ANARCI抗体序列编号实战指南：一条命令打通从单条序列到万级批量的全流程

ANARCI抗体序列编号实战指南一条命令打通从单条序列到万级批量的全流程【免费下载链接】ANARCIAntibody Numbering and Antigen Receptor ClassIfication项目地址: https://gitcode.com/gh_mirrors/an/ANARCI如果你的抗体数据来自三个不同的实验室你会发现同一段 CDR-H3有人标成 Kabat 的 100A–100H有人标成 IMGT 的 111–112 附近还有人干脆不标。论文里第 104 位半胱氨酸这种说法在不同编号体系下根本对不上。这正是 ANARCIAntibody Numbering and Antigen Receptor ClassIfication存在的意义它用隐马尔可夫模型自动识别链类型再按你指定的国际标准编号方案给每条抗体序列打上统一的位置标签。本文用一个贯穿始终的案例——把一条真实抗体序列从裸序列变成带编号、带物种、带质量分数的结构化数据再扩展到批量场景带你完整走一遍。案例起点把一条 118 个氨基酸的裸序列变成可对位的数据先不做任何安装决策直接看我们要解决的核心矛盾。下面这条是小鼠重链可变区序列来自示例数据Example_scripts_and_sequences/12e8.fastaEVQLQQSGAEVVRSGASVKLSCTASGFNIKDYYIHWVKQRPEKGLEWIGWIDPEIGDTEYVPKFQGKATMTADTSSNTAYLQLSSLTSEDTAVYYCNAGHDYDRGRFPYWGQGTLVTVSA你肉眼能看出它的 CDR1 从哪开始、CDR3 有多长吗大概率不能。人工数残基既慢又容易错而且不同人对框架区/CDR 边界的理解还不一致。ANARCI 的处理方式是把序列交给 HMMER 与预建的物种 HMM 库比对得到最可能的链类型H/L/A/B和比对区间再按编号方案把比对结果翻译成位置号。整个过程的输入输出都很简单这也是它被大量抗体分析工作流采用的原因。2 条命令完成安装第 3 条命令跑出第一个结果ANARCI 的依赖只有两个硬性要求Python 环境和 HMMER3。用 conda 可以一次装齐conda install -c conda-forge biopython -y conda install -c bioconda hmmer3.3.2 -y拿到代码并安装仓库地址https://gitcode.com/gh_mirrors/an/ANARCIgit clone https://gitcode.com/gh_mirrors/an/ANARCI cd ANARCI python setup.py install这里有个容易被忽略的环节setup.py install不是简单复制文件它会自动执行build_pipeline/下的构建流程——从 IMGT 下载生殖系基因序列、用 MUSCLE 比对并训练 HMM。首次安装需要联网耗时约几分钟构建产物会被复制到 Python 的anarci包目录里。安装完成后验证ANARCI --help然后直接对刚才那条裸序列出手ANARCI -i EVQLQQSGAEVVRSGASVKLSCTASGFNIKDYYIHWVKQRPEKGLEWIGWIDPEIGDTEYVPKFQGKATMTADTSSNTAYLQLSSLTSEDTAVYYCNAGHDYDRGRFPYWGQGTLVTVSAstdout 会输出编号结果。第一屏是信息头第二屏是逐位置的编号表。先读懂输出再谈优化编号结果里的五个关键字段编号文件里每个记录以//结尾。头部的#注释行是你判断结果质量的第一手资料# 12e8:H|... # ANARCI numbered # Domain 1 of 1 # Most significant HMM hit #|species|chain_type|e-value|score|seqstart_index|seqend_index| #|mouse|H|8.6e-58|184.9|0|119| # Scheme imgt H 1 Q H 2 V H 3 Q ...五个字段各有用途字段含义判断标准species / chain_type命中最优 HMM 的物种与链型chain_type 决定后续用哪套编号规则e-value比对显著程度远小于 0.001 才值得信任scorebit 分数分数越高代表比对越可靠seqstart_index / seqend_index编号区段在原始序列中的起止下标用于定位编号覆盖不到的残基编号表按链型 位置 氨基酸三列排列。注意 light chain 统一用L表示不再区分 kappa/lambda但链型识别是在 HMM 层面做的kappa 和 lambda 的模型是分开训练的。如果你把结果喂给下游可视化工具这个字段可以直接当输入。