protein-sequence-msa

前提条件

1. uv：阅读 uv 技能，并按照其中的设置说明，确保已安装 uv 且其位于 PATH 中。
2. 用户通知：如果工作区根目录中尚不存在 .licenses/protein_sequence_msa_LICENSE.txt，则 (1) 显著提醒用户查看 https://www.ebi.ac.uk/jdispatcher/msa/clustalo 和 https://www.ebi.ac.uk/about/terms-of-use/ 中的条款，然后 (2) 创建该文件，记录通知文本和时间戳。
3. .env 文件：确保 .env 文件存在于你的主目录中。如果不存在，则创建一个。
4. USER_EMAIL：包装脚本需要此项来跟踪 Clustal Omega 作业（EBI 建议提供）。如果此技能与用户的请求相关，必须使用 credentials 技能中的安全凭据协议来检查并请求此凭据。

核心规则

• 使用包装脚本：始终使用 scripts/msa_align.py 执行序列比对，不要自行编写 curl 或自定义 Python 请求。该脚本会自动强制执行所需的速率限制，以遵守 EBI 的使用条款。
• 通知：如果使用了此技能，确保在输出中提及这一点。

• **始终说明方法：**每份报告都必须明确说明，该序列比对使用 EBI Clustal Omega 完成。

• 禁止臆造：不得编造序列比对结果或保守性指标。仅报告比对文件中实际存在的内容。

目标

读取包含多条 FASTA 格式蛋白质序列的文件，使用 EBI Clustal Omega API 进行多序列比对，将生成的比对结果保存在本地以供后续程序化分析，并结合结果解读，以回应用户的具体研究目标（例如，评估相似性、识别保守结构域或分析关键残基）。

说明

1. 准备输入文件： 输入必须是纯文本文件，包含两个或更多 FASTA 格式的蛋白质序列。每个序列的标题行都必须以 > 符号开头。示例：

   >Sequence_1_Name
   MQIFVKTLTGKTITLEVEPSDTIENVKAKIQDKEGIPPDQ
   QRLIFAGKQLEDGRTLSDYNIQKESTLHLVLRLRGG
   >Sequence_2_Name
   MQIFVKTLTGKTITLEVEPSDTIENVKAKIQDKEGIPPDQ
   QRLIFAGKQLEDGRTLSDYNIQKESTLHLVLRLRGG
   

2. 执行比对： 运行比对脚本：

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

   始终使用 -o 或 --output 指定输出文件。

3. 解读并报告结果： 根据研究目标选择合适的指标和映射策略，分析 Clustal Omega 比对结果。请注意，虽然 Clustal Omega 会生成全局比对，但可以提取成对指标，以评估集合中的特定关系：

   • 一致性指标选项： 分母的选择决定了插入/缺失（gap）对最终百分比的影响。请根据生物学背景选择最合适的计算方法：
     • 成对 - 序列覆盖率： (Identical Residue Matches) / (Length of Shorter Sequence)。用于判断特定结构域或片段是否完整保留在较大的蛋白质中。此方法忽略较长序列中的 gap，纯粹关注较短序列的“内容”。
     • 成对 - 全局一致性： (Identical Residue Matches) / (Total Alignment Columns)。用于比较预期长度相近的全长序列。这是最保守的指标；它会对 MSA 中任何序列引入的所有 gap（插入缺失）进行惩罚。
     • 成对 - 重叠区一致性： (Identical Residue Matches) / (Total Alignment Columns - Terminal Gaps)。用于比较片段与全长蛋白质，或序列存在较长未比对“尾部”的情况。此方法仅关注序列实际重叠区域的相似性。
     • 多序列 - 保守性指数： (Fully Conserved Columns) / (Total Alignment Columns)。用于量化整个比对集合中 100% 一致的残基所占的百分比。此指标可识别蛋白质家族的核心进化特征。
   • 特征映射： 利用特定序列中已知的生物学数据，为分析提供依据：
     • 收集信息： 从输入内容或借助外部工具，识别相关的已知位点或区域（例如催化残基、结合基序）。
     • 坐标投影： 将这些特征映射到比对的相应列索引。
     • 针对性讨论： 利用这些列开展评估：
       • 局部保守性： 分析已知功能残基在整个集合中是否保持不变。
       • 区域特异性指标： 具体计算已映射功能区域内的一致性/相似性，而非对整个序列进行计算。
       • 目标贡献： 讨论这些数据如何助力实现目标，例如利用保守性佐证预测，或利用差异性否定功能假设。

参考资料

• 多序列比对：https://www.ebi.ac.uk/jdispatcher/msa/clustalo