路分析、基因表达量分析、信号通路富集分析、基因共表达分析以及差异分析等操作。同时，本文还介绍了如何使用GEO数据库进行数据检索和分析，以及使用R语言进行通路富集分析的方法。通过这些操作，可以更好地理解基因调控网络、挖掘潜在的功能模块以及发现新的生物标志物和靶点。
对于一个基因而言，我们经常使用的，同时在文章里面能看到的还是基因名。例如: TP53, RNF180。这样的名字，是这个基因功能+编号的简写。例如TP53就是Tumor Protein P53的简写，RNF180是Ring Finger Protein 180的简写。对于很多对基因进行记录的数据库而言，为了他们自己数据库记录的方便，对于每个基因都会进行自己数据库的唯一编号，这样就导致了一个基因形成了很多不同的编号(ID)。例如下图就是一个基因多个数据库的不同ID号。
今天给大家介绍的是由斯坦福大学Anvita Gupta和James Zou两人在“Nature Machine Intelligence”上发表的文章” Feedback GAN (FBGAN) for DNA: a Novel Feedback-Loop Architecture for Optimizing Protein Functions”。
希望所有的学徒，实习生以及马拉松授课学员都可以在咱们《生信技能树》的舞台上大放异彩。前面有粉丝自告奋勇希望可以把他自己在简书等平台的生物信息学笔记分享在我们《生信技能树》公众号，在专业的舞台上跟大家切磋！非常欢迎，他前面的分享是：
要想成为一名合格的生物信息工程师，首要条件就是能在各大生信数据库中自由翱翔。目前的生信数据库大体可以分为三类：
1写在前面 我们在paper中经常需要画到细胞结构图，新手ppt一点一点画，高手可能会用AI手搓，土豪直接使用BioRender。🤒 今天给大家大家分享一个代码画细胞结构图的R包，如果你觉得自己不会写代码，不想看了，那你就错过了哦。😜 这个R包还开发了shiny，实现交互，鼠标点点就可以完成。🤩 真希望有一天开发出个AI，人们描绘一下要画什么样的图，就有了，而且还特别有创意，解放我等科研狗的双手。🤣 2用到的包 rm(list = ls()) # devtools::install_github("sval
在进行基因相关研究的时候，我们经常需要查询了解基因的相关功能，才能知道我们要往哪里进行下一步研究。对于基因功能的查询，我们介绍过ncbi的gene数据库，同样的之前的gene id转换的时候我们也提到过，关于基因信息的汇总除了gene数据库还有ensembl、uniprot等等很多数据库，各个数据库都提供了不同的基因信息。我们在查询的时候，总不能说把各个数据库都查询一遍吧？所以今天就给大家介绍一个汇总了多个数据库的基因信息查询网站: GeneCards (https://www.genecards.org/)
1 uniprot获取蛋白序列 #retrieving a uniprot protein sequence using SeqinR library("seqinr") choosebank("swissprot") leprae <- query("leprae","AC=Q9CD83") lepraeseq <- getSequence(leprae$req[[1]]) ulcerans <- query("ulcerans","AC=A0PQ23") ulceransseq <- getSequen
2022年7月28日，DeepMind官方网站发布AlphaFold最新进展：AlphaFold已经确定了地球上几乎所有已知生物体中大约2亿种蛋白质的结构。
亚细胞定位是指某种蛋白或某个基因表达产物在细胞内的具体存在部位，包括细胞核、细胞质和细胞膜等部位。传统的实验方法有，利用一些荧光蛋白如GFP、YFP，通过其在激光照射下发出的绿色或黄色荧光，从而精确确定编码蛋白的定位。如果面对质谱打出来很多蛋白，传统的实验方法显得十分乏力。如果能利用生物信息学手段基于一些算法如机器学习等开发的方法进行亚细胞定位预测分析辅助于实验，这样就能省时省力节约成本。
大家好，我是技能树的老朋友啦，三年前在群主的第一波RNA-seq入门8步活动中因为表现优异获得群主青睐成为技能树VIP一员，也开启了自己的学习经验分享人生，考虑到技能树过于偏重于肿瘤等疾病领域经验分享，我有必要自告奋勇推荐一下自己的我们植物学领域的生物信息学应用心得体会，会以4个头条的形式发布，也欢迎大家点击原文直达我的博客！
1.Uniprot ID mapping 可以很方便地把 ID 转换为其他 ID 类型, 所包含的类型十分全面【https://www.uniprot.org/uploadlists/】
今天为大家介绍的是来自Daniel Jesus Diaz团队的一篇论文。基于AI的蛋白质工程框架使用自监督学习（SSL）来获得用于下游突变效果预测的表示。最常见的训练目标是野生型准确性：在一个序列或结构中屏蔽一个野生型残基，然后预测缺失的氨基酸。然而，野生型准确性与蛋白质工程的主要目标不符，后者是建议突变而不是识别自然界中已存在的氨基酸。作者在此提出进化排名（EvoRank），这是一种结合从多序列比对（MSAs）中提取的进化信息的训练目标，用于学习更多样化的蛋白质表示。EvoRank对应于在MSA引导的概率分布中对氨基酸可能性进行排名。这个目标迫使模型学习蛋白质的潜在进化动态。在各种表型和数据集上，作者证明了EvoRank在零样本性能方面有显著提升，并且可以与在实验数据上进行微调的模型竞争。
在撰写文献的过程中，我们往往发现，一幅简洁、准确的图画通常会比单纯的文字描述更加直观易懂。然而，想要绘制一幅图却总是对传统绘图软件繁琐复杂的步骤感到头痛，毕竟像PowerPoint、Illustrator、Photoshop这些传统绘图软件并非只是为了制作生物序列图而准备。
蛋白质是生命的主力军，了解它们的序列和结构，是设计新酶、开发救命药物等生物学和医学挑战的关键。
