BioHub [DESCONTINUADO]

Uma Plataforma para Análise de Sequências e Estruturas de Proteínas

BioHub é uma ferramenta de linha de comando leve, prática e centralizadora, escrita em Python puro, para realizar análises bioinformáticas a partir de arquivos de estrutura de proteínas (PDB) e sequências de aminoácidos.

██████╗ ██╗ ██████╗ ██╗  ██╗██╗   ██╗██████╗ 
██╔══██╗██║██╔═══██╗██║  ██║██║   ██║██╔══██╗
██████╔╝██║██║   ██║███████║██║   ██║██████╔╝
██╔══██╗██║██║   ██║██╔══██║██║   ██║██╔══██╗
██████╔╝██║╚██████╔╝██║  ██║╚██████╔╝██████╔╝
╚═════╝ ╚═╝ ╚═════╝ ╚═╝  ╚═╝ ╚═════╝ ╚═════╝

Equipe Desenvolvedora (Programa de Pós Graduação em Bioinformática - UFMG)

Alisson Clementino da Silva (ACDS)
Ana Karoline da Nóbrega Nunes Alves (AKNNA)
Laura da Silva Ribeiro de Souza (LSRS)
Leonardo Henrique da Silva (LHS)
Madson Allan de Luna Aragão (MADLA)

Disclaimer

O BioHub é uma ferramenta desenvolvida com código hardcoded como projeto acadêmico. Após a conclusão da disciplina, o grupo irá implementar bibliotecas especializadas para que os cálculos sejam feitos com maior acurácia.

Gostaríamos de agradecer aos professores Lucas Bleicher, Rafaela Ferreira e Vinicius Maltarollo pelo desafio proposto e pelo desenvolvimento do nosso pensamento crítico sem a praticidade das bibliotecas especializadas do Python. Este exercício foi fundamental para compreendermos profundamente os algoritmos e métodos bioinformáticos que frequentemente utilizamos, sem nos preocupamos com os detalhes do processamento dos nossos dados.

Visão Geral

Este projeto foi desenvolvido com o objetivo de fornecer uma solução simples, rápida e altamente portátil para tarefas comuns na análise de proteínas. É ideal para:

Fins educacionais: Demonstra a implementação de algoritmos bioinformáticos fundamentais sem a abstração de bibliotecas complexas.
Integração em pipelines: A natureza leve e a interface de linha de comando facilitam a automação de análises em scripts de shell.
Acessibilidade: Não requer bibliotecas externas para cálculos, podendo ser executada em qualquer ambiente com uma instalação padrão do Python 3, eliminando problemas de gerenciamento de dependências.

Validação e Testes

Testes: `debug/`

A pasta debug/ contém um conjunto completo de testes de todas as funcionalidades e possibilidades de análises do BioHub. Esses testes foram baseados no case de apresentação descrito em demoday-biohub/README.md, que utiliza a proteína p53 (PDB ID: 1TUP) como modelo.

Estrutura dos testes realizados:

debug/
├── 00-fetchpdb/     → Download automático da estrutura 1TUP
├── 01-fasta/        → Conversão PDB → FASTA
├── 02-physchem/     → Predições físico-químicas completas
├── 03-csv2fasta/    → Conversão CSV → FASTA
├── 04-contacts/     → Análise de contatos intramoleculares
├── 05-hydrophoby/   → Perfil de hidrofobicidade por resíduo
└── 06-sasa/         → Área de superfície acessível ao solvente

Cada teste exercita todas as opções disponíveis de cada comando (saídas em CSV, PDB anotado, scripts PyMOL e visualizações gráficas), garantindo a robustez e confiabilidade da ferramenta.

Funções de Conversão e Download

As funções fetchpdb, fasta (PDB → FASTA) e csv2fasta foram testadas em diversas condições de ruído e se saíram com sucesso em todas as ocasiões. Isso inclui:

Arquivos PDB com registros malformados ou não padronizados
CSVs com diferentes delimitadores (vírgula, ponto-e-vírgula, tabulação)
Sequências com caracteres ambíguos ou espaços extras
Diferentes formatos de cabeçalho e encodings de texto
Estruturas PDB com múltiplas cadeias e heteroátomos complexos

Essa robustez garante que o BioHub pode processar dados de diversas fontes sem falhas, sendo uma ferramenta confiável para pipelines automatizados.

Validação com ProtParam (ExPASy)

Nossas predições computacionais hardcoded foram comparadas com o ProtParam, uma plataforma bem estabelecida e amplamente utilizada da ExPASy (Swiss Institute of Bioinformatics).

Resultados da validação:

Peso Molecular: Predições idênticas ou com variações inferiores a 0.01%
Ponto Isoelétrico (pI): Concordância total com diferenças menores que 0.05 unidades de pH
Coeficiente de Extinção (ε₂₈₀): Valores exatos quando comparados com mesmas premissas de pontes dissulfeto
Índice de Instabilidade: Classificações concordantes (estável vs. instável)
Índice Alifático e GRAVY: Variações desprezíveis (<1%), dentro da margem de erro aceitável para arredondamentos

Esta validação demonstra que, apesar da implementação hardcoded sem uso de bibliotecas especializadas, o BioHub produz resultados científicos confiáveis e comparáveis a ferramentas consolidadas da comunidade bioinformática internacional.

