Hem estudiat i descarregat una cadena de cristalls de la proteina MEK1, amb Codi PDB 7JUT.
7JUT és una estructura de cristall de KSR2:MEK1, i per entendre que és MEK1, hem de saber que MEK 1 és una proteïna que participa en una via de senyalització cel·lular que ajuda a controlar la divisió, la maduració i la destrucció de les cèl·lules. És possible que mutacions als gens que produeixen la proteïna MEK1 facin que la proteïna MEK1 es torni molt activa en alguns tipus de càncer. Això pot provocar un augment de la multiplicació de les cèl·lules canceroses.
Aquesta proteïna volem bloquejar-la per impedir el càncer, utilitzant medicaments extrets d'una base de dades de Taiwan, i mesurar l'energia d'unió en kilocalories-mol de la unió de la proteïna i del medicament. Quan més negatiu sigui les kilocalories-mol, major serà el resultat de si el medicaments és efectiu com a agent anticancerigen.
Aquests son els resultats obtinguts d'acoblament mol·lecular al institut Suis de bioinformàtica amb el software Swissdock:
Podem veure que diversos medicaments tenen valors d'unió i reacció bastant alts, tot i que el medicament que més ha reaccionat ha estat la Taxinine M, seguida de la Taxinine E, la Taxinine B i continuant pel Taxol. El medicament que ha tingut menys reaccióamb la proteïna 7JUT ha estat la Taxinine A, juntament amb la Taxinine J.
Abans de posar el codi expliquem que està fet en google.colab on puc triar python o R i CPU O GPU en nootebook settings. La GPU és més útil en deeplearning perquè permet processament paral·lel o simultani de codi i la CPU és la unitat de processament del computador i pot tenir diversos nuclis, però és més lenta en deepearning o visió per ordinador. Si vull descarregar al google.colab ho puc fer i es descarregarà en format IPYNB que significa interactive python notebook. Aquest arxiu es pot obrir amb un editor Jupyter que es pot instal·lar en ordinador descarregant Anaconda. Hi ha dues versions Jupyter: Jupyter Notebook i Jupyter Lab que es poden descarregar localment en l'ordinador i tenen el mateix aspecte i funcionalitat que google.colab amb l'avantatge i inconvenient d'utilitzar totes les capacitats del teu ordinador.
# 2. Upload deltaG_values.csv of every docking to generate a boxplot to obtain a summary table transposed data in csv and boxplot
# Has de pujar els diferents arxius i penjar cancel quan acabis, posar els noms en català (en aquest exemple: Taxinina A, etc)
# Després has d'escriure el codi PDB de la teva proteïna (en aquest exemple 4HFZ)
!pip install pandas matplotlib io numpy
#Aqui instalem les biblioteques python, pandas ens permet treballar amb csv facilment, matplotlib ens peermet dibuixar grafics, io ens permet entrades (imput) i sortides
from google.colab import files
import pandas as pd
import matplotlib.pyplot as plt
import io
import numpy as np
# Initialize an empty list to store DataFrame objects
dfs = []
# Upload CSV files one by one
print("Upload CSV files one by one. Press Cancel to stop uploading.")
while True:
uploaded_files = files.upload()
if len(uploaded_files) == 0:
break
for filename, contents in uploaded_files.items():
# Read CSV file as DataFrame and append it to the list
df = pd.read_csv(io.StringIO(contents.decode('utf-8')), header=None)
# Add a column to identify the compound
df['Compound'] = f'Compound {chr(ord("A") + len(dfs))}'
dfs.append(df)
# Concatenate DataFrames vertically
combined_df = pd.concat(dfs, ignore_index=True)
# Transpose the DataFrame so that rows become columns
transposed_df = combined_df.set_index('Compound').T
# Save the transposed DataFrame to a new CSV file
transposed_csv_path = 'transposed_data.csv'
transposed_df.to_csv(transposed_csv_path)
# Prompt the user to enter real chemical names for each compound
real_names_mapping = {}
for i, df_name in enumerate(transposed_df.columns):
real_name = input(f"Enter the real chemical name for {df_name}: ")
real_names_mapping[df_name] = real_name
# Prompt the user to enter the last word of the graph title
graph_title_suffix = input("Enter the last word of the graph title: ").strip()
# Create a customized boxplot for compounds
plt.figure(figsize=(8, 6))
# Set colors
box_color = 'blue'
median_color = 'orange'
whisker_color = 'green'
cap_color = 'purple'
# Create a boxplot
boxprops = dict(color=box_color)
medianprops = dict(color=median_color)
whiskerprops = dict(color=whisker_color)
capprops = dict(color=cap_color)
boxplot = transposed_df.boxplot(vert=False, return_type='dict', boxprops=boxprops, medianprops=medianprops, whiskerprops=whiskerprops, capprops=capprops)
# Overlay individual data points
for df_name in transposed_df.columns:
y = np.random.normal(list(transposed_df.columns).index(df_name) + 1, 0.1, size=len(transposed_df[df_name]))
plt.scatter(transposed_df[df_name], y, alpha=0.5, s=10)
# Set ticks and labels
plt.yticks(np.arange(1, len(transposed_df.columns) + 1), [real_names_mapping[col] for col in transposed_df.columns])
plt.xlabel("Energia d'unió (kcal/mol)")
plt.ylabel("Lligands")
plt.title(f"Acoblament molecular amb proteïna PDB {graph_title_suffix}")
plt.grid(True)
plt.axvline(x=0, color='red', linestyle='--') # Add line at 0 for reference
plt.tight_layout()
# Save the plot as an image file
plot_image_path = 'boxplot.png'
plt.savefig(plot_image_path)
# Download the transposed CSV file and the plot image
files.download(transposed_csv_path)
files.download(plot_image_path)
# Print paths to the saved files
print("Transposed data saved to:", transposed_csv_path)
print("Plot image saved to:", plot_image_path)