aa-pair-analysis

核心用法

aa-pair-analysis 是一款针对蛋白质家族的生物信息学分析工具，专注于氨基酸功能类别相邻对频率统计。完整工作流程包含三步：多序列比对（MSA）、共识序列提取、对型统计分析。用户可通过 species_analysis_workflow.py 脚本实现从原始 FASTA 到最终结果的自动化流程，或选择断点续传模式从中间结果继续分析。

关键参数 --threshold（默认 0.5）控制共识序列保守性阈值，仅当某位置最高频氨基酸占比达标时才纳入统计，否则标记为 X。工具预定义 6 大功能类别（疏水、亲核、芳香、酰胺、酸性、阳离子），统计 17 种氨基酸的 21 种无向相邻对型，自动排除 A/G/P/X 四种残基。

显著优点

1. 流程闭环完整：整合 MSA、共识序列生成、对型统计三大环节，无需手动切换工具
2. 跨物种比较支持：天然支持多类群并行分析，输出配方差异对比数据
3. 断点续传机制：长耗时分析可中断后恢复，适合大规模数据集
4. 输出标准化：CSV 格式结果便于后续统计作图或机器学习输入

潜在缺点与局限

• 固定分类体系：氨基酸 6 类分组硬编码于脚本，修改需同步更新多处代码
• 依赖外部工具：ClustalOmega 需独立安装，Windows 环境配置较复杂
• 单向对有损信息：对称合并策略（N-H 与 H-N 合并为 H-N）丢失了序列方向信息
• 阈值敏感：保守性阈值对结果影响显著，但缺乏自动优化建议

适合人群

进化生物学家、蛋白质工程研究者、比较基因组学分析人员，以及需要量化蛋白质序列保守性模式的生物信息学从业者。

常规风险

MSA 质量直接影响共识序列可靠性；阈值设置不当可能导致过度过滤或噪声引入；大规模数据集运行时需预留充足计算资源。

核心用法

本 Skill 为蛋白质氨基酸功能类别相邻对频率分析工具，完整覆盖从原始序列到统计结果的全流程。用户首次使用前需运行 setup.sh 初始化脚本，自动检测并安装 Python 3.8+、pandas、biopython 及 ClustalOmega 等依赖。核心分析通过 species_analysis_workflow.py 脚本执行，支持从 FASTA 文件开始完整流程（多序列比对 → 共识序列提取 → 对型统计 → 配方计算），也支持从已有共识序列断点续传。

关键参数包括 --threshold（保守性阈值，默认 0.5，控制共识序列中位点是否标记为 X）和 --resume（指定已有结果目录继续分析）。输出包含三类 CSV 文件：各类群的 Top5 对型及 φ 值明细、逐条对型统计、以及总类群数和独特配方数汇总。氨基酸分类固定为 17 种功能类别（疏水、亲核、芳香、酰胺、酸性、阳离子），排除 X/A/G/P 不参与统计。

显著优点

专业级生物信息学能力：集成 ClustalOmega 行业标准多序列比对算法，确保 MSA 结果科学可靠。灵活的断点续传机制：支持从任意中间结果恢复分析，大幅降低大规模物种数据集的计算成本。清晰的模块化设计：代码结构规范，注释完整，便于研究者理解和二次开发。丰富的输出维度：不仅输出高频对型排名，还提供 φ 值（标准化频率指标）和 21 种无向对型的完整计数，满足发表级数据需求。跨场景适用性：覆盖新物种完整分析、已有序列再统计、多类群横向比较、参数敏感性测试四大研究场景。

潜在缺点与局限性

环境依赖较重：需预装 Python 3.8+，且 ClustalOmega 在 Linux 外的平台需手动配置。氨基酸分类固化：17 种功能分类为内置方案，修改需同步调整多个脚本中的字典定义，灵活性不足。网络传输安全风险：初始化脚本使用 HTTP 明文下载二进制文件，存在中间人攻击隐患。单向对有损合并：将对称对型合并为无向对（如 N-H 与 H-N 合并为 H-N），可能丢失方向性生物学意义。无可视化输出：仅生成 CSV 表格，需用户自行绘图呈现结果。

适合的目标群体

主要面向分子进化与系统生物学研究者、蛋白质工程科研人员、生物信息学专业学生及教师。适用于需要批量分析蛋白质家族跨物种保守性模式、挖掘氨基酸共现规律、或验证特定位点进化假说的学术研究场景。对工业界蛋白质设计团队也有一定参考价值，但需配合下游可视化工具使用。

使用风险

供应链安全风险：HTTP 下载的 ClustalOmega 二进制文件缺乏完整性校验，建议升级 HTTPS 后使用。子进程调用风险：通过 subprocess 执行 clustalo 命令，若输入 FASTA 文件来自不可信来源，存在命令注入可能。计算资源消耗：大规模多序列比对可能消耗大量 CPU 和内存，建议在服务器或隔离环境中运行。数据隐私：Skill 仅处理用户本地指定的数据目录，不上传云端，符合 GDPR 数据最小化原则。