Petr Jestřábek
IV114 Projekt z Bioinformatiky ­ zadání projektu
Cílem projektu je vytvořit program, který vyhledá s pomocí databáze UniProt proteiny s podobnými
vlastnostmi jako mají ty, jež jsou zadány na vstupu. Součástí výstupu bude celková statistika.
Vstup:
Vstupem bude seznam sekvencí proteinů z databáze PDB ve tvaru ID POS1 POS2 SEQ1 SEQ2,
kde:
 ID je identifikací proteinu,
 POS1 resp. POS2 je počáteční pozice první resp. druhé sekvence v proteinu,
 SEQ1 resp. SEQ2 je první resp. druhá sekvence, kde jsou jednotlivé aminokyseliny
znázorněny příslušnými písmeny (A ­ alanin, C ­ cystein, G ­ glycin, ...).
Výstup:
Výstupem programu bude seznam proteinů obsahujících shodnou či podobnou (podle nastavených
parametrů) dvojici sekvencí jako protein na vstupu. Tyto budou vyhledány v lokálním souboru
databáze UniProt (ve formátu FASTA). Seznam bude ve tvaru ID POS1 POS2 SEQ1 SEQ2, kde:
 ID je identifikací proteinu,
 POS1 resp. POS2 je počáteční pozice první resp. druhé sekvence v nalezeném proteinu,
 SEQ1 resp. SEQ2 je první resp. druhá sekvence, kde jsou jednotlivé aminokyseliny
znázorněny příslušnými písmeny (A ­ alanin, C ­ cystein, G ­ glycin, ...)
Dále bude k výstupu připojena celková statistika:
 Určení, nakolik se liší vzdálenosti mezi sekvencemi,
 typické skóre podobnosti,
 typická vzdálenost mezi sekvencemi.
Přepínače:
Program bude možné spustit s následujícími volbami:
 -s PERCENT
Volitelné skóre podobnosti sekvencí v procentech (0-100%). Implicitně je s = 100.
 -d REAL (d je z intervalu <0, 1>)
Vzdálenost, ve které se mohou vyskytovat zadané sekvence. Pro d=1 je vzdálenost určena
přímo vstupem, pro d=0.5 budou sekvence hledány ve vzdálenosti poloviční až
dvojnásobné, pro d=0 budou hledány v jakékoliv vzdálenosti. Implicitně je d = 1.
 -r
Sekvence se mohou v proteinu vyskytovat i v opačném pořadí (SEQ2 SEQ1) než jak jsou
zadány na vstupu. Implicitně je volba vypnuta.