PepBDB-ML 数据集生成

概述

该项目旨在从 PepBDB 数据库生成一个用于机器学习和计算生物学研究的增强型数据集。

该脚本处理肽-蛋白质相互作用数据，提取序列，并使用各种生化特征对其进行丰富，创建适合使用随机森林、XGBoost 等进行进一步分析的表格数据集。每行标记为结合残基（1）或非结合残基（0）。

表格数据集 peppi_data.csv：

图像数据集 peppi_data_imgs：

bash peppi_data_imgs ├── binding │ ├── img1.jpg │ ├── img2.jpg │ ├── img3.jpg │ └── ... └── nonbinding ├── img4.jpg ├── img5.jpg ├── img6.jpg └── ...

数据准备过程

加载数据

脚本开始从 PepBDB 数据库加载 peptidelist.txt 文件。列名被重命名以提高可读性和便利性。

初始过滤

脚本过滤掉：

• 涉及核酸的条目。
• 分辨率高于 2.5 Å 的模型以保证质量。
• 短于 10 个氨基酸的肽。

序列提取

使用 BioPython 从 PDB 文件中提取序列。我们还将过滤掉包含非标准氨基酸的序列。

结合残基识别

使用 PRODIGY（默认参数）识别结合残基。

特征提取

使用 AAindex1 进行残基特定特征提取。

数据丰富

添加额外的生化特征，包括 HSE、ASA、DSSP 代码和 PSSM 配置文件。

运行脚本

要运行脚本，只需执行：

bash tar -xzf pepbdb-20200318.tgz python gendata.py

gendata.py 还可以生成类似于 Visual 数据集的图像。要启用此选项，请将 --images 标志设置为 true 并指定结合和非结合图像的完整路径：

bash python gendata.py --images True --binding_path path/to/binding --nonbinding_path path/to/nonbinding

重要提示：请记住使用特定于您系统的路径修改 paths.py。

确保您有必要的输入文件和目录，如脚本中所指定。

注意事项

• 图像目录 peppi_data_imgs.tgz 和表格数据集 peppi_data.csv.gz 不是 1-1 对应的，CSV 不是图像的标签文件。虽然它们基于相同的数据构建，但它们不包含相同数量的记录。
  • peppi_data.csv 中有 811,830 条记录
    • 结合：110,268
    • 非结合：701,562
  • peppi_data_imgs 中有 806,129 张图像
    • 结合：109,880
    • 非结合：696,249
• 这是因为 peppi_data.csv 中的某些行（残基）有 NaN 值。在导出 CSV 之前，这些行单独被删除。然而，相同的错误行/残基可以出现在多张图像中（因为每张图像代表七个连续残基）。为了保持可用性，包含该残基的所有图像都被删除。