Antibody NGS Analysis
简介
该模块用于NGS测序后的DNA序列（抗体）分析，具体分析内容包括：
IGV、IGD、IGJ基因标注（IgBlast）
DNA序列翻译为氨基酸序列（抗体），并进行CDR识别
基于蛋白（抗体）语言模型，分析不常见残基及优势突变（ESM，IgLM）
PTM（翻译后修饰）风险位点分析，标记低、高风险位点
序列特征计算（等电点pI，分子量kDa，疏水性）
序列聚类分析（MMseq2）
NGS Analysis操作指南
参数说明
DNA
DNA Sequence
NGS测序后的DNA序列，FASTA/AB1格式
Species
序列所属物种：Human，Mouse，Rat，Rabbit，Rhesus_Monkey，Alpaca默认值为Human。
Numbering Scheme
编号规则，支持imgt, chothia, kabat
Cluster
氨基酸序列聚类方案，支持2种：full, cdr。‘full’表示使用全长序列进行聚类，‘cdr’表示使用CDR序列进行聚类（具体CDR位置在参数‘CDRs’中设定），默认为‘cdr’
CDRs
指定用于聚类的CDR区域，在‘Cluster’参数为cdr时生效。可选区域为（支持多选）：CDR1,CDR2,CDR3。默认选择CDR3。
Identity
聚类中采用的序列一致性数值，范围在0-1之间，默认值为0.5
Vgene
聚类前是否要求IGV基因名称一致的序列归为一组，默认为False
Output
输出结果文件名，默认为NGS_res.csv
Protein
Protein Sequence
NGS测序后的蛋白序列，FASTA格式
Species
序列所属物种：Human，Mouse，Rat，Rabbit，Rhesus_Monkey，Alpaca默认值为Human。
Numbering Scheme
编号规则，支持imgt, chothia, kabat
Cluster
氨基酸序列聚类方案，支持2种：full, cdr。‘full’表示使用全长序列进行聚类，‘cdr’表示使用CDR序列进行聚类（具体CDR位置在参数‘CDRs’中设定），默认为‘cdr’
CDRs
指定用于聚类的CDR区域，在‘Cluster’参数为cdr时生效。可选区域为（支持多选）：CDR1,CDR2,CDR3。默认选择CDR3。
Identity
聚类中采用的序列一致性数值，范围在0-1之间，默认值为0.5
Vgene
聚类前是否要求IGV基因名称一致的序列归为一组，默认为False
Output
输出结果文件名，默认为NGS_res.csv
结果说明
输出NGS_res.csv结果文件，包含以下信息：
列名
说明
备注
ID
序列名称
DNA_Seq
DNA序列
Protein_Seq
翻译后的氨基酸序列
Chain
链类型：IGH/IGK/IGL
CDR1_AA
CDR1的氨基酸序列
CDR2_AA
CDR2的氨基酸序列
CDR3_AA
CDR3的氨基酸序列
CDR1_Length
CDR1的氨基酸序列长度
CDR2_Length
CDR2的氨基酸序列长度
CDR3_Length
CDR3的氨基酸序列长度
Unusual_Residue(ESM)
基于ESM模型的不常见残基及优势突变
如：'V11L’表示序列中第11位的V是模型判定的该位置不常见残基，L为模型判定的该位置优势突变残基
Unusual_Residue(IgLM)
基于IgLM模型的不常见残基及优势突变
同上
V_Gene_First
匹配的首个IGV基因名称。
IGV基因名称可能存在多个匹配，这里列出首个。注：输入为蛋白序列时，该字段忽略。
V_Gene
IGV基因名称
如同时匹配多个基因名，用‘;’分隔
D_Gene
IGD基因名称
同上，注：输入为蛋白序列时，该字段忽略。
J_Gene
IGJ基因名称
同上，注：输入为蛋白序列时，该字段忽略。
CDR1_Highrisk_Hotspots
CDR1中的PTM高风险位点
如：‘NG(1)’表示高风险位点‘NG’出现1次
CDR2_Highrisk_Hotspots
CDR2中的PTM高风险位点
同上
CDR3_Highrisk_Hotspots
CDR3中的PTM高风险位点
同上
CDR1_Lowrisk_Hotspots
CDR1中的PTM低风险位点
同上
CDR2_Lowrisk_Hotspots
CDR2中的PTM低风险位点
同上
