peptide-design

This skill should be used when analyzing or designing antimicrobial peptides — computing physicochemical properties such as molecular weight, isoelectric point, Kyte-Doolittle hydrophobicity and insta

SKILL.md

GitHub

Overview

从 FASTA 或 CSV 读取多肽序列,用自包含的公式实现计算全部理化性质(分子量、等电点、疏水性、净电荷、不稳定指数、二级结构倾向、溶解度、Boman 值),再结合 UniProt GO 术语与关键词做抗菌肽判别打分,最后用聚类去冗余提取代表序列并导出 FASTA / CSV。

理化性质不依赖 Biopython:分子量按氨基酸残基质量表累加加水的质量;等电点用 Henderson-Hasselbalch 在 pH 0–14 的电荷曲线上二分求零点;疏水性用 Kyte-Doolittle 标准值表;不稳定指数用 Guruprasad 的 DIHEX 二面角公式。

When to Use This Skill

  • 需要批量计算多肽的理化性质(分子量、pI、疏水性、净电荷、稳定性)作为筛选依据
  • 需要判断一批候选肽中哪些是抗菌肽、哪些是非抗菌肽(用于构建负样本集)
  • 需要对肽库做去冗余(MMseqs2 不可用时有内置聚类回退)
  • 需要为下游模型准备带特征列的训练数据
  • 需要把筛选结果导出为 FASTA 或带理化性质的 CSV

Quick Start

export PYTHONPATH="$PWD/packages"

# 1) 计算 FASTA 中所有序列的理化性质
python skills/peptide-design/scripts/analyze_peptides.py \
    --input peptides.fasta --output results/peptides_props.csv \
    --report results/summary.txt

# 2) 判别抗菌肽并导出筛选结果 + FASTA
python skills/peptide-design/scripts/analyze_peptides.py \
    --input peptides.csv --sequence-column sequence \
    --classify --antimicrobial-threshold 5 \
    --label antimicrobial \
    --export-fasta results/amp.fasta --output results/amp.csv

# 3) 提取高质量样本(需 UniProt protein_existence 注释)
python skills/peptide-design/scripts/analyze_peptides.py \
    --input uniprot_peptides.csv --classify --min-quality 60 \
    --require-complete-metadata --output results/high_quality.csv

# 4) 聚类去冗余(优先 MMseqs2,缺失时自动回退内置算法)
python skills/peptide-design/scripts/cluster_peptides.py \
    --input peptides.fasta --method auto --min-identity 0.3 \
    --output results/representatives.fasta --output-csv results/cluster_members.csv

Workflow

  1. 读取序列:FASTA(多行序列、; 注释、CRLF 均可)或 CSV(自动嗅探列名,缺 sequence 列时依次回退到 seq/peptide/aa_seq)
  2. 理化性质计算(peptide_properties.py)
    • 分子量 = Σ残基平均质量 + 18.0153
    • 等电点:pH 0–14 步长 0.1 扫描电荷曲线 → 找符号翻转区间 → 二分 60 次求精确零点
    • 净电荷:Henderson-Hasselbalch 分别计算 N 端/Lys/Arg/His 的质子化与 C 端/Asp/Glu/Cys/Tyr 的去质子化比例
    • 疏水性:Kyte-Doolittle 平均值 + Hobbs 疏水矩(单位向量合成)
    • 不稳定指数:Guruprasad DIHEX 权重表,II = 100/L × Σ DIHEX(di-1, di)
    • 构象倾向:Chou-Fasman 螺旋/折叠/拐角参数 + 螺旋终止残基修正
    • 溶解度:Zhao (2009) 残基级 log-s 贡献 + 长度项 + 螺旋项
    • Boman 值、芳香性、脂肪族指数、消光系数、估算 kD
  3. 判别打分:注释层(GO 术语 5 组 + 关键词 5 组加权)× 0.6 + 理化层(8 条规则)× 0.4
  4. 质量评估:UniProt 蛋白质存在水平 + 序列完整性 + 注释完整度 + 理化合理性
  5. 筛选:长度区间 / 未知残基 / 元数据完整度 / 质量分 / 判别类别
  6. 聚类去冗余(cluster_peptides.py):MMseqs2 easy-cluster 优先,回退到内置 k-mer Jaccard + LCS identity + average-linkage 聚类
  7. 导出:CSV(UTF-8 BOM)/ FASTA / JSON / 文本报告

Parameters

参数 说明 默认值
--input 输入 FASTA 或 CSV 必填
--format 输入格式(auto 按扩展名与内容嗅探) auto
--sequence-column CSV 序列列名 sequence
--id-column / --name-column CSV 的 ID 列 / 名称列 id / protein_name
--go-column / --keyword-column CSV 的 GO 术语列 / 关键词列 go_terms / keywords
--classify 启用抗菌肽判别 关闭
--antimicrobial-threshold 抗菌肽判定阈值 5.0
--non-antimicrobial-threshold 非抗菌肽判定阈值 2.0
--annotation-weight 注释层在综合分中的权重 0.6
--label 保留哪一类:antimicrobial / non_antimicrobial / uncertain / all antimicrobial
--min-length / --max-length 长度过滤区间 0(不限)
--drop-unknown 剔除含 X 等未知残基的序列 关闭
--require-complete-metadata 只保留同时有 GO 与关键词的记录 关闭
--min-quality 最低质量分 0
--export-fasta / --report / --json-output 额外导出 FASTA / 报告 / JSON 无
--method(聚类) auto / mmseqs / internal auto
--min-identity(聚类) 簇内最小序列 identity 0.3
--representative(聚类) medoid / longest / first medoid

Outputs

文件 说明
peptide_analysis.csv 主结果,含 24 个理化性质列 + label / combined_score / quality_score / qc_flags
selected.fasta 筛选后序列(--export-fasta)
summary.txt 统计报告:长度/MW/pI/疏水性分布、稳定性占比、判别分布、GO 覆盖度、物种分布
cluster_members.csv 聚类明细:cluster_id / representative / member_id / is_representative / cluster_size
representatives.fasta 代表序列(每簇一条)
cluster_report.txt 聚类统计:簇数、冗余率、最大/中位簇大小、单序列簇数

Validation

  • 分子量合理性:20 aa 肽的 MW 应在 2000–2500 Da 区间;含 C 残基时每形成一对二硫键减少约 2 Da
  • 等电点合理性:酸性肽(Asp/Glu 多)pI < 7,碱性肽(Lys/Arg 多)pI > 7;等电点应落在 pH 1–14 之间
  • 疏水性:Kyte-Doolittle 平均值 > 1.8 强疏水,< 0 强亲水;典型两性抗菌肽在 0.5–2.5 且疏水矩 > 0.4
  • 稳定性:不稳定指数 < 40 为预测稳定,> 40 提示可能快速降解(此时 qc_flags 会自动标记)
  • 未知残基:含 X 的序列所有定量指标可靠性下降,qc_flags 与 has_unknown 会标出
  • 判别结果:抽查各 label 的样本,确认 hit_keywords 与 classification_reasons 合理;纯 FASTA 输入无注释时只能靠理化层,此时 uncertain 占比升高属正常
  • 聚类合理性:冗余率应与序列多样性相符——短肽库通常冗余率 > 50%;若全部聚成单序列簇,说明 --min-identity 过严
  • 代表序列:medoid 代表序列应与簇内其他成员有肉眼可见的相似性;可用 --representative longest 交叉验证

References

  • references/methodology.md —— 各理化性质的公式推导、参数选择与判别规则设计原理
  • references/troubleshooting.md —— 常见报错、数值异常与排错步骤