多物种批量分析（推荐）

1. 将各物种 .fasta 文件放入 input_clean/ 目录

2. 运行批量脚本

分析流程

Step 1：序列读取

• - 解析标准 FASTA 格式，统计序列数量和长度分布
• 大样本处理：序列数超过阈值时随机采样（seed=42，保证可复现）

Step 2：多序列比对（MSA）

• - 工具：ClustalOmega（apt install clustalo 或 conda install clustalo）
• 单序列物种跳过 MSA，直接使用原始序列

Step 3：共识序列提取

• - 各位点最高频氨基酸占比 ≥ 阈值（默认 0.5）则写入，否则标 X
• 去除 gap（-）后得到连续共识序列

共识序列生成原理：

MSA比对结果（多序列对齐）
位置: 1 2 3 4 5 ...
Seq1: M K H L P ...
Seq2: M K H L P ...
Seq3: M K H L A ...
↓ 统计频率
位置1: M(100%) → 写入 M
位置5: P(67%), A(33%) → 写入 P（若阈值≤67%）或 X（若阈值>67%）

关键参数：

• - 共识序列提取阈值：50%（默认）
• 关键片段识别阈值：90%（推荐，见下文调整阈值部分）

Step 4：关键片段识别（三维度并行）

1. 1. 已知功能块匹配：在共识序列中搜索目标蛋白家族的 Pfam 保守域特征序列（需在 functional_domains.md 中预先配置）
2. 高保守连续区检测：保守率 ≥ 90%、长度 ≥ 6aa 的连续区段
3. 保守 Cys 检测：统计共识序列中 Cys 数量（潜在二硫键网络）

分析新蛋白家族时，在 KNOWNMOTIFS 和 CONSERVEDBLOCKS 中补充对应的 Pfam 特征序列（来源：Pfam / InterPro / UniProt）。

Step 4.5：片段氨基酸组成与理化性质分析

对每个关键片段统计各功能类别氨基酸的出现频率：

⚠️ 此分类体系与 aa-pair-analysis 完全一致，A/G/P 排除不统计。

• - 主导类别判定：某类别占比 ≥ 35% 则为该类主导，否则判定为 Mixed（混合型）
• 结果写入 composition 字段（含各类别计数、比例、主导类别、理化性质描述）

Step 5：基于氨基酸组成的功能预测

根据各类别比例按优先级推断主要功能，结果写入 function_prediction 字段：

Step 6：生成报告

• - 每物种：分析报告.md + keyfragments.json（含 composition 和 functionprediction 字段）
• 全物种：汇总分析报告_含功能预测.md

输出文件结构

推荐目录结构（按物种整合模式）

analysis_results/
├── 分类名_按物种整合/
│ ├── 物种名/
│ │ ├── 氨基酸对分析/
│ │ │ ├── formulation.json # 配方数据
│ │ │ ├── formulation.txt # 人类可读配方
│ │ │ └── top5_details.json # Top5对型详情
│ │ ├── 关键片段预测/
│ │ │ ├── *_consensus.fasta # 共识序列
│ │ │ ├── *keyfragments.json # 关键片段数据
│ │ │ └── *_分析报告.md # 片段分析报告
│ │ └── 物种综合分析报告.md # 完整综合分析报告
│ └── 物种B/
│ └── ...
├── _所有物种配方总览.md # 所有物种配方汇总
└── _所有物种配方总览.csv # CSV格式汇总

优势：

• - 每个物种的数据独立完整，便于查阅
• 支持跨物种横向对比
• 便于后续分析调用

旧版结构（已弃用）

results/
├── Species_A/
│ ├── SpeciesAaligned.fasta
│ ├── SpeciesAconsensus.fasta
│ ├── SpeciesAkey_fragments.json
│ └── SpeciesA分析报告.md
└── ...

自定义配置

添加新蛋白家族的功能域

编辑 scripts/proteinkeyfragment_analysis.py：

python
KNOWN_MOTIFS = {
# 你的蛋白家族特征序列
你的功能域名称: {
pattern: [序列模式],
context_note: 描述,
function: 功能说明,
criticality: 重要性级别
}
}

调整保守性阈值

关键片段识别阈值（推荐）：
python

严格模式（推荐用于核心功能位点识别）

连续区域保守率 ≥ 90%，长度 ≥ 6aa

结果更精细，片段更短但保守性更高

宽松模式（默认）

连续区域保守率 ≥ 50%，长度 ≥ 6aa

结果片段更长，但可能包含保守性较低的区域

实践建议：

• - 研究核心功能位点 → 使用 90%阈值
• 初步筛选保守区域 → 使用 50%阈值
• 不同阈值会导致完全不同的生物学解释，需根据研究目的选择

命令行调整：
python
python3 proteinkeyfragment_analysis.py <物种> --threshold 0.9

依赖安装

bash

Ubuntu/Debian

或 cond