[ROSALIND] 단백질 motif 찾기

문제 설명

단백질은 기능적 단위인 단백질 도메인(protein domain)으로 이루어져 있다. 도메인마다 하나의 기능이 알려져 있고, 일반적으로 단백질은 여러 역할을하기 때문에 1개 이상의 도메인을 가지고 있다. 이렇게 같은 도메인을 가지고 있는 단백질들을 묶어서 유전자군(gene/protein family)라고 부른다.

단백질 도메인의 기능을 정의하는 더 작은 단위로 모티프(motif)가 존재한다. 모티프는 진화적 측면으로 봤을 때도 잘 보존되어 있기 때문에 다른 종 간에서도 유사한 모티프의 확인이 가능하다.

단백질 서열은 세계적으로 다양한 연구실에서 발견되고 온라인 상에서는 UniProt에 단백질 데이터가 쌓이고 있다. 여기서 단백질의 구체적인 서열, 기능, 도메인 구조, 단백질 번역 후 변형(post-translational modification)과 같은 다양한 정보가 제공된다. 이 정보를 이용하여 연구자들은 단백질 유사성 검색, 종 분류 분석, 인용된 문헌 등을 찾아볼 수 있다. 

---

문제 (Finding a Protein Motif)

단백질 모티프는 흔히 이렇게 표기한다:

[XY] = X 또는 Y 아미노산
{X} = X를 제외한 모든 아미노산

N-glycosylation 모티프는 이렇게 표기된다:

N{P}[ST]{P}

Uniprot 아이디가 여러개 주어졌을 때, 해당 단백질 서열에 포함된 N-glycosylation 모티프의 위치를 모두 출력하시오.

 

예시

A2Z669
B5ZC00
P07204_TRBM_HUMAN
P20840_SAG1_YEAST

예상 결과

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

 

해결

from urllib.request import urlopen
import re

with open("rosalind_mprt.txt", "r") as f:
    ids = f.readlines()

# N-glycosylation motif = N{P}[ST]{P}
for id in ids:
    id = id.strip()
    uniprot_id = id.split('_')[0]
    url = f"http://www.uniprot.org/uniprot/{uniprot_id}.fasta"
    response = urlopen(url)
    seq = ''.join(map(lambda x: x.decode('utf-8', 'ignore').replace('\n', ''), response.readlines()[1:]))
    
    res = re.search('N[^P][ST][^P]', seq)
    matches = [0]
    while res:
        start = matches[-1] + res.span()[0] + 1
        matches.append(start)
        res = re.search('N[^P][ST][^P]', seq[start:])
    
    if len(matches) > 1:
        print(id)
        print(' '.join(map(str, matches[1:])))