最近有一大堆质谱数据，但好多蛋白都是已经研究过得，为了寻找和bait蛋白相关，但又特异的假定蛋白，决定写个Python程序过滤掉不需要的信息，保留想要的信息。
方案：
1，找出所有质谱数据中特异蛋白中的假定蛋白并按得分高低排序。
2，根据蛋白序列号找出假定蛋白可能含有的结构域，写入excel文件。
3，说干就干
第一步主要用集合的性质去重，用re正则表达式找出序列号，用openpyxl写入excel，根据得分排序。
#质谱蛋白去重
import re
import openpyxl
reg = re.compile(r'MGG_\d{5}')
def read_csv(name):
with open(name,'r') as f:
csv_data = f.read()
csv_num = re.findall(reg, csv_data)
return set(csv_num)
def write_excel(file,filename):
wb = openpyxl.Workbook()
ws = wb.active
ws['A1'],ws['B1'],ws['C1'],ws['D1'],ws['E1'] = '序列号','蛋白信息','得分','覆盖度','分子量'
ws.freeze_panes = 'A2'
for num in unique:
for line in open(file):
#print(line+'****')
if num in line and 'hypothetical protein' in line:
ws.append((line.split(',')[1:]))
wb.save(filename)
if __name__ == '__main__':
ATG3 = read_csv(r'C:\Users\zhuxueming\Desktop\ATG3.csv')#添加所需比对的文件，以及绝对路径。需要.csv格式的excel
Vps9 = read_csv(r'C:\Users\zhuxueming\Desktop\vps9.csv')#添加所需比对的文件，以及绝对路径。需要.csv格式的excel
K3G4 = read_csv(r'C:\Users\zhuxueming\Desktop\K3G4.csv')#添加所需比对的文件，以及绝对路径。需要.csv格式的excel
unique = ATG3-(Vps9|K3G4)#进行数据筛选，ATG3-(Vps9|K3G4)代表ATG3中的数据有，而vps9和K3G4中都没有的集合。-号为差集，|为并集
#unique_Vps9 = Vps9-(K3G4|ATG3)
write_excel(r'C:\Users\zhuxueming\Desktop\ATG3.csv',\
r'C:\Users\zhuxueming\Desktop\unique_Atg31.xlsx')#第一个为需要比对的文件，第二个为所输出的excel和路径 >>>
第二步，根据第一步excel中的序列号在NCBI上找出结构域信息获取并写入新的excel中。
import requests
import re
import openpyxl
from bs4 import BeautifulSoup
head = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
url = r'https://www.ncbi.nlm.nih.gov/gene/?term='
wb = openpyxl.Workbook()
ws = wb.active
ws['A1'],ws['B1'],ws['C1'],ws['D1'],ws['E1'] = '假定蛋白信息','得分','结构域1','结构域2','结构域3'
ws.freeze_panes = 'A2'
def seq_data(file, filename):
for line in open(file):
if 'MGG_' in line:
score = line.split(',')[2]
MGG = re.search(r'MGG_\d{5}',line).group(0)
full_url = url + MGG
l = []
l.append(MGG)
l.append(score)
try:
res = requests.get(full_url,headers = head)
res.encoding = 'utf-8'
soup = BeautifulSoup(res.text,'lxml')
domain = soup.find_all("dd",class_='clearfix')#获取标签内容
for each in domain:
l.append(each.text)
except BaseException:
pass
ws.append(l)#写入excel
wb.save(filename)#保存
if __name__ == '__main__':
seq_data(r'C:\Users\zhuxueming\Desktop\unique_Atg31.csv',\
r'C:\Users\zhuxueming\Desktop\ATG3_special_hyp_protein_domain.xlsx')
