InterProScan5の出力ファイル(XML形式)からGOタームのIDを取り出す [備忘録]

タンパク質機能予測ソフトウェアInterProScanを用いると、タンパク質配列をもとに含まれるドメイン構造や、関連するGOタームの情報を得ることができる。
Local環境でInterProScanを実行した際に、得られる出力ファイル(XML形式)から、必要な情報を取り出す際のスクリプトを作成したので、備忘録としてまとめる。
今回は、タンパク質のIDと、対応するGOタームのIDを取り出すことにして、pythonのコードを作成した。(assisted by ChatGPT)

import re

input_file = "protein.faa.xml"
output_file = "protein_GO.tsv"

with open(input_file) as f:
    text = f.read()

# proteinごとに分割
proteins = re.findall(
    r"<protein>(.*?)</protein>",
    text,
    re.DOTALL
)

with open(output_file, "w") as out:
    out.write("Protein_ID\tGO_terms\n")

    for protein in proteins:

        # タンパク質ID取得
        m = re.search(
            r'<xref id="([^"]+)"',
            protein
        )

        if not m:
            continue

        protein_id = m.group(1)

        # GOタームID取得
        gos = sorted(set(
            re.findall(
                r'<go-xref[^>]*id="(GO:\d+)"',
                protein
            )
        ))

        out.write(
            protein_id + "\t" +
            ";".join(gos) + "\n"
        )

print("Finished")