python 服务器批处理得到PSSM矩阵

1. 在linux上安装psiblast

最好新建一个python环境，因为我发现conda安装blast默认的是python==3.6.11，可能会不小心把你的python版本改掉…然后你写好的代码全die了……

conda create -n blast python==3.6.11
source activate blast
conda install -c bioconda blast

2.下载并编译用于比对的大型蛋白质数据库

nr和uniprot是比较通用的数据库：

ftp://ftp.ncbi.nlm.nih.gov/blast/db/
https://www.uniprot.org/downloads

1)nr是ncbi收集的目前所有微生物的蛋白序列，是用来计算氨基酸一般情况下的频率的，160G

2)uniprot90根据相似性做了一个去冗余，所以比nr要小很多，56G

# 以uniprot90为例
wget ftp://ftp.uniprot.org/pub/databases/uniprot/uniref/uniref90/uniref90.fasta.gz # 下载
gzip -d uniref90.fasta.gz # 解压
makeblastdb -in uniref90.fasta -parse_seqids -hash_index -dbtype prot # 编译

解析完成后的样子：

文件是这个样子：（只截取了一部分）

 

3. 获取PSSM矩阵

我的初始文件是：

P00269.fasta是对单条蛋白质处理，里面的格式是：

 testset.fasta是对蛋白质集合批处理，里面的格式是（也可以单独蛋白质存为.fasta文件，由于blast只能处理单条蛋白糊，把这个集合知识归总的意思，第一步还是要生成单条蛋白质的.fasta文件，所以这个文件看个人意愿）：

1）单条蛋白质序列的处理方法

import os
os.system('psiblast -query dataset/P00269.fasta -db /PSSM/uniref90.fasta -num_iterations 3 -out_ascii_pssm /dataset/P00269.pssm')##这个蛋白质好慢呀

2）批处理获取的方法

import os

file_name='/dataset/testset.fasta'
Protein_id=[]
with open(file_name,'r') as fp:
    i=0
    for line in fp:

        if i%2==0:
            # Protein_id.append(line[1:-1])
            id=line[0:-1]
            p=line[1:-1]
            with open ('/dataset/'+str(p)+'.fasta','a') as protein:
                protein.write(id)
                # protein.write()
        if i%2==1:
            seq=line[0:-1]
            with open ('/dataset/'+str(p)+'.fasta','a') as protein:
                protein.write('\n')
                protein.write(seq)
        i=i+1

        os.system('psiblast -query '+'/dataset/'+str(p)+'.fasta -db /PSSM/uniref90.fasta -num_iterations 3 -out_ascii_pssm /dataset/'+str(p)+'.pssm')

##PSSM真是太慢了，下面是只生成一个后的截图

 emmmm，在研究怎么把这个矩阵存入文件方便调用，今天应该会更新……但是他好慢啊，不想用了。

参考文献：

linux下用psiblast批量生成pssm矩阵_褚骏逸的博客-CSDN博客