顺带提一句反例对非抗体序列运行 ANARCI比如示例里的Example_scripts_and_sequences/lysozyme.fasta溶菌酶程序只会列出序列名不产生任何编号。这其实是很好的负向验证手段——确认你的流程不会把非免疫球蛋白乱编成抗体。六种编号方案怎么选一张决策表解决 90% 的纠结-s参数控制方案命令行使用短代码Python API 使用全名方案CLI 短代码适用范围一句话特性IMGTi所有抗原受体IG TCR128 个统一位置CDR3 插入围绕 111/112 对称标注Kabatk仅抗体经典方案框架和 CDR 都可能出现插入Chothiac仅抗体比 Kabat 更贴合结构CDR-H1 插入位置不同Martin增强 Chothiam仅抗体修正了 Chothia 框架区部分插入位置AHoa所有抗原受体149 个位置天然容纳长 CDR几乎不用插入码Wolfguyw仅抗体CDR 内不同区段编号长 CDR 无需插入码选择逻辑其实很简单通用交流选 IMGT对比结构选 Chothia 或 Martin处理超长 CDR3 优先试 AHo 和 Wolfguy。长 CDR3 是实践中最常见的坑——IMGT 方案里 CDR3 超过一定长度会以插入字母呈现例如111-ABCD DCBA-112的对称形式而 AHo 因为预留了 149 个位置通常能免去插入码的解析麻烦。如果你的研究对象恰好是 CDR-H3 超过 30 个残基的抗体比如牛、羊、鲨鱼来源强烈建议同时跑一遍 IMGT 和 AHo 对比。想要做方案间的一致性检查可以跑两遍同一输入把两个方案的编号结果按 IMGT 104 位半胱氨酸对齐再比对 CDR3 长度标注。示例脚本Example_scripts_and_sequences/run_numbering_benchmark.sh就是同时用 6 种方案处理约一万条 PDB 序列单轮不到 5 分钟4 核并行这个脚本本身也是写批量任务的样板。批量场景FASTA 输入、CSV 对齐输出、多核并行一条龙实际项目里几乎不会只有一条序列。ANARCI 对 FASTA 文件的处理方式和单序列完全一致ANARCI -i antibody_sequences.fasta --csv -o results/pdb_imgt --ncpu 4 --assign_germline这里几个参数值得单独讲--csv把编号结果按链型分别写入独立的 CSV 文件且各序列按编号方案水平对齐。这意味着你不用自己写代码就能得到可进 Excel、可做多序列比对的矩阵是后续计算 CDR 长度分布、做序列 motif 分析最省力的入口。--ncpu 4开启多进程。ANARCI 内部按序列块切分任务基准测试表明约一万条序列、4 核环境下单方案 5 分钟。--assign_germline给每条序列追加最相似生殖系基因的注释形如#|mouse|IGHV1-12*01|0.86|IGHJ2*01|0.79|表示 V 区与 IGHV1-12*01 的序列一致性 0.86、J 区与 IGHJ2*01 一致性 0.79。这对筛选接近生殖系的抗体、或者做体细胞高频突变分析非常有用。另外还有-r ig参数只保留抗体链、丢弃 TCR。处理混合来源的 PDB 序列时这是避免 TCR 链污染抗体分析的首选开关。Python API 进阶把编号能力塞进你自己的分析管道CLI 适合人机交互但自动化流程必须走 API。项目示例Example_scripts_and_sequences/anarci_API_example.py把核心用法全部写清楚了拆开看只有三件事from anarci import anarci # 1. 准备 (名称, 序列) 列表 sequences [ (12e8:H, EVQLQQSGAEVVRSGASVKLSCTASGFNIKDYYIHWVKQRPEKGLEWIGWIDPEIGDTEYVPKFQGKATMTADTSSNTAYLQLSSLTSEDTAVYYCNAGHDYDRGRFPYWGQGTLVTVSAAKTTPPSVYPLAP), (lysozyme:A, KVFGRCELAAAMKRHGLDNYRGYSLGNWVCAAKFESNFNTQATNRNTDGSTDYGILQINSRWWCNDGRTPGSRNLCNIPCSALLSSDITASVNCAKKIVSDGNGMNAWVAWRNRCKGTDVQAWIRGCRL), ] # 2. 调用返回三件套 numbering, alignment_details, hit_tables anarci(sequences, schemeimgt, outputFalse) # 3. 逐个解析未编号的序列为 None for i, name in enumerate([s[0] for s in sequences]): if numbering[i] is None: print(name, 未识别为抗原受体) else: for domain_num, start, end in numbering[i]: print(name, 识别出, len(numbering[i]), 个结构域, 编号区间:, start, -, end)返回值的结构值得记住numbering[i]第 i 条序列的编号结果None表示未识别否则是结构域列表每个结构域是(编号表, 起始下标, 结束下标)三元组。