Bioinformática de secuencias de anticuerpos
Código y convenciones para datos de secuencias de anticuerpos: numeración, anotación, intercambio y control de calidad.
Alcance: trabajo de investigación, terapéutico, de diagnóstico y educativo. Una solicitud para diseñar un patógeno hacia una mayor transmisibilidad, o para diseñar la evasión de una contramedida desplegada, queda fuera de este alcance — indícalo y detente.
Nombra el esquema
Un índice de residuo sin su esquema de numeración carece de significado. H52 es un residuo diferente bajo Kabat que bajo IMGT, y CDR-H1 abarca residuos diferentes bajo cada esquema en uso. Por lo tanto:
- Indica el esquema en prosa, en nombres de columna (
cdr1_aa_imgt), en nombres de archivo y en docstrings. - Cuando los datos lleguen sin un esquema declarado, re-numéralos en lugar de inferirlo; un esquema mal etiquetado corrompe silenciosamente cualquier comparación posterior.
- Convierte re-numerando la secuencia, nunca mediante aritmética sobre índices. Los códigos de inserción (
52A,100A–100K) hacen que la aritmética de índices sea incorrecta. - Los límites también pertenecen a un esquema: cita las definiciones de CDR como "CDR-H3 de IMGT" en lugar de "CDR3".
- Un archivo de estructura tiene sus propios números de residuo. Las posiciones IMGT no son números PDB, y un contig o lista de puntos calientes debe usar la numeración del archivo (
cdr_contig.pya continuación realiza el mapeo).
Tabla de esquemas y definiciones de límites: references/numbering.md.
Pasos
- Establece la entrada — tipo de cadena (pesada, kappa, lambda, o un archivo mixto), aminoácido o nucleótido, emparejado o no emparejado, y si las secuencias son V(D)J de longitud completa o solo dominio variable. Revisa manualmente un puñado de registros antes de escribir un pipeline sobre el archivo.
- Numera y anota con una herramienta, no a mano: ANARCII (numeración basada en modelos de lenguaje, el sucesor de ANARCI en OPIG) o ANARCI/abnumber para numeración y extracción de regiones, IgBLAST para asignación de línea germinal a partir de datos de nucleótidos. Opciones de herramientas y fragmentos de código: references/tools.md.
- Normaliza a AIRR Rearrangement TSV como formato de intercambio, para que el código posterior lea un solo esquema. Convenciones de campos y trampas de coordenadas: references/airr-data.md.
- Control de calidad antes del análisis. Ejecuta la lista de verificación en
airr-data.md: indicadores de productividad, marco, codones de parada, consistencia del tipo de cadena, manejo de duplicados, cadenas huérfanas en datos emparejados, y una verificación de ida y vuelta de que escribir y luego volver a leer el archivo reproduce los registros. - Reporta los indicadores como indicadores. Los motivos de liability, las puntuaciones de humanidad y las agrupaciones de clonotipos son hipótesis con umbrales, y el umbral debe viajar con el número: references/liabilities.md.
Con el MCP immuno conectado, number_sequence y annotate_cdrs ejecutan ANARCII por ti en un dominio variable. Ambos toman un esquema (imgt, kabat, chothia, martin o aho) para las etiquetas de residuos, pero las regiones y los límites de CDR que devuelven son siempre la definición de IMGT, y el resultado lo indica: no leas un CDR de Kabat de ellos. extract_chains proporciona la secuencia observada en una estructura, map_epitope_paratope (con scheme) etiqueta los residuos del parátopo por región, e interface_contacts proporciona contactos y área enterrada. Su regla de contacto es cualquier par de átomos pesados dentro de 4.5 Å, y scripts/interface_contacts.py usa la misma regla: en el PDB 1ZVY (cadena A contra B) ambos reportan 41 pares de residuos y 238 pares de átomos (verificado el 2026-11-14).
VHH, binders diseñados y estructuras
Tres scripts de biblioteca estándar en scripts/ (Python 3.9+, nada que instalar; --help en cada uno). Ejecútalos desde el directorio de esta habilidad o mediante la ruta completa.
| Pregunta | Comando |
|---|---|
| ¿Cuáles son los CDR, características distintivas, cisteínas, liabilities, carga de este VHH? | python3 scripts/vhh_qc.py seqs.fasta o python3 scripts/vhh_qc.py designs.csv --annotate -o designs.qc.csv |
| ¿Qué números de residuo contienen los CDR en esta estructura, y qué contig los rediseña? | python3 scripts/cdr_contig.py 1ZVY.cif --chain A --target-chain B --design CDR3 --length CDR3=16-24 |
| ¿Toca este complejo predicho el epítopo previsto, a través de los CDR? | python3 scripts/interface_contacts.py design.cif --binder H --target A --hotspots A45,A67 |
Reglas que mantienen su salida confiable:
vhh_qc.pycoloca regiones anclándose en Cys23, Trp41, Cys104 y la cola FR4. Lee un dominio VH/VHH y reporta una secuencia que no puede colocar como no colocada en lugar de adivinar. Para una numeración IMGT exacta, o cuando el tipo de cadena importe, añade--numbering anarcii. Acuerdo con ANARCII, los casos que rechaza y los límites: references/vhh.md.- Las posiciones en su salida son índices brutos basados en 1 más un nombre de región, nunca números IMGT.
cdr_contig.pyelimina residuos cuyo N, CA o C de la cadena principal falta, porque un contig que nombra un residuo no resuelto falla dentro de la herramienta de diseño. Ejecútalo en el archivo exacto que vas a subir.- La sintaxis del contig y la convención de numeración de residuos pertenecen a la herramienta de diseño; confirma ambas en la documentación de esa herramienta antes de pegar.
interface_contacts.pysolo reporta geometría. Es un filtro sobre dónde se une un diseño, no una estimación de qué tan bien.
Las definiciones de clonotipo son una elección, no un hecho
Cualquier afirmación sobre diversidad clonal depende de una definición que debe ser declarada: nucleótidos de unión idénticos; aminoácidos CDR3 idénticos más el mismo gen V y J; identidad de aminoácidos CDR3 por encima de un umbral con el mismo V y J; o una definición de agrupamiento jerárquico con un umbral de distancia. Estas dan respuestas que difieren varias veces en los mismos datos. Reporta la definición junto con cada número de diversidad y mantén una definición en cualquier comparación.
Referencia
- references/numbering.md — esquemas, límites de CDR y regiones marco, códigos de inserción, conversión, numeración IMGT versus PDB.
- references/vhh.md — características de secuencia VHH, residuos característicos, cisteínas, contra qué se validó
vhh_qc.py. - references/tools.md — mapa de herramienta a tarea, notas de instalación, fragmentos de código Python y CLI.
- references/airr-data.md — conceptos esenciales de AIRR Rearrangement, referencias de línea germinal, lista de verificación de control de calidad.
- references/liabilities.md — motivos de liability en la secuencia, humanidad, y qué no puede decidir la secuencia por sí sola.