Protein Mining Skill - 蛋白质挖掘自动化流程#

本skill实现了系统化的蛋白质挖掘工作流，包含7个核心模块，每个模块产生可交付的实验结果和可视化图表，适用于高质量学术论文发表。

---

Module 1: Literature Survey & Target Identification#

模块1：文献调研与靶标确定

Objectives#

• 系统性文献检索与分析
• 确定研究靶标蛋白家族
• 建立研究假设和科学问题

Workflow#

1. 文献数据库检索

• PubMed/Google Scholar关键词搜索
• 检索策略：蛋白家族名 + 功能 + 物种
• 时间范围：近10年高影响因子文献优先

1. 文献筛选与分析

• 提取关键蛋白序列信息
• 总结已知功能域和保守位点
• 识别研究空白和创新点

1. 靶标蛋白确定

• 选择代表性种子序列（seed sequences）
• 记录UniProt/NCBI登录号
• 确定研究物种范围

Deliverables#

• 01_literature_review.pdf - 文献综述报告
• 01_target_proteins.csv - 靶标蛋白列表（含登录号、物种、功能注释）
• 01_research_hypothesis.md - 研究假设和科学问题陈述

---

Module 2: Protein Sequence Collection#

模块2：蛋白序列收集

Objectives#

• 从公共数据库获取目标蛋白序列
• 序列质量控制和去冗余
• 构建初始序列数据集

Deliverables#

• 02_raw_sequences.fasta - 原始序列集
• 02_filtered_sequences.fasta - 质控后序列集
• 02_nr_sequences.fasta - 非冗余序列集
• 02_sequence_statistics.csv - 序列统计信息
• 02_length_distribution.png - 序列长度分布图

---

Module 3: HMM Profile Construction#

模块3：隐马尔可夫模型构建

Objectives#

• 构建蛋白家族特异性HMM模型
• 验证模型敏感性和特异性
• 优化模型参数

Deliverables#

• 03_msa_alignment.fasta - 多序列比对结果
• 03_protein_family.hmm - HMM模型文件
• 03_model_validation.csv - 模型验证统计
• 03_roc_curve.png - ROC曲线图

---

Module 4: Cross-Species Sequence Search#

模块4：跨物种序列搜索

Objectives#

• 使用HMM模型进行全基因组搜索
• 跨物种同源蛋白识别
• 构建候选蛋白数据集

Deliverables#

• 04_hmm_search_results.tbl - HMM搜索原始结果
• 04_candidate_proteins.fasta - 候选蛋白序列
• 04_species_distribution.csv - 物种分布统计
• 04_species_heatmap.png - 物种分布热图

---

Module 5: Structure-Based Search (Foldseek)#

模块5：基于结构的搜索

Objectives#

• 利用AlphaFold2预测结构
• Foldseek结构相似性搜索
• 识别远程同源蛋白

Deliverables#

• 05_predicted_structures/ - AlphaFold2预测结构
• 05_plddt_scores.csv - 结构置信度评分
• 05_foldseek_results.m8 - Foldseek搜索结果

---

Module 6: Phylogenetic Analysis#

模块6：进化树构建与分析

Objectives#

• 构建高质量系统发育树
• 进化关系分析
• 功能分化预测

Deliverables#

• 06_refined_alignment.fasta - 优化后的多序列比对
• 06_phylogenetic_tree.nwk - Newick格式进化树
• 06_tree_visualization.pdf - 高质量进化树图
• 06_positive_selection_sites.csv - 正选择位点

---

Module 7: Candidate Protein Prioritization#

模块7：候选蛋白优先级排序

Objectives#

• 整合多维度数据
• 候选蛋白评分与排序
• 确定高优先级实验验证靶标

Deliverables#

• 07_feature_matrix.csv - 候选蛋白特征矩阵
• 07_scoring_results.csv - 综合评分结果
• 07_top_candidates.csv - Top 20候选蛋白列表
• 07_experimental_design.md - 实验验证方案建议

---

Technical Requirements#

Software Dependencies#

• HMMER 3.3+, MAFFT 7.0+, CD-HIT 4.8+, TrimAl 1.4+
• IQ-TREE 2.0+, PAML 4.9+, CAFE 5.0+
• AlphaFold2 / ColabFold, Foldseek 8.0+, PyMOL 2.5+
• Biopython 1.79+, pandas, numpy, scipy, matplotlib, seaborn, scikit-learn

Computational Resources#

• CPU: ≥16核心（推荐32核心）
• RAM: ≥64GB（推荐128GB）
• GPU: 用于AlphaFold2结构预测（推荐NVIDIA A100/V100）

---

Usage#

bash

# 启动完整流程
protein-mining --target "ABC transporter" --species plants

# 分步执行
protein-mining --module 1 --target "ABC transporter"

---

Citation#

• HMMER: Eddy SR. (2011) PLoS Comput Biol.
• IQ-TREE: Nguyen et al. (2015) Mol Biol Evol.
• AlphaFold2: Jumper et al. (2021) Nature.
• Foldseek: van Kempen et al. (2023) Nat Biotechnol.