全国のタンパク質研究マスター達へ
大学院生諸氏が効率よく学習し、修了にたる成果をだすために有用なツールを提案したい。
タンパク質研究マスター（修士課程学生）達だけでなく、是非、タンパク質研究マスター（熟練者）達にもご意見いただければ幸いである。
あなたの研究対象はどんな分子ですか？
構造生物学だけでなく、合成生物学、計算化学においてタンパク質分子を研究対象とする場合がある。大学院では、仮に教授に強制的に決められた研究対象であっても、「あなたの」研究対象と捉えられる。なんとか愛着を持ってほしい。
そのために本記事では、UniprotとProtein Data Bank（PDB）の登録情報から、論文を収集するツールを紹介する。
Google Colabを使ってみよう。
タンパク質分子の情報は、UniprotやPDBというデータベースにまとめられている。
簡単にこれを収集し解析する手法としてgoogle colabを使った手法をおすすめしたい。昨今のchatGPTやgeminiなどの精度向上は凄まじく、慣れればとても有用である。
- googleアカウント作成
- google colabにログイン
- ノートブックを新規作成をクリック
4.コードを順に入れていく。
!pip install biopython requests
import requests
import os
from Bio.PDB import PDBList
from Bio.PDB.MMCIF2Dict import MMCIF2Dict
def get_pdb_ids_from_uniprot(query: str) -> list:
url = "https://rest.uniprot.org/uniprotkb/search"
params = {"query": query, "format": "json"}
print(f"UniProtで '{query}' を検索中...")
try:
response = requests.get(url, params=params)
response.raise_for_status()
result = response.json()
except requests.exceptions.RequestException as e:
print(f"APIリクエストエラー: {e}")
return []
if not result.get('results'):
print("検索結果が見つかりませんでした。")
return []
first_hit = result['results'][0]
accession = first_hit.get("primaryAccession", "Unknown")
print(f"トップヒット Accession: {accession}")
cross_refs = first_hit.get('uniProtKBCrossReferences', [])
pdb_ids = [ref['id'] for ref in cross_refs if ref['database'] == "PDB"]
print(f"関連するPDB IDが {len(pdb_ids)} 件見つかりました。\n")
return pdb_ids
def download_pdb_files(pdb_ids: list, download_dir: str):
if not pdb_ids:
return
os.makedirs(download_dir, exist_ok=True)
pdbl = PDBList()
print(f"=== {download_dir} にmmCIFファイルをダウンロードします ===")
pdbl.download_pdb_files(pdb_ids, pdir=download_dir, file_format="mmCif", overwrite=True)
print("ダウンロード完了。\n")
def extract_mmcif_metadata(pdb_ids: list, download_dir: str, output_filename: str = "protein_data.tsv"):
print("=== 構造メタデータの抽出とファイル保存 ===")
output_filepath = os.path.join(download_dir, output_filename)
with open(output_filepath, mode="w", encoding="utf-8") as f:
f.write("PDB_ID\tDate\tOrganism\tTitle\tMethod\tResolution\tProteins\tLigands\tDOI\n")
for pdb_id in pdb_ids:
filename = f"{pdb_id.lower()}.cif"
filepath = os.path.join(download_dir, filename)
if not os.path.exists(filepath):
print(f"ファイルが見つかりません: {filepath}")
continue
try:
mmcif_dict = MMCIF2Dict(filepath)
# 基本データの抽出
title = mmcif_dict.get("_struct.title", ["Unknown"])[0]
method = mmcif_dict.get("_exptl.method", ["Unknown"])[0]
resolution = mmcif_dict.get("_reflns.d_resolution_high", ["N/A"])[0]
doi = mmcif_dict.get("_citation.pdbx_database_id_DOI", ["N/A"])[0]
# 登録日(Deposition Date)の抽出
dep_date = mmcif_dict.get("_pdbx_database_status.recvd_initial_deposition_date", ["Unknown"])[0]
# 由来生物種(Organism)の抽出
# 天然由来と組換え発現の両方の項目を取得
org_nat = mmcif_dict.get("_entity_src_nat.pdbx_organism_scientific", [])
if isinstance(org_nat, str): org_nat = [org_nat]
org_gen = mmcif_dict.get("_entity_src_gen.pdbx_gene_src_scientific_name", [])