SASA e Hidrofobicidade

Os cálculos de SASA e hidrofobicidade utilizam métodos computacionais bem estabelecidos e amplamente validados pela comunidade científica:

Hidrofobicidade:

Implementação da escala de Kyte-Doolittle (1982), um dos métodos mais consagrados para quantificar o caráter hidrofóbico/hidrofílico de aminoácidos
Gera PDB especial com B-factors anotados com valores de hidrofobicidade
Produz script .pml para PyMOL, permitindo a inspeção visual e comprovação das predições diretamente na estrutura tridimensional
Facilita a identificação de regiões hidrofóbicas (núcleo) vs. hidrofílicas (superfície)

SASA (Solvent Accessible Surface Area):

Implementação do algoritmo de Shrake-Rupley (1973), um dos métodos mais consagrados para cálculo de área de superfície acessível ao solvente
Utiliza esferas de pontos e raios de Van der Waals tabelados para precisão
Gera PDB anotado com valores de SASA no campo B-factor (média por resíduo)
Produz script PyMOL (.pml) para visualização e comprovação das predições na estrutura 3D
Permite interpretação biológica direta: resíduos enterrados vs. expostos ao solvente

Ambos os módulos facilitam a validação visual das predições computacionais através de visualização molecular interativa no PyMOL, aumentando a confiança nos resultados.

Abordagem Implementacional

O BioHub foi intencionalmente desenvolvido com código hardcoded, utilizando conhecimento científico consolidado sobre as propriedades físico-químicas dos aminoácidos e dados proteicos. Quase a totalidade do código (com exceção das visualizações gráficas) implementa algoritmos e cálculos diretamente, sem dependências de bibliotecas externas de bioinformática.

Métodos científicos implementados:

Propriedades físico-químicas (physchem): Implementação de múltiplos métodos consolidados:
- Peso molecular com valores tabelados de massa atômica
- Ponto isoelétrico (pI) usando equação de Henderson-Hasselbalch e valores de pKa da literatura
- Escala de Kyte-Doolittle para hidropaticidade (GRAVY)
- Índice de Instabilidade de Guruprasad et al. (1990)
- Meia-vida baseada na regra do N-terminal de Bachmair et al. (1986)
- Coeficiente de extinção molar (ε₂₈₀) baseado em Trp, Tyr e pontes dissulfeto
Análise estrutural (contacts): Cálculo euclidiano de distâncias 3D entre todos os átomos dos resíduos para identificação de contatos intramoleculares (considera a distância mínima entre quaisquer átomos de dois resíduos)
Hidrofobicidade (hydrophoby): Aplicação da escala de Kyte-Doolittle (1982) por resíduo
SASA (sasa): Implementação do algoritmo de Shrake-Rupley (1973) com esferas de pontos e raios de Van der Waals tabelados
Scripts PyMOL (.pml): Geração automatizada de arquivos de script PyMOL seguindo as normas da documentação oficial do PyMOL para visualização 3D dos PDBs anotados gerados pelo BioHub
Visualizações (matplotlib): Única exceção autorizada (Prof. Vinícius Maltarollo) - uso do matplotlib e numpy para enriquecer visualmente os outputs científicos, sem alterar os cálculos principais

Como Funciona

A BioHub foi intencionalmente construída utilizando apenas a biblioteca padrão do Python. Constantes físico-químicas, como pesos moleculares e escalas de hidropatia, são armazenadas localmente em dicionários.

Justificativa: Esta abordagem garante a portabilidade e simplicidade para análise de estrutura de proteínas. Embora o uso de bancos de dados externos ou pacotes especializados pudesse oferecer maior precisão ou dados mais atualizados, a implementação atual é suficiente para fins demonstrativos e educacionais, focando na lógica algorítmica.

AVISOS IMPORTANTES: BioHub v0.1.3

Requisitos Obrigatórios de Entrada

O BioHub na versão atual requer arquivos PDB pré-processados e limpos:

Use SEMPRE o módulo fetchpdb para obter arquivos PDB limpos:

python3 biohub.py fetchpdb [PDB_ID] --chains A --protein-only -o arquivo_limpo.pdb

Requisitos do arquivo PDB:
- Uma única cadeia (--chains A ou cadeia específica)
- Apenas proteína (--protein-only remove água, ligantes e heteroátomos)
- Não utilize arquivos PDB brutos baixados manualmente ou de outras fontes sem processamento
Especificação de Output é OBRIGATÓRIA:
- TODOS os módulos (physchem, contacts, hydrophoby, sasa) requerem sinalização de output através de flags apropriadas
- Sem especificação de output, os módulos podem rodar indefinidamente sem retornar resultados
- Sempre use: -o arquivo.csv, --write-pdb, --plot-*, ou outras flags de saída específicas

Exemplo de Workflow Correto:

# Passo 1: Obter PDB limpo
python3 biohub.py fetchpdb 3E9C --chains A --protein-only -o 3E9C_clean.pdb

# Passo 2: Extrair sequência
python3 biohub.py fasta 3E9C_clean.pdb -o 3E9C.fasta

# Passo 3: Análises (Sempre com flags de output)
python3 biohub.py physchem "SEQUENCIA" -o physchem.csv
python3 biohub.py contacts 3E9C_clean.pdb -o contacts.csv
python3 biohub.py hydrophoby 3E9C_clean.pdb -o hydro.csv --plot-hydrophoby hydro.png
python3 biohub.py sasa 3E9C_clean.pdb -o sasa.csv --plot-profile sasa.png

Importante: Não seguir estas diretrizes pode resultar em:

Erros de KeyError
Cálculos que nunca finalizam ou travamentos
Resultados ausentes

Funcionalidades Detalhadas

A ferramenta é organizada em sete subcomandos principais:

1. `fetchpdb`

Faz o download automático de arquivos PDB diretamente do banco de dados RCSB (Protein Data Bank). Basta fornecer o código PDB de 4 caracteres e a ferramenta baixará a estrutura correspondente.

