Background frequencies

from katlas.core import *
import pandas as pd

df = Data.get_ks_unique()

df.head()

	sub_site	num_kin	bin	sub_genes	site_seq	source_combine	acceptor	O00141_SGK1	O00238_BMPR1B	O00311_CDC7	...	Q9Y2K2_SIK3	Q9Y2U5_MAP3K2	Q9Y3S1_WNK2	Q9Y463_DYRK1B	Q9Y4K4_MAP4K5	Q9Y572_RIPK3	Q9Y5S2_CDC42BPB	Q9Y6E0_STK24	Q9Y6M4_CSNK1G3	Q9Y6R4_MAP3K4
0	A0A2R8Y4L2_S158	1	1	HNRNPA1L3 HNRNPA1P48	TDRGSGKKRGFAFVTFDDHDsVDKIVIQKYHTVNGHNCEVR	Sugiyama	S	0	0	0	...	0	0	0	0	0	0	0	0	0	0
1	A0A2R8Y4L2_S22	3	2~10	HNRNPA1L3 HNRNPA1P48	SKSEsPKEPEQLRKLFIGGLsFEtTDESLRSHFEQWGTLTD	Sugiyama	S	0	0	0	...	0	0	0	0	0	0	0	0	0	0
2	A0A2R8Y4L2_S6	3	2~10	HNRNPA1L3 HNRNPA1P48	_______________MSKSEsPKEPEQLRKLFIGGLsFEtT	Sugiyama	S	0	0	0	...	0	0	0	0	0	0	0	0	0	0
3	A0A2R8Y4L2_S95	65	11~100	HNRNPA1L3 HNRNPA1P48	RPHKVDGRVVEPKRAVSREDsQRPDAHLTVKKIFVGGIKED	Sugiyama	S	0	1	0	...	0	1	0	0	1	0	0	0	0	0
4	A0A2R8Y4L2_T25	3	2~10	HNRNPA1L3 HNRNPA1P48	EsPKEPEQLRKLFIGGLsFEtTDESLRSHFEQWGTLTDCVV	Sugiyama	T	0	0	0	...	0	0	0	0	0	0	0	0	0	0

5 rows × 462 columns

PSSMs - ks dataset

def get_bg_dict(df, acceptor, seq_col='site_seq'):
    site = df[df.acceptor.isin(list(acceptor))].copy()
    site_pssm = get_prob(site, seq_col)
    return flatten_pssm(site_pssm, True)

acceptors = ['S','T','Y','ST','STY']

index_names = 'ks_' + pd.Series(acceptors)

bg_pssms = pd.DataFrame([get_bg_dict(df,acceptor) for acceptor in acceptors],index=index_names)

bg_pssms

	-20P	-20G	-20A	-20C	-20S	-20T	-20V	-20I	-20L	-20M	...	20H	20K	20R	20Q	20N	20D	20E	20s	20t	20y
ks_S	0.074296	0.068105	0.075925	0.014664	0.053246	0.038517	0.051290	0.040342	0.078989	0.020269	...	0.021294	0.070330	0.059313	0.044200	0.036273	0.054880	0.077316	0.043461	0.014980	0.006449
ks_T	0.061634	0.065896	0.074266	0.016436	0.043829	0.034394	0.059656	0.040177	0.089484	0.024806	...	0.022394	0.075067	0.060558	0.045261	0.038007	0.058666	0.076644	0.035483	0.019871	0.008989
ks_Y	0.056181	0.072421	0.070666	0.015947	0.044477	0.038771	0.055889	0.045940	0.086320	0.024287	...	0.019500	0.071146	0.057892	0.042505	0.037629	0.056216	0.083181	0.023157	0.012492	0.017367
ks_ST	0.070500	0.067442	0.075428	0.015195	0.050422	0.037280	0.053799	0.040292	0.082136	0.021629	...	0.021622	0.071745	0.059685	0.044517	0.036791	0.056011	0.077115	0.041078	0.016441	0.007207
ks_STY	0.067096	0.068626	0.074296	0.015374	0.049009	0.037635	0.054296	0.041635	0.083130	0.022261	...	0.021121	0.071603	0.059262	0.044041	0.036989	0.056059	0.078548	0.036845	0.015508	0.009607