CDR3_Lowrisk_Hotspots
CDR3中的PTM低风险位点
同上
Mutations(AA)
与Germline序列比对所对应的突变，并标注了突变所在区域（FR或CDR），多个突变用分号分隔
如： 'V29I(CDR1)'表示编号29的残基存在突变，其中Germline序列中残基是V，当前抗体序列中残基为I，根据抗体编号规则所在的区域为CDR1
SHM(AA)
基于氨基酸序列计算得到的体系超突变率
SHM: Somatic hypermutation，计算方式是将当前序列与Germline参考序列进行比对，序列突变总数量与序列长度的比值即为SHM
SHM(NA)
基于DNA序列计算得到的体系超突变率
同上，注：输入为蛋白序列时，该字段忽略。
pI
等电点
kDa
分子量（千道尔顿）
Hydrophobicity
疏水性指数
序列各氨基酸的Kyte-Doolittle疏水指数之和，主要用来快速粗略比较近似序列的相对疏水程度高低
Pre_Cluster_Group
聚类分析中的组别名称
序列聚类前先进行序列分组，各组内序列再进行聚类分析。当选择CDR聚类时，CDR序列长度一致的序列归为一组。组别名称由各聚类参数组合而成，如：组名为‘8_8_18’，表示该组由CDR1,2,3长度分别为8,8,18的多条序列组成。如果分组参数设定要求IGV基因名称一致，则IGV基因名称也会出现在组别名称中，如：‘8_8_18_IGKV1-12*01’
Cluster_ID
序列所属类别的名称
如：‘2_3’表示第2组第3个类别
Cluster_Size
序列所属类别包含的序列数目
如：‘5’表示该类别含有5条序列
Cluster_Center
序列是否为聚类中心
'1’表示是，‘0’表示不是
Cluster_Ident
聚类后的类别中，成员序列与聚类中心序列的序列一致性
聚类时，如果选择全长序列聚类，这里即为全长序列的一致性；如选择CDR进行聚类，则为选中的CDR区域序列的整体一致性
Cluster_CDR1_Ident
聚类后的类别中，成员序列与聚类中心序列的CDR1序列的一致性
Cluster_CDR2_Ident
聚类后的类别中，成员序列与聚类中心序列的CDR2序列的一致性
Cluster_CDR3_Ident
聚类后的类别中，成员序列与聚类中心序列的CDR3序列的一致性
Unique_ID
唯一序列编号
从 1 开始按出现顺序递增，表示该序列所属的唯一序列簇。若 CDR3 区域差异 ≥ 1 个残基，则判定为不同序列；或 CDR1 + CDR2 + CDR3 区域的总差异 ≥ 3 个残基，也判定为不同序列；若上述条件均不满足，则判定为相同序列。
Dup_Count
Unique_ID 对应的序列在原始数据中出现的重复次数
输出进化树信息，为打包文件tree.tar.gz，包含多个进化树文件tree_clusterXXX.txt，每个进化树文件包含该聚类类别（cluster）中所有成员序列CDR区域的进化分析结果。
风险位点说明：
参考文献
Zeming Lin et al., Evolutionary-scale prediction of atomic-level protein structure with a language model.Science379,1123-1130(2023). Shuai RW, Ruffolo JA, Gray JJ. IgLM: Infilling language modeling for antibody sequence design. Cell Syst. 2023 Nov 15;14(11):979-989.e4. Milot Mirdita, Martin Steinegger, Johannes Söding, MMseqs2 desktop and local web server app for fast, interactive sequence searches, Bioinformatics, Volume 35, Issue 16, August 2019, Pages 2856–2858. Kyte J, Doolittle RF. A simple method for displaying the hydropathic character of a protein. J Mol Biol. 1982 May 5;157(1):105-32.
