# PDB-analyze

**Repository Path**: kahsolt/pdb-analyze

## Basic Information

- **Project Name**: PDB-analyze
- **Description**: 就是说，你弄啥呢？
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2023-01-07
- **Last Updated**: 2025-01-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# PDB-analyze

    Shallow data analysis on PDB (Protein Data Bank) database for play :(

----

### Change Log

- 2023/01/06: add scripts to process raw PDB data & cd-hit data
- 2022/12/02: add [Research](#Research) section
- 2022/11/18: add scripts to process ARIP data


### Quick Start


⚪ starting from ARIP processed data

- put `*.csv` under `rdata` folder
  - check consts in `data.py`
- run `python preprocess_arip.py`
- run `python pca.py` and `python pca.py -M tsne`
- run any algorithm
  - `knn.py`: kNN
  - `knn_color.py`: semi-supervised kNN
  - `bayes.py`: Naive Bayes
  - `lr.py`: Logistic Regression

⚪ starting from cd-hit data

- put `Single.fas.clstr` and `Multi.fas.clstr` under `rdata` folder
- run `python preprocess_cdhit.py`

⚪ starting from raw PDB data

- uncompress `NMR_PDB.zip` under `rdata` folder
- run `python preprocess_pdb.py` (~12min)
- run `python plot_pdb.py`
- run any app
  - `python mlm_seqs.py`
  - `python cls_seqs.py`
  - `python clf_cfms_flex.py`


### Research Points

考察多肽链 柔性的部分(易于曲折的) 和 稳定的部分(压不碎的) 都是由怎样的 结构(相互作用) 支撑起来的，是否显著差异

可视化的直觉: α-螺旋 和 β-片层 是稳定的，飘带模型中的细线条区域都是不稳定的

#### Target Problem

找出每个 Kind 中 最柔性flex/最稳定stab 的那些 Pair
- 期望得到的结论：
  - D-R是稳定的
  - Phob_D-R是稳定的
  - 在Phob_D-R中，随着Dist从短到长，稳定性blabla
- 以下结论没有意义：
  - flex_Arom_I_F-F_1MPE21_A33F-B26F是柔性的

#### Current Problem

把 2分类 变成 3分类
- 前情提要
  - 新增了一列Prop3，人为划分了少量的稳定St、柔性Fl、其它Ot，剩下的是Undefined
  - 先抽样不含Undefined的，KNN预测正确率高达99.724%，这说明St、Fl、Ot的划分确实很有区分度……吧？ 【正确的！】
- [*] 当下目标
  - 试图使用不含Undefined的样本训练KNN，使它能预测所有的Undefined属于哪一类
  - 实际上，可以预测，预测成功了一个包含0，1，2的大列表，但我不知道怎么整合预测结果，怎么去分析预测（比如用什么可视化方法）

#### Division Basis

划分稳定（St）、柔性（Fl）和其它（Ot）的依据 V0.3 【您踏马的就是不会用 pd.groupBy() 是罢？】
- St: Ave 0.4~0.7 and CV <= 0.1 and Nump >= 0.9
  -   Ave >= 0.8 and Nump >= 0.9
- Fl: Ave <= 0.3 and CV >= 0.5 and Nump <= 0.6
- Ot: Ave 0.4~0.7 and CV 0.3~0.4 or Nump 0.7~0.8
  -   Ave >= 0.8 and Nump <= 0.6
  -   Ave <= 0.3 and CV >= 0.5 and Nump >= 0.9
  -   Ave <= 0.3 and CV <= 0.1


### PDB basic info

```
>> found 12156 pdb files
>> found 12108 structures                 // 构象系
>> found 167803 models                    // 构象 (单位客体)
>> found 196567 chains (conformations)    // 链
      min len: 4
      max len: 828
      avg len: 86.80135526309095
      std len: 51.524116011982684
>> found 8352 uniq seqs                   // AA序列
```

### requirements

- PDB database
  - [World Wide PDB](http://www.wwpdb.org/)
  - [RCSB](https://www.rcsb.org/)
- Biopython: [biopython](https://biopython.org/)
  - site: [https://biopython.org/](https://biopython.org/)
  - doc: [https://biopython-cn.readthedocs.io/](https://biopython-cn.readthedocs.io/)
- PDB visualize: [chimera](http://www.cgl.ucsf.edu/chimera/)

----
2022/11/18
by Armit