12.4 网药

成分信息收集

靶点信息收集

# 将这902个化合物smiles拿出来，到ETCM数据库中寻找他们的已知靶标
# 85.3 /home/yqyang/zzy/hsbd/np/get-hsbd-mols-targets/d3ai-902
# etcm-mols-smi-targets-fyl.csv 源自许海玉老师组的付宇蕾师姐提供的数据，包含了确认的靶点信息
# 阅读文献可知，确认的靶点信息源自BindDB 数据库



# 根据902个化合物的smiles式，提取对应的行，找出确认靶点信息
for i in `cat d3ai902mol-smi.txt`; do grep -w "$i" ../../data/etcm-mols-smi-targets-fyl.csv | awk -F ',' '$3!=""{print $3}' >> d3ai-902mol-targets-sure.txt;done


# csv文件中，第三列若记载了多个靶点，彼此间用“||”隔开，故文本操作将其替换为换行符
# vi :1,$s/||/\r/g 将“||”替换为 换行符
# 去重后，共有156个靶点
(base) [yqyang@localhost d3ai-902]$ awk -F '(' '{print $1}' d3ai-902mol-targets-sure.txt|sort|uniq > raw-d3ai902mol-156targets


# 预实验：根据靶点名称提取UniProt ID，通常情况下，每一个名字应该只对应1个id，检查不是1的结果


# 遍历输入文件
while read -r i; do
    # 使用 grep 查找匹配行，并计算匹配的行数
    line_count=$(grep -c "$i," ../../data/etcm-targets-yls.csv)
    
    # 如果行数不为1，将 $i 输出到 unmatched_file
    if [ "$line_count" -ne 1 ]; then
        echo "$i" >> need_checked_targets.txt
    fi
done < file/raw-d3ai902mol-156targets




while read -r i; do grep -c "$i," ../../data/etcm-targets-yls.csv; done < need_checked_targets.txt



# 手动修改 raw-d3ai902mol-156targets
# 删除的靶点名称：D（明显没这个靶点）
# 其余靶点只是重名，id是一样的，无妨
mv file/raw-d3ai902mol-156targets file/hsbd-d3ai-check-155targets


# 要统计对应的
while read -r i; do grep "$i," ../../data/etcm-targets-yls.csv|awk -F ',' '{print $2}'>> hsbd-d3ai-ETCM-targets.txt; done < file/hsbd-d3ai-check-155targets


# 从Genecards上下载“SARS-CoV-2”相关蛋白（excel),共7096个有UniProt ID
# 与HSBD-D3AI 成分潜在靶点取交集
cat genecards-SARS-CoV-2.txt hsbd-d3ai-ETCM-targets.txt |sort|uniq -d >insert


(base) [yqyang@localhost d3ai-902]$ wc -l *
    902 d3ai902mol-smi.txt
      0 file
   7096 genecards-SARS-CoV-2.txt
    155 hsbd-d3ai-ETCM-targets.txt
     75 insert
   8228 总用量

PPI

# insert直接输出strings (选择人源）

成分-靶点-通路网络图

mol-gene-pathway

# 将取交集得到的75个靶点输入 KEGG DAVID：DAVID: Functional Annotation Result Summary (ncifcrf.gov)。KEGG pathway富集分析得到通路，让Ghatgpt帮我选出了9个与糖尿病相关的通路，将其中的基因挑出来。
# /home/yqyang/zzy/hsbd/np/mgp/mol-targets
awk -F '"' '{print $2}' insert-kegg-pathway.csv|sed 's/, /\n/g'|sort|uniq >pathway-gene


# id转换为名称
for i in `cat pathway-gene`;do grep -w "$i" ../../data/etcm-targets-yls.csv|awk -F ',' '{print $1}' >>gene-name.txt;done


# 根据名称检索对应的化合物
while read -r i; do grep "$i" ../../data/etcm-mols-smi-targets-fyl.csv|awk -F ',' '{print $2}'>>pathway-gene-mols-smi; done < gene-name.txt




# excel 里把挑中的那几行复制到新的表格中，保存为csv文件
# 这个csv文件格式笃定：只有三列，第一列是序号，第二列是pathway,第三列是对应的基因
# 在文件里把" 替换为"后接一个空格，数据更好看


# /home/zjxu/zzy/lqc/mol-gene-pathway
# 这一步想得到的是 gene-pathway的两列


# 方便后续for循环传入变量
sed -i 's/ /_/g' gcd-tp-kegg-10pathway.csv
for i in `awk -F ',' '{print $2}' gcd-tp-kegg-10pathway.csv|sed 's/ /_/g'`;do grep $i gcd-tp-kegg-10pathway.csv|awk -F '"' '{print $2}'|sed 's/,/\n/g'|sed "s/^/${i} /" >>test;done


# 写脚本，将上述思路流程化

# 基于上一步得到的基因，找对应的成分
# 最后，把基因的uniprot-id替换成名称


# 匹配的时候，有两个问题：有部分id对应多个结果-取第一个；有一个id找不到“P0DP24 · CALM2_HUMAN”，在uniprot上查找，手动添加到d3carp-id_name.txt中
# 对d3carp-id_name.txt 清洗
for i in `awk '{print $1}' d3carp-id_name.txt |sort|uniq`;do grep -w "$i" d3carp-id_name.txt|head -n1>>d3carp-id_name-uniq.txt;done
(base) [zjxu@DDB lqc]$ wc -l *txt
  6111 d3carp-id_name.txt
  6034 d3carp-id_name-uniq.txt

GO/KEGG分析