protein-sequence-msa

前提条件

1. uv：uv のスキルを読み、セットアップ手順に従って、uv がインストールされ、PATH に含まれていることを確認します。
2. ユーザーへの通知：.licenses/protein_sequence_msa_LICENSE.txt がワークスペースのルートディレクトリに存在しない場合は、（1）https://www.ebi.ac.uk/jdispatcher/msa/clustalo および https://www.ebi.ac.uk/about/terms-of-use/ の利用条件を確認するようユーザーに明確に通知し、（2）通知内容とタイムスタンプを記録したファイルを作成します。
3. .env ファイル：ホームディレクトリに .env ファイルがあることを確認します。存在しない場合は作成します。
4. USER_EMAIL：EBI が推奨する、Clustal Omega ジョブの追跡にラッパースクリプトが必要とする情報です。このスキルがユーザーのリクエストに関連する場合は、必ず credentials スキルの安全な認証情報プロトコルを使用して、この認証情報の有無を確認し、必要に応じてユーザーに提供を依頼します。

基本ルール

• ラッパーを使用する：アラインメントは必ず scripts/msa_align.py を実行して行い、独自の curl やカスタム Python リクエストを作成してはいけません。このスクリプトは、EBI の利用条件を遵守するために必要なレート制限を自動的に適用します。
• 通知：このスキルを使用した場合は、そのことを出力に記載します。

• 手法を必ず明記する：すべてのレポートで、アラインメントを EBI Clustal Omega を使用して実行したことを明確に記載します。

• 幻覚を避ける：アラインメントや保存性の指標を捏造してはいけません。アラインメントファイルに記載されている内容のみを報告します。

目標

複数のタンパク質配列を FASTA 形式で含むファイルを受け取り、EBI Clustal Omega API を使用して多重配列アラインメントを実行し、以降のプログラムによる解析に使えるよう、結果のアラインメントをローカルに保存します。また、類似性の評価、保存ドメインの特定、重要残基の解析など、ユーザー固有の研究目的に沿って結果を解釈します。

手順

1. 入力ファイルを準備する： 入力には、FASTA 形式のタンパク質配列を 2 つ以上含むプレーンテキストファイルを使用します。各配列のヘッダーは > 記号で始まる必要があります。例：

   >Sequence_1_Name
   MQIFVKTLTGKTITLEVEPSDTIENVKAKIQDKEGIPPDQ
   QRLIFAGKQLEDGRTLSDYNIQKESTLHLVLRLRGG
   >Sequence_2_Name
   MQIFVKTLTGKTITLEVEPSDTIENVKAKIQDKEGIPPDQ
   QRLIFAGKQLEDGRTLSDYNIQKESTLHLVLRLRGG
   

2. アラインメントを実行する： アラインメントスクリプトを実行します。

   uv run scripts/msa_align.py <INPUT_FASTA> -o <OUTPUT_FILE>
   

   出力ファイルは必ず -o または --output で指定してください。

3. 結果を解釈して報告する： 研究目的に沿った指標とマッピング戦略を選択し、Clustal Omega のアラインメントを分析します。Clustal Omega はグローバルアラインメントを生成しますが、配列セット内の特定の関係を評価するために、ペアワイズ指標を抽出できます。

   • 同一性指標の選択肢： 分母の選択によって、挿入／欠失（ギャップ）が最終的な割合にどのように影響するかが決まります。生物学的な文脈に基づいて、最も適切な計算方法を選択してください。
     • ペアワイズ ― 配列カバレッジ： (同一残基の一致数) / (短い方の配列の長さ)。特定のドメインや断片が、より大きなタンパク質内に完全に保存されているかを判定する場合に使用します。長い方の配列内のギャップは無視し、短い方の配列の「内容」のみに注目します。
     • ペアワイズ ― グローバル同一性： (同一残基の一致数) / (アラインメントの合計列数)。想定される長さが類似した全長配列を比較する場合に使用します。最も保守的な指標であり、MSA 内のどの配列によって生じたギャップ（インデル）もすべて考慮します。
     • ペアワイズ ― オーバーラップ同一性： (同一残基の一致数) / (アラインメントの合計列数 - 末端ギャップ)。断片と全長タンパク質を比較する場合や、配列に長い非アラインメント領域の「テール」がある場合に使用します。配列が実際に重なり合う部分のみの類似性に注目します。
     • マルチシーケンス ― 保存指数： (完全に保存された列数) / (アラインメントの合計列数)。アラインメントセット全体で 100％同一の残基の割合を定量化する場合に使用します。これにより、タンパク質ファミリーの中核となる進化的特徴を特定できます。
   • 特徴マッピング： 特定の配列について既知の生物学的データを活用し、分析の根拠とします。
     • 情報の収集： 入力データまたは外部ツールを使用して、関連する既知の部位や領域（例：触媒残基、結合モチーフ）を特定します。
     • 座標の投影： これらの特徴を、アラインメントの対応する列インデックスにマッピングします。
     • 対象を絞った考察： これらの列を使って評価を進めます。
       • 局所的な保存性： 既知の機能残基がセット全体で不変かどうかを分析します。
       • 領域固有の指標： 配列全体ではなく、マッピングした機能領域に限定して同一性／類似性を計算します。
       • 目的への貢献： 保存性を使って予測を裏付けたり、分岐を根拠に機能仮説を退けたりするなど、このデータが目的にどう貢献するかを考察します。

参考資料

• マルチプルシーケンスアラインメント：https://www.ebi.ac.uk/jdispatcher/msa/clustalo