Recursos adicionais:

Extrai informações do cabeçalho do arquivo PDB (título, data de deposição, classificação, organismo de origem)
Permite especificar um nome customizado para o arquivo de saída
Validação automática do código PDB fornecido

2. `fasta`

Converte um arquivo PDB em uma sequência no formato FASTA. O processo foca nos registros ATOM e extrai a sequência de aminoácidos da primeira cadeia (chain) encontrada no arquivo.

3. `csv2fasta`

Converte arquivos CSV contendo sequências de aminoácidos para o formato FASTA. Esta funcionalidade é especialmente útil para processar grandes volumes de sequências armazenadas em planilhas ou bancos de dados tabulares. O CSV input deve conter apenas duas colunas com as variáveis "ID" e "sequência de aminoácidos".

Recursos configuráveis:

Suporte para delimitadores customizados (vírgula, ponto-e-vírgula, tabulação, etc.)
Especificação de colunas por nome ou índice numérico
Opção para processar cabeçalhos na primeira linha
Flexibilidade para mapear qualquer coluna como identificador ou sequência

4. `physchem`

Calcula um conjunto expandido de propriedades físico-químicas essenciais para uma dada sequência de aminoácidos:

Peso Molecular (MW): A massa da molécula, fundamental para experimentos de espectrometria de massa e SDS-PAGE.
Ponto Isoelétrico (pI): O pH no qual a proteína tem carga líquida zero, influenciando sua solubilidade e comportamento em cromatografia de troca iônica.
Coeficiente de Extinção: Estima como a proteína absorve luz a 280 nm, útil para determinar a concentração da proteína via espectrofotometria.
GRAVY (Grand Average of Hydropathicity): Um índice do caráter hidrofóbico ou hidrofílico geral de uma proteína. Valores positivos indicam hidrofobicidade (ex.: proteínas de membrana), enquanto valores negativos indicam hidrofilicidade (ex.: proteínas citosólicas).
Índice Alifático: Medida do volume ocupado por cadeias laterais alifáticas (Ala, Val, Ile, Leu), correlacionado com a estabilidade térmica da proteína.
Índice de Instabilidade: Prevê se a proteína é estável ou instável em ambientes fisiológicos (valores > 40 indicam instabilidade).
Meia-vida: Estimativa da meia-vida da proteína em E. coli (in vitro) com base no resíduo N-terminal.
Composição de Aminoácidos: A contagem e a frequência de cada resíduo, incluindo contagens de resíduos ácidos, básicos, polares e apolares.

5. `contacts`

Identifica e lista contatos intramoleculares com base na distância mínima entre quaisquer átomos de dois resíduos. Diferente de abordagens que usam apenas carbonos alfa, este método considera todos os átomos da cadeia lateral e backbone, proporcionando uma análise mais precisa e completa das interações. Este cálculo é útil para:

Identificar o núcleo hidrofóbico (core) da proteína com maior precisão.
Analisar a topologia do enovelamento considerando cadeias laterais.
Estudar interações de longo alcance que estabilizam a estrutura terciária.
Detectar contatos entre cadeias laterais que não seriam visíveis apenas com Cα.
Ajuste customizável do limiar de distância (padrão: 8.0 Å).

Nota técnica: O cálculo é feito avaliando todos os pares de átomos entre dois resíduos e selecionando a distância mínima encontrada. Esta abordagem detecta significativamente mais contatos e com distâncias menores comparado ao método tradicional de Cα.

6. `hydrophoby`

Calcula a hidrofobicidade de cada átomo da proteína utilizando a escala de Kyte-Doolittle. Todos os átomos de um resíduo recebem o valor de hidrofobicidade característico daquele aminoácido. Esta análise é fundamental para:

Identificar regiões hidrofóbicas (núcleo da proteína) vs. hidrofílicas (superfície)
Predizer exposição ao solvente baseada no caráter químico dos resíduos
Mapear o perfil de hidrofobicidade ao longo da estrutura 3D
Visualizar propriedades físico-químicas diretamente na estrutura (usando B-factor)

7. `sasa`

Calcula a Área de Superfície Acessível ao Solvente (SASA) usando o algoritmo de Shrake-Rupley implementado em Python puro. Esta métrica é fundamental para estudos de enovelamento, estabilidade e interações moleculares.

Características do cálculo:

Raio da sonda customizável (padrão: 1.4 Å para água)
Número de pontos ajustável para controle de precisão (padrão: 200 pontos)
Cálculo por resíduo e SASA total da molécula
Uso de raios de Van der Waals específicos para cada tipo de átomo

Nota sobre Performance (v0.1.3):

O padrão foi reduzido de 960 para 200 pontos por questões de performance
Com 960 pontos, o cálculo pode ser extremamente lento (>10-20 minutos) ou travar em estruturas médias/grandes
200 pontos oferece bom balanceamento entre precisão e tempo de execução (~2-8 minutos)
Para maior precisão, aumente manualmente com --num-points (ex: 500, 960, ou 2000)

Requisitos

Requisitos Mínimos

Python 3.x (biblioteca padrão)

Instalação

RECOMENDADO: Siga esta ordem para configurar o BioHub corretamente

1. Clone o repositório

git clone https://github.com/madsondeluna/biohub.git
cd biohub

2. Crie um ambiente virtual (venv)

Criar o ambiente virtual é ESSENCIAL para isolar as dependências do projeto:

# No macOS/Linux:
python3 -m venv venv

# No Windows:
python -m venv venv

3. Ative o ambiente virtual

# No macOS/Linux:
source venv/bin/activate

# No Windows:
venv\Scripts\activate

Você verá (venv) no início do seu prompt quando o ambiente estiver ativado.