通过进化树，我们可以得到一些非常有价值的信息，比如说某几个物种在同一分支上，说明他们有着较近的亲缘关系，更有可能他们之间存在着祖先与进化的关系。比如最近来势汹汹的新冠肺炎，下图为从网上找的冠状病毒遗传进化分析，其中图中2019-nCoV即为本次新型冠状病毒。
当然，这个gtf是有非常多的值得探索的地方，比如可以完成http://www.biotrainee.com/thread-626-1-1.html 我在生信技能树»生信技能树›互动作业›脚本能力实践›生信人必练的200个数据处理任务›生信编程直播第三题：hg38每条染色体基因,转录本的分布 ！
美国的国家生物技术信息中心（National Center forBiotechnology Information，NCBI，https://www.ncbi.nlm.nih.gov/）是1988年美国国家健康研究所（National Institutesof Health，NIH）和国家医学图书馆（United StatesNational Library of Medicine，NLM）联合发起成立的分子生物学、生物化学、遗传学知识储备和文献整理平台，并逐步演变为大规模生物医药数据存储、分类与管理，生物分子序列、结构与功能分析，分子生物软件开发、发布与维护，生物医学文献收集与整理，全球范围数据提交与专家注释于一体的世界生物医学信息与技术资源数据库。NCBI采用著名的Entrez搜索和信息检索系统，可以进行在线资源检索，同时构建FTP数据资源下载平台（https://www.ncbi.nlm.nih.gov/guide/all/#downloads），方便用户批量下载数据。
文章目录 一、前言 二、比赛说明 1. Evaluation 2. Timeline 3. Prize 4. Code Requirements 三、数据说明 四、总结 🍉 CSDN 叶庭云：https://yetingyun.blog.csdn.net/ ---- 一、前言 竞赛题目：AMP®-Parkinson’s Disease Progression Prediction 竞赛地址：https://www.kaggle.com/competitions/amp-parkinsons-disea
上周我们公布了，蛋白质组学习小组起飞啦！ 短短几天就获得了250多小伙伴的支持，让我们也更有信心的带领大家掌握一个蛋白质组学数据处理的实战，前面两期我们分享的是：
生物信息学研究中，获取基因列表的GO和KEGG富集分析的需求非常常见。目前有许多生物信息学手段或者数据库可以实现基因富集分析，例如DAVID，但它们有些是收费的，有些不易于使用且很少维护。例如DAVID曾经有六年的时间（2010-2016）没有维护数据库，最近的更新也已经两年半了。而Metascape每月更新其相关的40多个数据库，以确保提供最准确的结果。因此Metascape数据库可以作为富集分析的比较好的手段。
Network-based prediction of drug combinations
机器之心报道 编辑：陈萍、小舟、泽南 科学界已知的几乎所有蛋白质结构，都在这里了。 蛋白质是生命的基础构件，它们由氨基酸链组成，折叠成不同的复杂形状。蛋白质的功能通常由其 3D 结构决定。如果我们了解蛋白质的折叠方式，就可以开始探索它们是如何工作的，并尝试改变它们的功能。尽管 DNA 提供了制造氨基酸链的指令，但预测它们如何相互作用以形成蛋白质的 3D 结构是一个巨大的挑战。 一年前，DeepMind 发布了 AlphaFold2，以原子水平的准确度预测了 2/3 的蛋白质结构，并与 EMBL-EBI 共同
包含三大蛋白质序列数据库，Swiss-Prot，TrEMBL 和PIR，分为三个层次： 第一层叫UniParc，收录了所有UniProt 数据库子库中的蛋白质序列，量大，粗糙。
近年来，特别流行通过网络药理学进行药物的靶点预测，进一步实验验证，一定程度上简化了“盲人摸象式”的前期研究，也增强了最终确定的靶点可信度。即所谓的“干实验+湿实验”。
将Ensembl 中的蛋白ID转化成基因ID,可以通过clusterProfiler这个包。 如以大鼠的基因与蛋白转化为例; 安装clusterProfiler与大鼠org.Rn.eg.db，如果是人的注释包为org.Hs.eg.db,小鼠的注释包为org.Mm.eg.db.
蛋白质是生命功能的执行者，一切生命活动都与蛋白质有关。 我们知道，蛋白质结构分为一级结构和空间结构，而空间结构包含二级三级和四级结构，空间结构是蛋白质功能的关键。而一级结构又决定空间结构，也就是说空间结构的信息蕴藏在一级结构中。 一级结构指的是蛋白质中氨基酸的排列顺序，和DNA一级结构一致。 也就是说蛋白质发挥什么功能，基本在一级结构中就确定了。
对大家来说，耳熟能详的软件就是 MaxQuant 啦，在综述文章《Bioinformatics Methods for Mass Spectrometry-Based Proteomics Data Analysis》有详细的介绍各种软件的对比汇总。
来自北京航空航天大学的李静等人，开发了一种用于病毒抗原免疫原性预测的机器学习集成方法 Viruslmmu。
开源 Python 和命令行程序 gget 可以高效、轻松地以编程方式访问存储在各种大型公共基因组参考数据库中的信息。 gget 与可获取用户生成的测序数据的现有工具一起使用 ，以取代在基因组数据分析过程中效率低下、可能容易出错的手动网络查询。虽然 gget 模块的灵感来自于繁琐的单细胞 RNA-seq 数据分析任务），但我们预计它们可用于广泛的生物信息学任务。
药物靶点的预测对于早期药物分子的成药性评价和老药新用等领域都具有重大意义，但由于通量、精度和费用的限制，实验手段的应用难以广泛开展。作为一类快速而低成本的方法，基于人工智能的药物-靶标预测算法正受到越来越多的重视。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
