O PubMed representa mais de 28 milhões de citações (resumos e títulos) de literatura biomédica de periódicos de ciências da vida, livros on-line e MEDLINE. Também a citação pode incluir o texto completo dos artigos. Consulta típica em pubmed -
composto natural para diabetes tipo 2Pubchem - um banco de dados com mais de 100 milhões de compostos químicos e 236 milhões de substâncias. Também no banco de dados estão os resultados de bioatividade de 1,25 milhão de compostos (por exemplo, a atividade de compostos contra o câncer ou a inibição de um gene específico). No momento, são conhecidos cerca de 9 milhões de compostos químicos orgânicos (substâncias complexas). Produtos químicos inorgânicos podem ser uma quantidade enorme - de 10 a 18
Neste artigo, darei exemplos de compilação de uma lista de
genes responsáveis por um mau prognóstico para a sobrevivência ao câncer e um
código de pesquisa para compostos orgânicos e seus números entre todas as moléculas químicas da base PubChem. Não haverá aprendizado de máquina neste artigo (o aprendizado de máquina será necessário no próximo artigo sobre biomarcadores de diabetes, determinando a idade de uma pessoa por expressão de rna, triagem de substâncias anticâncer).
Para continuar, instalaremos os pacotes python necessários Biopython e pubchempy.
sudo conda install biopython pip install pubchempy
PubMed
Vamos extrair os genes da sua superexpressão e subexpressão em combinação com um mau prognóstico do câncer - é assim que um título típico se parece, uma solicitação de publicação e o gene alvo:
('Alta expressão de DEK prediz mau prognóstico de adenocarcinoma gástrico.', 'DEK pobre prognóstico', 'DEK', 277, 15)
Por que isso é necessário - o efeito farmacológico das moléculas e suas combinações nos alvos associados a um mau prognóstico do câncer pode ser calculado a partir dos genes. (Por exemplo, com base no pubchem ou no LINCS).
Carregamos arquivos com nomes de genes (aproximadamente 12000):
Github import csv genes=[]; with open('/Users/andrejeremcuk/Downloads/genes.txt', 'r') as fp : reader = csv.reader(fp, delimiter='\t') for i in range(20000): genes.append(reader.next()) import time import numpy as np genesq=np.genfromtxt('/Users/andrejeremcuk/Downloads/genesq.txt',dtype='str')
Para uma solicitação ao pubmed, você deve indicar seu email:
from Bio import Entrez from Bio import Medline MAX_COUNT = 100 Entrez.email = '*@yandex.ru' articles=[];genes_cancer_poor=[];genes_cancer_poor1=[];
Consultas e processamento de resultados:
for u in range(0,len(genesq)): print u if u%100==0: np.savetxt('/Users/andrejeremcuk/Downloads/genes_cancer_poor.txt', genes_cancer_poor,fmt='%s'); np.savetxt('/Users/andrejeremcuk/Downloads/genes_cancer_poor1.txt', genes_cancer_poor1, fmt='%s') gene=genesq[u];genefullname=genes[u][2] TERM=gene+' '+'poor prognosis' try: h=Entrez.esearch(db='pubmed', retmax=MAX_COUNT, term=TERM) except: time.sleep(5);h=Entrez.esearch(db='pubmed', retmax=MAX_COUNT, term=TERM) result = Entrez.read(h) ids = result['IdList'] h = Entrez.efetch(db='pubmed', id=ids, rettype='medline', retmode='text') ret = Medline.parse(h) fer=[]; for re in ret: try: tr=re['TI']; except: tr='0'; fer.append(tr);
Localizando palavras-chave no texto do título:
for i in range(len(fer)): gene1=fer[i].find(gene) gene2=fer[i].find(genefullname)
que verificamos a ordem no título e a presença das frases mais comuns.
if (gene1!=-1)or(gene2!=-1):
Como resultado, obtemos várias listas: genes com baixa e alta expressão com um mau prognóstico do câncer.
No total, foram 913 artigos com a entrada de palavras-chave e frases-alvo.
PubChem
Esse banco de dados fornece duas maneiras de acessar suas informações:
através da API REST no formato json, em que a solicitação se parece com isso:
https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/cid/2516/description/jsonÉ importante que as solicitações por esse caminho não possam exceder 5 por segundo, mas até agora não verifiquei os limites, eles devem salvar os proxies.
E através da biblioteca pubchempy:
import pubchempy as pcp c = pcp.Compound.from_cid(5090) c.canonical_smiles
Importe os pacotes necessários da API REST PUG:
import re import urllib, json, time import numpy as np
Função que limpa o texto das tags HTML:
def cleanhtml(raw_html): cleanr = re.compile('<.*?>') cleantext = re.sub(cleanr, '', raw_html) return cleantext
No código a seguir, abriremos uma descrição em inglês das moléculas de 1 a 100.000 números no pubchem e procuraremos sugestões de que essa molécula é de natureza orgânica (de uma planta animal ou como parte de uma bebida), embora não seja tóxica nem cancerígena.
natural=[]; for i in range(1,100000): url = "https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/cid/"+str(i)+"/description/json" time.sleep(0.2) try: response = urllib.urlopen(url) except: time.sleep(12);response = urllib.urlopen(url) data = json.loads(response.read()) op=0;ol=0;ot=0; try: for u in range(1,len(data['InformationList']['Information'])): soup=str(data['InformationList']['Information'][u]['Description']) soup1=cleanhtml(soup) if (soup1.find('carcinogen')!=-1)or(soup1.find('death')!=-1)or(soup1.find('damage')!=-1): break; if (soup1.find('toxic')!=-1): break; if (soup1.find(' plant')!=-1)and(op!=9)and(soup1.find('planting')==-1): natural.append((i,'plant',str(data['InformationList']['Information'][0]['Title'])));op=9; if (soup1.find(' beverages')!=-1)and(ot!=9): natural.append((i,'beverages',str(data['InformationList']['Information'][0]['Title'])));ot=9; if (soup1.find(' animal')!=-1)and(ol!=9): natural.append((i,'animal',str(data['InformationList']['Information'][0]['Title'])));ol=9; except: ii=0; if i%100==0: print i;np.savetxt('/Users/andrejeremcuk/Downloads/natural.txt', natural,fmt='%s', delimiter='<')
Para procurar referências no texto da planta, use .find ('planta'). No final, salve o arquivo com os compostos orgânicos resultantes e seus números no PubChem.
→
Github