4. Instale as dependências

pip install -r requirements.txt

O que está incluído no requirements.txt:

matplotlib - Para gráficos de composição, hidrofobicidade, SASA e mapas de contatos
numpy - Para cálculos numéricos nas visualizações
squarify - Para treemaps hierárquicos de composição de aminoácidos

5. Verifique a instalação

python biohub.py -h

Se você ver o banner do BioHub e a ajuda, está tudo certo!

Dependências do Projeto

BioHub Core (biohub.py):

Usa apenas a biblioteca padrão do Python 3
Funciona sem dependências externas
Bibliotecas usadas: sys, math, argparse, subprocess, os, tempfile, shutil, csv, urllib.request, collections

Visualizações (biohub_viz.py):

Requer bibliotecas externas listadas no requirements.txt
As visualizações são opcionais - o BioHub funciona sem elas
Se as bibliotecas não estiverem instaladas, os gráficos não serão gerados, mas todas as análises continuam funcionando

Notas Importantes

Sempre ative o ambiente virtual antes de usar o BioHub:

source venv/bin/activate  # macOS/Linux
venv\Scripts\activate     # Windows

Para desativar o ambiente virtual quando terminar:

deactivate

Verificar instalação do Python:

python3 --version  # ou python --version

Se o Python não estiver instalado, baixe em: https://www.python.org/downloads/

Uso

A ferramenta é executada a partir do terminal, seguindo o padrão:

python3 biohub.py [COMANDO] [ARGUMENTOS] [OPÇÕES]

Ou, se o arquivo for executável:

./biohub.py [COMANDO] [ARGUMENTOS] [OPÇÕES]

Exemplo de tela do BioHub em uso via CLI:

Ajuda (ou `biohub.py -h`)

python3 biohub.py -h

Saída:

biohub.py [-h] {fetchpdb,fasta,csv2fasta,physchem,contacts,hydrophoby,sasa} ...

BioHub: Uma ferramenta CLI para análise de proteínas.

positional arguments:
  {fetchpdb,fasta,csv2fasta,physchem,contacts,hydrophoby,sasa}
                        Função a ser executada
    fetchpdb            Baixa um arquivo PDB do RCSB.
    fasta               Converte um arquivo PDB em uma sequência FASTA.
    csv2fasta           Converte um arquivo CSV em um formato FASTA.
    physchem            Calcula propriedades físico-químicas de uma sequência.
    contacts            Calcula contatos intramoleculares a partir de um arquivo PDB.
    hydrophoby          Calcula a hidrofobicidade usando a escala Kyte-Doolittle.
    sasa                Calcula a Área de Superfície Acessível ao Solvente (SASA).

optional arguments:
  -h, --help            show this help message and exit

Use biohub.py COMANDO -h para ajuda detalhada sobre um comando.

Exemplos Detalhados

1) Baixar Arquivo PDB do RCSB

Baixar a estrutura 1A2B com o nome padrão:

python3 biohub.py fetchpdb 1A2B

Baixar e salvar com nome customizado:

python3 biohub.py fetchpdb 1A2B -o minha_proteina.pdb

Baixar apenas cadeias específicas:

python3 biohub.py fetchpdb 4HHB --chains A,B -o hemoglobina_AB.pdb

Baixar apenas proteína (remove água e ligantes):

python3 biohub.py fetchpdb 1CRN --protein-only -o crambin_clean.pdb

Combinar filtros (cadeia específica sem água/ligantes):

python3 biohub.py fetchpdb 4HHB --chains A --protein-only -o hemo_A_clean.pdb

Ajuda do comando:

python3 biohub.py fetchpdb -h

Opções disponíveis:

PDB_ID: O código de 4 caracteres do PDB (obrigatório)
-o, --output ARQUIVO: Nome do arquivo de saída (padrão: PDBID.pdb)
--chains CHAINS: Cadeias a serem mantidas, separadas por vírgula (ex: A,B). Se omitido, mantém todas
--protein-only: Mantém apenas átomos de proteína (remove água, ligantes e heteroátomos)

Benefícios da filtragem:

Redução de tamanho: Arquivos menores e mais rápidos para processar
Foco na análise: Remove elementos não essenciais para análise de estrutura de proteínas
Preparação para simulações: Muitos softwares de simulação requerem apenas a proteína
Análise por subunidades: Permite estudar cadeias individuais de complexos proteicos

2) Converter PDB para FASTA

Exibir a sequência no terminal:

python3 biohub.py fasta proteina.pdb

Salvar a sequência em um arquivo:

python3 biohub.py fasta proteina.pdb -o proteina.fasta

Ajuda do comando:

python3 biohub.py fasta -h

Opções disponíveis:

ARQUIVO_PDB: Caminho para o arquivo PDB de entrada (obrigatório)
-o, --output ARQUIVO: Salva a saída em um arquivo FASTA (padrão: stdout)

3) Converter CSV para FASTA

Converter com configurações padrão (colunas 0 e 1, sem cabeçalho):

python3 biohub.py csv2fasta sequencias.csv

Converter especificando colunas por nome (com cabeçalho):

python3 biohub.py csv2fasta sequencias.csv --header --id-col "ID" --seq-col "Sequencia" -o saida.fasta

Converter com delimitador customizado (ponto-e-vírgula):

python3 biohub.py csv2fasta dados.csv --delimiter ";" --header --id-col 0 --seq-col 2

Ajuda do comando:

python3 biohub.py csv2fasta -h

Opções disponíveis:

ARQUIVO_CSV: Caminho para o arquivo CSV de entrada (obrigatório)
-o, --output ARQUIVO: Salva a saída em um arquivo FASTA (padrão: stdout)
--id-col COLUNA: Coluna do identificador - nome ou índice baseado em 0 (padrão: 0)
--seq-col COLUNA: Coluna da sequência - nome ou índice baseado em 0 (padrão: 1)
--header: Flag para indicar que a primeira linha é um cabeçalho
--delimiter CHAR: Caractere delimitador (padrão: ,)