5 rows × 943 columns

index_names_upper = 'ks_' + pd.Series(acceptors) + '_upper'

df['site_seq_upper'] = df['site_seq'].str.upper()

bg_pssms_upper = pd.DataFrame([get_bg_dict(df,acceptor,seq_col='site_seq_upper') for acceptor in acceptors],index=index_names_upper)

bg_pssms = pd.concat([bg_pssms,bg_pssms_upper])

bg_pssms

	-20P	-20G	-20A	-20C	-20S	-20T	-20V	-20I	-20L	-20M	...	20H	20K	20R	20Q	20N	20D	20E	20s	20t	20y
ks_S	0.074296	0.068105	0.075925	0.014664	0.053246	0.038517	0.051290	0.040342	0.078989	0.020269	...	0.021294	0.070330	0.059313	0.044200	0.036273	0.054880	0.077316	0.043461	0.014980	0.006449
ks_T	0.061634	0.065896	0.074266	0.016436	0.043829	0.034394	0.059656	0.040177	0.089484	0.024806	...	0.022394	0.075067	0.060558	0.045261	0.038007	0.058666	0.076644	0.035483	0.019871	0.008989
ks_Y	0.056181	0.072421	0.070666	0.015947	0.044477	0.038771	0.055889	0.045940	0.086320	0.024287	...	0.019500	0.071146	0.057892	0.042505	0.037629	0.056216	0.083181	0.023157	0.012492	0.017367
ks_ST	0.070500	0.067442	0.075428	0.015195	0.050422	0.037280	0.053799	0.040292	0.082136	0.021629	...	0.021622	0.071745	0.059685	0.044517	0.036791	0.056011	0.077115	0.041078	0.016441	0.007207
ks_STY	0.067096	0.068626	0.074296	0.015374	0.049009	0.037635	0.054296	0.041635	0.083130	0.022261	...	0.021121	0.071603	0.059262	0.044041	0.036989	0.056059	0.078548	0.036845	0.015508	0.009607
ks_S_upper	0.074296	0.068105	0.075925	0.014664	0.094891	0.054028	0.051290	0.040342	0.078989	0.020269	...	0.021294	0.070330	0.059313	0.044200	0.036273	0.054880	0.077316	0.000000	0.000000	0.000000
ks_T_upper	0.061634	0.065896	0.074266	0.016436	0.072744	0.052960	0.059656	0.040177	0.089484	0.024806	...	0.022394	0.075067	0.060558	0.045261	0.038007	0.058666	0.076644	0.000000	0.000000	0.000000
ks_Y_upper	0.056181	0.072421	0.070666	0.015947	0.067008	0.050475	0.055889	0.045940	0.086320	0.024287	...	0.019500	0.071146	0.057892	0.042505	0.037629	0.056216	0.083181	0.000000	0.000000	0.000000
ks_ST_upper	0.070500	0.067442	0.075428	0.015195	0.088250	0.053708	0.053799	0.040292	0.082136	0.021629	...	0.021622	0.071745	0.059685	0.044517	0.036791	0.056011	0.077115	0.000000	0.000000	0.000000
ks_STY_upper	0.067096	0.068626	0.074296	0.015374	0.083200	0.052939	0.054296	0.041635	0.083130	0.022261	...	0.021121	0.071603	0.059262	0.044041	0.036989	0.056059	0.078548	0.000000	0.000000	0.000000

10 rows × 943 columns

def get_site_cnt(df, acceptor, seq_col='site_seq'):
    site = df[df.acceptor.isin(list(acceptor))].copy()
    return len(site)

cnt = {name:get_site_cnt(df,acceptor) for acceptor,name in zip(acceptors,index_names)}

plot_logos(bg_pssms,cnt,prefix='')
save_pdf('fig/background_ks.pdf')

PSSMs - human phosphoproteome

human = Data.get_human_site()

human['acceptor']=human.site.str[0]

human.head(1)

	substrate_uniprot	substrate_genes	site	source	AM_pathogenicity	substrate_sequence	substrate_species	sub_site	substrate_phosphoseq	position	site_seq	acceptor
0	A0A024R4G9	C19orf48 MGC13170 hCG_2008493	S20	psp	NaN	MTVLEAVLEIQAITGSRLLSMVPGPARPPGSCWDPTQCTRTWLLSH...	Homo sapiens (Human)	A0A024R4G9_S20	MTVLEAVLEIQAITGSRLLsMVPGPARPPGSCWDPTQCTRTWLLSH...	20	_MTVLEAVLEIQAITGSRLLsMVPGPARPPGSCWDPTQCTR	S

index_names2 = 'human_' + pd.Series(acceptors)

bg_pssms_human = pd.DataFrame([get_bg_dict(human,acceptor) for acceptor in acceptors],index=index_names2)

