PDBとUniProtのエントリ数あれこれ

　PDB (Protein Data Bank) は実験的に決定されたタンパク質(など)の構造情報を提供するデータベースのこと，UniProt (Universal Protein resource) とはタンパク質の配列情報と機能アノテーションを提供するデータベースのことである．最近PDBの構造情報について，「ヒトのタンパクって何個くらいあるの？」とか「世のタンパク質のどのくらいの割合で構造がとれてるの？」とか良く聞かれるので，ちょっと調べてみた．

　ちなみにPDBの統計情報については，ウェブからある程度は見れるようになっている．

に行って，右上の方にある『PDB Statistics』をクリックすればいろいろ情報が取れるし，簡単な条件指定でエントリ数をかぞえるなら

  • 『there are XXXXX Structures』

の数字(XXXXX)をクリックして，Query Refinementsの条件のところをポチポチ押していけばいい．

　こんな感じの操作でヒトのタンパク質の数ぐらいならすぐ分かる．2012/7/24 ver. では，構造は全部で83,266個，うちタンパク質だけ(DNA・RNAやそのタンパク質との複合体などを除いたもの)の数は77,057個，さらにそのうちヒトのタンパク質(Homo sapiens only)は18,774個である．個人的には，意外と多い…という印象だ．

　さて，世のタンパク質(UniProt)の数に対してPDBがどれだけの割合でとれているのかを調べるには，実際の構造情報を使って調べる必要がある．とりあえず，PDBをミラーリングダウンロードした．

rsync -a pdb.protein.osaka-u.ac.jp::ftp_data ./

　だいたい一晩で落とせると思う．83,266個の.pdbフラットファイルだけだと15GB，XMLやmmCIF形式，またbiological unitなど全部含めて146GBであった．

　この.pdbファイルに対して，Chainの情報を抽出したりChainに対応するUniProtIDの抽出をしたりを，テキトウなスクリプトで実行した．.pdbはあんまり綺麗でないのでパースに失敗したりしてるのもあって概算でしか出せてないが，大体以下のような数字が分かった．

  • UniProtIDを持つPDB Chainの数：195,656
  • UniProtIDが付加されたChainを持つPDB数：77,193
  • PDB中のユニークなUniProtID数：27,859
    • PDB 全エントリ数：83,266
    • UniProt 全エントリ数：536,789

　というわけで，UniProtのエントリに対して，27,859/536,789≒5.2% しか構造が対応していないということが分かった．感覚で10%はあるものだと思っていたので，結構意外であった．

　そんなわけで，UniProtIDが紐付いたChainが195,656個に対して，ユニークなUniProtID数が27,859ということは，結構な数の重複があるということである．そのヒストグラムをプロットしてみた．

これは横軸に「あるUniProtIDに対応しているPDB Chainの数」，縦軸に「UniProtIDの数」を取ったものである．右は左のグラフを両対数プロットしたものである．両対数で直線に乗るような感じ，である．

　なお，PDB Chainの数が多いUniProtIDベスト５は，

  1. 698個　P01308　Insulin
  2. 696個　P00734　Prothrombin
  3. 646個　P00720　Lysozyme
  4. 542個　P19491　Glutamate receptor 2
  5. 509個　P61769　Beta-2-microglobulin

であった．パースがうまくいってないものが混じっていて概算でしかない(大事なことなので二回言う)が，500個超えとか，なかなか激しいなと思う次第である．