4) Calcular Propriedades Físico-Químicas

Analisar uma sequência fornecida diretamente:

python3 biohub.py physchem "MKTAYIAKQRQISFVKSHFSRQLEERLGLIEVQAPILSRVGDGTQDNLSGAEKAVQVKVKALPDAQFEVVHSLAKWKRQTLGQHDFSAGEGLYTHMKALRPDEDRLSPLHSVYVDQWDWERVMGDGERQFSTLKSTVEAIWAGIKATEAAVSEEFGLAPFLPDQIHFVHSQELLSRYPDLDAKGRERAIAKDLGAVFLVGIGGKLSDGHRHDVRAPDYDDWSTPSELGHAGLNGDILVWNPVLEDAFELSSMGIRVDADTLKHQLALTGDEDRLELEWHQALLRGEMPQTIGGGIGQSRLTMLLLQLPHIGQVQAGVWPAAVRESVPSLL"

Salvar resultados em CSV:

python3 biohub.py physchem "MKTAYIAKQ" -o propriedades.csv

Ajuda do comando:

python3 biohub.py physchem -h

Opções disponíveis:

SEQUENCIA: A sequência de aminoácidos a ser analisada (obrigatório)
-o, --output ARQUIVO_CSV: Salva os resultados em um arquivo CSV

Propriedades calculadas:

Comprimento da sequência
Peso molecular (Da)
Ponto isoelétrico (pI)
GRAVY (hidropaticidade)
Índice alifático
Índice de instabilidade
Meia-vida estimada (E. coli, in vitro)
Total de resíduos ácidos (Asp+Glu)
Total de resíduos básicos (Arg+Lys+His)
Total de resíduos polares
Total de resíduos apolares
Composição completa de aminoácidos (contagem e percentual)

5) Calcular Contatos Intramoleculares

Encontrar contatos com o limiar padrão (8.0 Å):

python3 biohub.py contacts proteina.pdb

Ajustar o limiar de distância para 10.5 Å:

python3 biohub.py contacts proteina.pdb -t 10.5

Salvar resultados em CSV:

python3 biohub.py contacts proteina.pdb -t 8.0 -o contatos.csv

Ajuda do comando:

python3 biohub.py contacts -h

Opções disponíveis:

ARQUIVO_PDB: Caminho para o arquivo PDB de entrada (obrigatório)
-t, --threshold FLOAT: Distância máxima em Angstroms para considerar um contato (padrão: 8.0)
-o, --output ARQUIVO_CSV: Salva os resultados em um arquivo CSV

6) Calcular Hidrofobicidade

Executar análise de hidrofobicidade por átomo:

python3 biohub.py hydrophoby proteina.pdb

Salvar resultados em CSV (com detalhes por átomo):

python3 biohub.py hydrophoby proteina.pdb -o exposicao.csv

Gerar arquivo PDB anotado com valores no B-factor:

python3 biohub.py hydrophoby proteina.pdb --write-pdb proteina_hydro.pdb

Gerar gráfico de perfil de hidrofobicidade:

python3 biohub.py hydrophoby proteina.pdb --plot-hydrophoby hydro_profile.png

Combinar CSV, PDB e gráfico:

python3 biohub.py hydrophoby proteina.pdb -o exposicao.csv --write-pdb proteina_hydro.pdb --plot-hydrophoby hydro_profile.png

Gerar visualização PyMOL:

python3 biohub.py hydrophoby proteina.pdb --write-pdb proteina_hydro.pdb --pymol proteina_hydro.pml

Análise completa (CSV + PDB + PyMOL + Gráfico):

python3 biohub.py hydrophoby proteina.pdb -o exposicao.csv --write-pdb proteina_hydro.pdb --pymol proteina_hydro.pml --plot-hydrophoby hydro_profile.png

Este comando gera:

exposicao.csv: Dados de hidrofobicidade por átomo
proteina_hydro.pdb: PDB com hidrofobicidade no B-factor
proteina_hydro.pml: Script PyMOL com visualização pré-configurada
hydro_profile.png: Gráfico de perfil de hidrofobicidade por resíduo

Ajuda do comando:

python3 biohub.py hydrophoby -h

Opções disponíveis:

ARQUIVO_PDB: Caminho para o arquivo PDB de entrada (obrigatório)
-o, --output ARQUIVO_CSV: Salva os resultados por átomo em CSV (Chain, ResNum, ResName, AtomNum, AtomName, Hydrophobicity)
--write-pdb ARQUIVO_PDB: Gera um arquivo PDB com a hidrofobicidade escrita no B-factor de cada átomo
--pymol ARQUIVO_PML: Gera script PyMOL (.pml) para visualização interativa
--plot-hydrophoby ARQUIVO_PNG: Gera perfil de hidrofobicidade por resíduo (requer matplotlib e numpy)

Interpretação dos resultados:

Valores positivos: Aminoácidos hidrofóbicos (Ile, Val, Leu, Phe, etc.) - tendem a estar enterrados no núcleo da proteína
Valores negativos: Aminoácidos hidrofílicos (Arg, Lys, Asp, Glu, etc.) - tendem a estar expostos ao solvente na superfície
Range de valores: -4.5 (Arg, mais hidrofílico) a +4.5 (Ile, mais hidrofóbico)
Nota: Todos os átomos de um mesmo resíduo recebem o mesmo valor de hidrofobicidade

Formato de saída CSV:

Chain,ResNum,ResName,AtomNum,AtomName,Hydrophobicity
A,1,THR,1,N,-0.700
A,1,THR,2,CA,-0.700
A,1,THR,3,C,-0.700

Visualização do PDB anotado: O arquivo PDB gerado com --write-pdb pode ser aberto em visualizadores moleculares como PyMOL ou Chimera, onde você pode colorir a estrutura pelos valores do B-factor para visualizar o perfil de hidrofobicidade:

# No PyMOL:
load proteina_hydro.pdb
spectrum b, red_white_blue, minimum=-4.5, maximum=4.5

7) Calcular SASA (Área de Superfície Acessível ao Solvente)

IMPORTANTE: Este comando REQUER flags de output (-o, --write-pdb, ou --plot-profile). Sem elas, o cálculo pode não retornar resultados.