if isinstance(org_gen, str): org_gen = [org_gen]
# 両方を結合し、mmCIF特有の「?（データなし）」を弾いて重複をなくす
clean_orgs = [o for o in (org_nat + org_gen) if o and o not in ["?", "Unknown"]]
organism = ", ".join(set(clean_orgs)) if clean_orgs else "Unknown"
# タンパク質名の抽出（水分子除外）
proteins_raw = mmcif_dict.get("_entity.pdbx_description", [])
if isinstance(proteins_raw, str): proteins_raw = [proteins_raw]
clean_proteins = [p.replace('\n', ' ').replace('\r', '') for p in proteins_raw if p.lower() not in ["water", "hoh", "h2o"]]
proteins = ", ".join(set(clean_proteins)) if clean_proteins else "Unknown"
# リガンド名の抽出（水分子除外）
ligands_raw = mmcif_dict.get("_pdbx_entity_nonpoly.name", [])
if isinstance(ligands_raw, str): ligands_raw = [ligands_raw]
clean_ligands = [l.replace('\n', ' ').replace('\r', '') for l in ligands_raw if l.lower() not in ["water", "hoh", "h2o"]]
ligands = ", ".join(clean_ligands) if clean_ligands else ""
print(f"[{pdb_id.upper()}]")
print(f" 登録日 : {dep_date}")
print(f" 生物種 : {organism}")
print(f" タイトル : {title}")
print(f" 手法 : {method}")
print(f" 分解能 : {resolution} Å")
print(f" タンパク質: {proteins}")
print(f" リガンド : {ligands if ligands else 'なし'}")
print("-" * 40)
clean_title = title.replace('\n', ' ').replace('\r', '')
f.write(f"{pdb_id.upper()}\t{dep_date}\t{organism}\t{clean_title}\t{method}\t{resolution}\t{proteins}\t{ligands}\t{doi}\n")
except Exception as e:
print(f"{pdb_id} のパース中にエラーが発生しました: {e}")
print(f"\n★抽出結果をテキストファイル '{output_filepath}' に保存しました。")
# ==========================================
# メインの実行ブロック
# ==========================================
if __name__ == "__main__":
target_name = input("検索したい「タンパク質の名前&&種名」を入力してください (例: FOXP3&&human): ")
safe_folder_name = target_name.replace("&&", "_").replace(" ", "_")
download_directory = f"./pdb_files/{safe_folder_name}"
pdb_list = get_pdb_ids_from_uniprot(target_name)
if pdb_list:
download_pdb_files(pdb_list, download_dir=download_directory)
extract_mmcif_metadata(pdb_list, download_dir=download_directory, output_filename="protein_data.tsv")
このマークを押すと実行される。
例えば、インプットとして「FOXP3_human」と入れると、色々と出てきた後、
このように出力される（2026年4月現在）。
ここでは、ヒトのFOXP3というタンパク質分子を検索しており、2つのデータを見つけてきた。
さらに./pdb_files/FOXP3_humanという場所にそのデータが保存されている。
初期画面のうち、タスクバーの上から6つめ、フォルダアイコンをクリックすると、
このようなタブが出てくる。
これのうち、📁pdb_filesとなっている箇所をクリックすると、FOXP3_humanというフォルダがあり、ここに検索して得たヒトのFOXP3に関する立体構造のデータがある。
名前はPDB IDとなっている。このmmcifファイルは、pymolなどの分子viewerで美しく可視化することができる。Pymolを使うことができれば、より理解が深まるはずだ。
また、protein_data.tsvというファイルがあり、これはダウンロードしてexcelで開くと、
各PDBファイルの立体構造を扱った論文のDOIが分かる。DOIはそれをそのまま検索すれば大抵その論文にたどり着く。
Google colabを使ったこの仕組みは、PCスペック依存性がとても低いのでおすすめである。
ただしgoogle colabではログアウトするとデータが削除されるため、その点は注意されたし。
文献の調査方法は変わりつつある。
科学論文を投稿することをpublishというが、現在、実際に活版印刷されているのだろうか？
同様に、文献調査も、大学図書館にいって冊子をめくる時代ではない。
僕の時代はggrksと言われたが、現代ではチャッピーに聞いたかと詰められる。
Google colabなどの無料ツールをなるべく使いこなし、是非、大学院での研究を楽しんで欲しい。
また、あらゆる取り組みにおいて、初心者だからといって尻込みする必要はない。今回公開しているコードは、大部分をgeminiが作った。しかしながら、しっかり運用できるものとなっている。はずだ。