TechOverflow Logo
TechOverflow

将 STRING 别名映射到 UniProt ID

English Deutsch 简体中文

在最近的一个项目中，我需要将 STRING 记录与其他 PPI 数据库进行比较。然而，这并不总是听起来那么容易，因为 STRING 使用 KEGG 蛋白质标识符。幸运的是，在 STRING 下载页面，可以自由下载别名映射列表。

然而还有一个主要问题：我找不到任何关于格式的文档。一旦你弄清楚基础知识，它似乎相当容易，但我创建了一个可重用的 Python 函数，过滤给定生物体并输出 STRING ID, UniProt ID CSV：

string_aliases_to_uniprot.py
# STRING 别名映射过滤器和转换器
# 在 Apache License v2.0 下发布
# 版权所有 (c) 2013 Uli Köhler
# 版本 1.0
import gzip

def filterSTRINGAliases(infilename, outfilename, taxonomyFilter):
    """
    过滤和转换 STRING 别名为 CSV。
    关键字参数：
        infilename：gzip 压缩的 STRING 别名下载的文件名
        outfilename：要写入转换和过滤映射的 CSV 文件
        taxonomyFilter：包含要过滤的 NCBI Taxonomy 标识符的字符串
    """
    recordCtr = 0
    with gzip.open(infilename, "rt") as infile, open(outfilename, "w") as outfile:
        for line in infile:
            # 一些粗略统计
            recordCtr += 1
            if recordCtr % 1000000 == 0:
                print("Processed %d records..." % recordCtr)
            # 此行确保我们映射 STRING ID --> UniProt ID
            if "_UniProt_AC" not in line:
                continue
            parts = line.split()
            if taxonomyFilter != parts[0]:
                continue
            # 提取并写入别名
            outfile.write(",".join([parts[1], parts[2]]) + "\n")
    print("Processed %d records" % recordCtr)

if __name__ == "__main__":
    # 示例用法：过滤 Saccharomyces cerevisiae (4932)，写入 string-aliases.csv
    filterSTRINGAliases("/tmp/protein.aliases.v9.05.txt.gz", "string-aliases.csv", "4932")
Check out similar posts by category: Allgemein