Executar com parâmetros padrão (sonda de 1.4 Å, 200 pontos):

python3 biohub.py sasa proteina.pdb -o sasa_resultados.csv

Ajustar a precisão e o raio da sonda:

python3 biohub.py sasa proteina.pdb --probe-radius 1.5 --num-points 500 -o sasa.csv

Salvar resultados por átomo em CSV:

python3 biohub.py sasa proteina.pdb -o sasa_resultados.csv

Gerar arquivo PDB anotado com SASA (média por resíduo) no B-factor:

python3 biohub.py sasa proteina.pdb --write-pdb proteina_sasa.pdb

Combinar CSV e PDB anotado:

python3 biohub.py sasa proteina.pdb -o sasa_resultados.csv --write-pdb proteina_sasa.pdb

Gerar visualização PyMOL (média por resíduo, gradiente invertido):

python3 biohub.py sasa proteina.pdb --write-pdb proteina_sasa.pdb --pymol proteina_sasa.pml

Este comando gera:

proteina_sasa.pdb: PDB com SASA médio por resíduo no B-factor
proteina_sasa.pml: Script PyMOL com visualização pré-configurada

Ajuda do comando:

python3 biohub.py sasa -h

Opções disponíveis:

ARQUIVO_PDB: Caminho para o arquivo PDB de entrada (obrigatório)
--probe-radius FLOAT: Raio da sonda do solvente em Angstroms (padrão: 1.4 para água)
--num-points INT: Número de pontos na superfície de cada átomo (padrão: 200, reduzido de 960 por performance)
-o, --output ARQUIVO_CSV: Salva os resultados por átomo em CSV (Chain, ResNum, ResName, AtomNum, AtomName, SASA_A2) [RECOMENDADO]
--write-pdb ARQUIVO_PDB: Gera um arquivo PDB com o SASA médio por resíduo escrito no B-factor
--pymol ARQUIVO_PML: Gera script PyMOL (.pml) para visualização interativa
--plot-profile ARQUIVO_PNG: Gera perfil de SASA por resíduo (requer matplotlib e numpy)

Novidades e Observações:

O valor do B-factor para SASA agora é a média por resíduo (mais relevante biologicamente)
O gradiente de cores para SASA foi invertido: vermelho = enterrado, azul = exposto
O range de visualização é ajustado automaticamente (percentil 70 dos resíduos expostos) para maior sensibilidade
A SASA total da molécula é sempre exibida no terminal
Resíduos completamente enterrados terão SASA ≈ 0.00 Ų
Resíduos totalmente expostos podem ter SASA > 10 Ų (ajustado pelo percentil)

Formato de saída CSV:

Chain,ResNum,ResName,AtomNum,AtomName,SASA_A2
A,1,THR,1,N,20.78
A,1,THR,2,CA,10.87
A,1,THR,3,C,0.00

Visualização do PDB anotado:

O arquivo PDB gerado com --write-pdb permite visualizar a acessibilidade ao solvente diretamente na estrutura 3D:

# No PyMOL:
load proteina_sasa.pdb
spectrum b, red_white_blue, minimum=0, maximum=10.8
# (range ajustado automaticamente)

Exemplo prático:

# Primeiro: limpar o PDB
python3 biohub.py fetchpdb 4HHB --chains A --protein-only -o 4HHB_clean.pdb

# Gerar SASA por resíduo e visualização
python3 biohub.py sasa 4HHB_clean.pdb -o 4HHB_sasa.csv --write-pdb 4HHB_sasa.pdb --pymol 4HHB_sasa.pml

# Para maior precisão (mais lento):
python3 biohub.py sasa 4HHB_clean.pdb -o 4HHB_sasa.csv --num-points 500

# Abrir no PyMOL
pymol 4HHB_sasa.pml

No PyMOL, resíduos enterrados aparecerão em vermelho, parcialmente expostos em branco, e totalmente expostos em azul.

Nota de Performance:

200 pontos (padrão): ~2-8 minutos (estruturas pequenas/médias)
500 pontos: ~5-15 minutos (maior precisão)
960 pontos: >10-20 minutos ou mais (precisão máxima, muito lento)

Visualizações Gráficas

O BioHub agora suporta geração de gráficos de alta qualidade para análise visual dos dados. As visualizações são opcionais e requerem matplotlib, numpy e squarify.