scFv 这类含两个可变域的序列会返回两个结构域。alignment_details[i][j]第 j 个结构域的比对详情字典species、chain_type、e-value、score 都在这。hit_tables[i]HMMER 对库中所有 HMM 的命中统计可以看作这条序列到底像谁的完整证据链。如果只想要最轻量的结果用number()from anarci import number numbering, chain_type number(EVQLQQSGAEVVRSGASVKLSCTASGFNIKDYYIHWVKQRPEKGLEWIGWIDPEIGDTEYVPKFQGKATMTADTSSNTAYLQLSSLTSEDTAVYYCNAGHDYDRGRFPYWGQGTLVTVSAAKTTPPSVYPLAP, schemekabat) print(chain_type) # H 或 Lnumber()只返回第一个结构域和链型适合快速打标签处理批量数据时官方明确建议用run_anarci而不是循环调number()后者会重复加载 HMM 库慢得多。另一个值得接入的脚本是Example_scripts_and_sequences/ImmunoPDB.py它扩展了 Biopython 的 PDBParser可以直接给 PDB 结构文件里的抗体链重新编号并按 CDR 区段做注释输出到xtra字典属性里。做结构分析时先用它把 PDB 编号统一成 IMGT再提取 CDR能省掉大量手工对位。避坑清单五个高频翻车点及对症下药1.number()返回(False, False)不代表序列不是抗体。函数内部有长度保护序列短于 70 个残基直接返回 False。抗体可变区片段被这样误杀时改用anarci()全参数版本它不会做这个长度检查。2. ANARCI 报物种但它不是物种注释工具。README 里写得很直白物种判定是编号过程的副产品官方不建议把它当主要物种注释工具。跨物种嵌合抗体、人源化抗体尤其容易误判此时应看--assign_germline的基因名而不是相信 species 字段。3. 用 Kabat/Chothia/Martin 编号 TCR 会直接失败。这三个方案只定义了抗体链对 TCR 序列要么报 AssertionErrorAPI 里返回 False要么不输出。需要处理 TCR 时换 IMGT 或 AHo命令行则用-r tcr配合-s imgt。4. 超长 CDR3 编号失败。ANARCI 内部有一个check_for_j机制当 CDR3 过长导致 V/J 区无法在同一条比对里覆盖时会尝试把 104 位半胱氨酸之后的序列单独比对 J 区再拼接。如果仍失败先确认你的方案选的是 IMGT/AHo 而不是位置数较少的方案再检查序列末端是否缺失 J 区。5. 安装卡在 HMM 构建阶段。setup.py install需要联网下载 IMGT 生殖系数据。公司内网、代理环境经常在这里超时。解决办法是手动把下载步骤拆出来跑bash build_pipeline/RUN_pipeline.sh看清楚是哪一步失败再单独处理网络或镜像问题。行动清单按这个顺序练两天内上手第 1 小时装好依赖用12e8.fasta跑通 CLI然后换-s k、-s m各跑一遍肉眼对比 CDR-H1 的编号差异。第 1 天把anarci_API_example.py逐行跑通确保你理解numbering三元组的三个值各自指向什么。第 1 天下午用antibody_sequences.fasta--csv生成对齐矩阵导入 Excel 或 pandas统计你手头数据的 CDR3 长度分布。第 2 天挑一条你研究里的真实抗体跑--assign_germline对比它和最近生殖系基因的一致性体会高频突变的量级。进阶目标把run_numbering_benchmark.sh里的 6 方案并行脚本改造成你自己的批量流程加入pdb_sequences.fa.txt.gz约万条 PDB 序列做压力测试验证 4 核 5 分钟的性能预期。编号只是起点。当你拿到统一方案下的对齐矩阵CDR 长度分析、序列簇聚类、结构特征提取都有了干净的输入。现在就打开终端把第一条序列喂给 ANARCI——看到Scheme imgt那行输出时你已经跨过了抗体序列分析里最容易被卡住的关卡。【免费下载链接】ANARCIAntibody Numbering and Antigen Receptor ClassIfication项目地址: https://gitcode.com/gh_mirrors/an/ANARCI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考