Instalação das Dependências de Visualização

pip install -r requirements.txt

Ou instale manualmente:

pip install matplotlib numpy squarify

Gráficos Disponíveis

1. Treemap de Composição de Aminoácidos (physchem)

Visualização hierárquica moderna mostrando a proporção de cada aminoácido, agrupados por propriedade química.

python3 biohub.py physchem "MKTAYIAKQRQISFVK..." --plot-treemap composicao.png

Características:

Agrupamento por propriedade: Hidrofóbico, Polar, Ácido, Básico, Glicina
Cores diferenciadas por grupo
Tamanho proporcional à abundância
Estatísticas incluídas (total, percentuais por grupo)
Qualidade para publicação (DPI 300)

2. Gráfico de Barras de Composição (physchem)

Visualização clássica da composição de aminoácidos.

python3 biohub.py physchem "MKTAYIAKQRQISFVK..." --plot-composition comp.png

Características:

Ordenado por frequência decrescente
Cores por propriedade química
Percentuais nas barras
Legenda de grupos

3. Perfil de Hidrofobicidade Kyte-Doolittle (physchem)

Gráfico clássico de hidrofobicidade com janela deslizante.

python3 biohub.py physchem "MKTAYIAKQRQISFVK..." --plot-hydro hydro.png --window 9

Características:

Janela deslizante configurável (padrão: 9 resíduos)
Áreas preenchidas (hidrofóbico em vermelho, hidrofílico em azul)
Identificação de regiões transmembrana (picos > 1.6)
Estatísticas de máximo e mínimo

Parâmetros:

--window INT: Tamanho da janela (padrão: 9, clássico Kyte-Doolittle; use 19-21 para proteínas de membrana)

4. Perfil de Hidrofobicidade (hydrophoby)

Gráfico de linha mostrando a hidrofobicidade por resíduo ao longo da sequência.

python3 biohub.py hydrophoby proteina.pdb --plot-hydrophoby hydro_profile.png

Características:

Hidrofobicidade por resíduo (escala Kyte-Doolittle)
Cores baseadas em gradiente divergente (azul-vermelho)
Linha de referência em zero (neutro)
Áreas preenchidas distinguindo hidrofóbico/hidrofílico
Colorbar mostrando escala de -4.5 a +4.5
Estatísticas completas (média, máx, mín)
Identificação de regiões hidrofóbicas vs hidrofílicas

5. Perfil de SASA (sasa)

Gráfico de linha mostrando a acessibilidade ao solvente por resíduo.

python3 biohub.py sasa proteina.pdb --plot-profile sasa_profile.png

Características:

SASA médio por resíduo
Cores baseadas em exposição (gradiente azul-vermelho)
Threshold para resíduos expostos vs enterrados (20 Ų)
Áreas preenchidas distinguindo exposto/enterrado
Estatísticas completas

6. Mapa de Contatos (contacts)

Matriz NxN mostrando contatos intramoleculares baseados em distâncias atômicas.

python3 biohub.py contacts proteina.pdb --plot contact_map.png -t 8.0

Características:

Heatmap com gradiente de distâncias em Ångström (não binário)
Colorbar mostrando escala numérica de distâncias
Linha diagonal de referência
Densidade de contatos calculada
Identificação visual de padrões estruturais (hélices, folhas beta)
Cores mais escuras = distâncias menores (contatos mais próximos)
Considera todos os átomos dos resíduos para máxima precisão

Combinando Múltiplas Visualizações

Você pode gerar múltiplos gráficos em um único comando:

# Análise completa de composição
python3 biohub.py physchem "MKTAYIAKQRQISFVK..." \
  --plot-treemap treemap.png \
  --plot-composition barras.png \
  --plot-hydro hydro.png \
  --window 11 \
  -o dados.csv

# Análise estrutural completa
python3 biohub.py sasa proteina.pdb \
  --plot-profile sasa.png \
  --write-pdb proteina_sasa.pdb \
  --pymol vis_sasa.pml \
  -o sasa_data.csv

Qualidade das Imagens

Todos os gráficos são gerados com:

Resolução: 300 DPI (qualidade para publicação)
Formato: PNG com fundo branco
Fontes: Negrito para títulos, tamanhos legíveis
Cores: Paleta científica consistente e amigável para daltônicos
Estatísticas: Caixas de informação relevantes

Formatos de Saída Suportados

Os gráficos são salvos no formato especificado pela extensão do arquivo:

--plot-treemap figura.png   # PNG (padrão, recomendado)
--plot-treemap figura.pdf   # PDF (vetorial, ideal para publicações)
--plot-treemap figura.svg   # SVG (vetorial, editável)

Troubleshooting

Se receber erro "módulo de visualização não disponível":

pip install matplotlib numpy squarify

Se squarify não estiver disponível:

O treemap usará uma visualização alternativa com gráfico de barras. Para treemap completo, instale:

pip install squarify

Verificar dependências instaladas:

python3 -c "import matplotlib, numpy, squarify; print('Todas as dependências OK!')"

Estrutura de Saída dos Comandos

fetchpdb

Terminal: Mensagens de progresso e informações extraídas do cabeçalho PDB
Arquivo: Arquivo PDB completo baixado do RCSB

fasta

Terminal: Sequência em formato FASTA (se -o não for especificado)
Arquivo: Sequência em formato FASTA

csv2fasta

Terminal: Múltiplas sequências em formato FASTA (se -o não for especificado)
Arquivo: Múltiplas sequências em formato FASTA

physchem

Terminal: Tabela formatada com propriedades e composição de aminoácidos
Arquivo CSV: Duas colunas (Propriedade, Valor)

contacts

Terminal: Lista de contatos (Resíduo1, Resíduo2, Distância em Å)
Arquivo CSV: Três colunas (Residuo1, Residuo2, Distancia_A)

hydrophoby

Terminal: Tabela com Chain, ResNum, ResName, AtomNum, AtomName e valores de hidrofobicidade
Arquivo CSV: Seis colunas (Chain, ResNum, ResName, AtomNum, AtomName, Hydrophobicity)
Arquivo PDB (com --write-pdb): Estrutura 3D com hidrofobicidade no B-factor

sasa

Terminal: SASA total da molécula + tabela com SASA por átomo
Arquivo CSV: Seis colunas (Chain, ResNum, ResName, AtomNum, AtomName, SASA_A2)
Arquivo PDB (com --write-pdb): Estrutura 3D com SASA no B-factor

Validação e Demonstração Completa: p53 DNA Binding Domain (1TUP)

O BioHub foi validado contra ProtParam (ExPASy), a referência internacional para análises de proteínas. Uma demonstração ponta a ponta de todas as funcionalidades está disponível em demoday-biohub/, com análise comparativa completa.

Resumo Comparativo BioHub vs ProtParam

Parâmetro	BioHub	ProtParam	Status	Observação
Comprimento	196 aa	196 aa	==	Idêntico
Peso Molecular	22.003,86 Da	22.003,93 Da	==	Diferença <0.001%
GRAVY	-0.503	-0.503	==	Idêntico
Índice Alifático	65.56	65.56	==	Idêntico
Ponto Isoelétrico	8.03	8.34	~=	Diferença 3.7%
Resíduos Ácidos	19	19	==	Idêntico
Composição de aa	20 tipos	20 tipos	==	Idêntico
Índice Instabilidade	69.59	73.97	~=	Valores próximos, classificação concordante (ambos classificam como instável)
Meia-Vida	>10 h (E. coli)	>10 h (E. coli)	==	Idêntico para E. coli
Resíduos Básicos	29 (com His)	22 (sem His)	--	Metodologia diferente

Legenda: == Idêntico | ~= Variou Pouco | -- Diferença Metodológica | -x Incomparável

Acesse a Análise Completa: demoday-biohub/README.md

Workflow ponta a ponta com p53 (PDB: 1TUP)
Comparação detalhada de todos os 10 parâmetros
Explicação das diferenças metodológicas
Recomendações de uso para diferentes cenários
Comandos prontos para copiar e executar

Expansão Futura

Está em planejamento o desenvolvimento de uma versão web da BioHub. A aplicação web terá uma interface gráfica intuitiva para realizar as mesmas análises, com visualizações interativas dos resultados, tornando os outputs acessíveis a um público mais amplo. A lógica de cálculo será portada para JavaScript, permitindo análises rápidas diretamente no navegador.

Uma versão beta está disponível em: (https://madsondeluna.github.io/biohub-beta/)

Licença

Este projeto está licenciado sob a Licença MIT. Veja o arquivo LICENSE para mais detalhes.

Made with ❤️, a shared caffeine addiction and collective chaos from the BioHub WhatsApp group.

Name		Name	Last commit message	Last commit date
Latest commit History 194 Commits
__pycache__		__pycache__
debug		debug
demoday-biohub		demoday-biohub
examples-pymol		examples-pymol
exp_fun		exp_fun
img		img
issue_report		issue_report
viz-exemplos		viz-exemplos
.DS_Store		.DS_Store
CHANGELOG.md		CHANGELOG.md
COM.md		COM.md
INPUTS_OUTPUTS.md		INPUTS_OUTPUTS.md
LICENSE		LICENSE
README.md		README.md
REF.md		REF.md
VIZ.md		VIZ.md
biohub.py		biohub.py
biohub_viz.py		biohub_viz.py
requirements.txt		requirements.txt

Folders and files

Latest commit

History

Repository files navigation

BioHub [DESCONTINUADO]

Equipe Desenvolvedora (Programa de Pós Graduação em Bioinformática - UFMG)

Disclaimer

Visão Geral

Validação e Testes

Testes: debug/

Funções de Conversão e Download

Validação com ProtParam (ExPASy)

SASA e Hidrofobicidade

Abordagem Implementacional

Como Funciona

AVISOS IMPORTANTES: BioHub v0.1.3

Requisitos Obrigatórios de Entrada

Funcionalidades Detalhadas

1. fetchpdb

2. fasta

3. csv2fasta

4. physchem

5. contacts

6. hydrophoby

7. sasa

Requisitos

Requisitos Mínimos

Instalação

1. Clone o repositório

2. Crie um ambiente virtual (venv)

3. Ative o ambiente virtual

4. Instale as dependências

5. Verifique a instalação

Dependências do Projeto

Notas Importantes

Uso

Ajuda (ou biohub.py -h)

Exemplos Detalhados

1) Baixar Arquivo PDB do RCSB

2) Converter PDB para FASTA

3) Converter CSV para FASTA

4) Calcular Propriedades Físico-Químicas

5) Calcular Contatos Intramoleculares

6) Calcular Hidrofobicidade

7) Calcular SASA (Área de Superfície Acessível ao Solvente)

Visualizações Gráficas

Instalação das Dependências de Visualização

Gráficos Disponíveis

1. Treemap de Composição de Aminoácidos (physchem)

2. Gráfico de Barras de Composição (physchem)

3. Perfil de Hidrofobicidade Kyte-Doolittle (physchem)

4. Perfil de Hidrofobicidade (hydrophoby)

5. Perfil de SASA (sasa)

6. Mapa de Contatos (contacts)

Combinando Múltiplas Visualizações

Qualidade das Imagens

Formatos de Saída Suportados

Troubleshooting

Estrutura de Saída dos Comandos

fetchpdb

fasta

csv2fasta

physchem

contacts

hydrophoby

sasa

Validação e Demonstração Completa: p53 DNA Binding Domain (1TUP)

Resumo Comparativo BioHub vs ProtParam

Acesse a Análise Completa: demoday-biohub/README.md

Expansão Futura

Licença

About

Topics

Resources

License

Uh oh!

Stars

Watchers

Forks

Releases

Testes: `debug/`

1. `fetchpdb`

2. `fasta`

3. `csv2fasta`

4. `physchem`

5. `contacts`

6. `hydrophoby`

7. `sasa`

Ajuda (ou `biohub.py -h`)

Packages