bg_pssms_human

	-20P	-20G	-20A	-20C	-20S	-20T	-20V	-20I	-20L	-20M	...	20H	20K	20R	20Q	20N	20D	20E	20s	20t	20y
human_S	0.083640	0.067324	0.072426	0.012983	0.068431	0.040755	0.048601	0.032621	0.080464	0.018531	...	0.022398	0.066432	0.064524	0.047369	0.033162	0.051790	0.079818	0.044602	0.013168	0.003673
human_T	0.079864	0.064356	0.074764	0.011942	0.062697	0.040927	0.052994	0.033463	0.078537	0.021811	...	0.020073	0.070087	0.062644	0.048049	0.032200	0.051813	0.078660	0.043658	0.017020	0.004851
human_Y	0.073897	0.067143	0.073103	0.016024	0.058403	0.039465	0.051781	0.041451	0.087406	0.020262	...	0.021772	0.065723	0.059600	0.049939	0.031297	0.055382	0.078106	0.034699	0.016193	0.016601
human_ST	0.082791	0.066656	0.072951	0.012749	0.067141	0.040794	0.049589	0.032810	0.080030	0.019268	...	0.021877	0.067252	0.064102	0.047521	0.032946	0.051795	0.079558	0.044391	0.014031	0.003937
human_STY	0.082206	0.066688	0.072961	0.012965	0.066566	0.040706	0.049733	0.033379	0.080515	0.019334	...	0.021870	0.067153	0.063812	0.047677	0.032840	0.052027	0.079465	0.043766	0.014171	0.004753

5 rows × 943 columns

index_names2_upper = 'human_' + pd.Series(acceptors) +'_upper'

human['site_seq_upper'] = human['site_seq'].str.upper()

bg_pssms_human_upper = pd.DataFrame([get_bg_dict(human,acceptor,seq_col='site_seq_upper') for acceptor in acceptors],index=index_names2_upper)

bg_pssms_human_upper

	-20P	-20G	-20A	-20C	-20S	-20T	-20V	-20I	-20L	-20M	...	20H	20K	20R	20Q	20N	20D	20E	20s	20t	20y
human_S_upper	0.083640	0.067324	0.072426	0.012983	0.112772	0.053678	0.048601	0.032621	0.080464	0.018531	...	0.022398	0.066432	0.064524	0.047369	0.033162	0.051790	0.079818	0.0	0.0	0.0
human_T_upper	0.079864	0.064356	0.074764	0.011942	0.106734	0.058260	0.052994	0.033463	0.078537	0.021811	...	0.020073	0.070087	0.062644	0.048049	0.032200	0.051813	0.078660	0.0	0.0	0.0
human_Y_upper	0.073897	0.067143	0.073103	0.016024	0.093630	0.053900	0.051781	0.041451	0.087406	0.020262	...	0.021772	0.065723	0.059600	0.049939	0.031297	0.055382	0.078106	0.0	0.0	0.0
human_ST_upper	0.082791	0.066656	0.072951	0.012749	0.111414	0.054709	0.049589	0.032810	0.080030	0.019268	...	0.021877	0.067252	0.064102	0.047521	0.032946	0.051795	0.079558	0.0	0.0	0.0
human_STY_upper	0.082206	0.066688	0.072961	0.012965	0.110244	0.054656	0.049733	0.033379	0.080515	0.019334	...	0.021870	0.067153	0.063812	0.047677	0.032840	0.052027	0.079465	0.0	0.0	0.0

5 rows × 943 columns

bg_pssms_human = pd.concat([bg_pssms_human,bg_pssms_human_upper])

bg_pssms_human

	-20P	-20G	-20A	-20C	-20S	-20T	-20V	-20I	-20L	-20M	...	20H	20K	20R	20Q	20N	20D	20E	20s	20t	20y
human_S	0.083640	0.067324	0.072426	0.012983	0.068431	0.040755	0.048601	0.032621	0.080464	0.018531	...	0.022398	0.066432	0.064524	0.047369	0.033162	0.051790	0.079818	0.044602	0.013168	0.003673
human_T	0.079864	0.064356	0.074764	0.011942	0.062697	0.040927	0.052994	0.033463	0.078537	0.021811	...	0.020073	0.070087	0.062644	0.048049	0.032200	0.051813	0.078660	0.043658	0.017020	0.004851
human_Y	0.073897	0.067143	0.073103	0.016024	0.058403	0.039465	0.051781	0.041451	0.087406	0.020262	...	0.021772	0.065723	0.059600	0.049939	0.031297	0.055382	0.078106	0.034699	0.016193	0.016601
human_ST	0.082791	0.066656	0.072951	0.012749	0.067141	0.040794	0.049589	0.032810	0.080030	0.019268	...	0.021877	0.067252	0.064102	0.047521	0.032946	0.051795	0.079558	0.044391	0.014031	0.003937
human_STY	0.082206	0.066688	0.072961	0.012965	0.066566	0.040706	0.049733	0.033379	0.080515	0.019334	...	0.021870	0.067153	0.063812	0.047677	0.032840	0.052027	0.079465	0.043766	0.014171	0.004753
human_S_upper	0.083640	0.067324	0.072426	0.012983	0.112772	0.053678	0.048601	0.032621	0.080464	0.018531	...	0.022398	0.066432	0.064524	0.047369	0.033162	0.051790	0.079818	0.000000	0.000000	0.000000
human_T_upper	0.079864	0.064356	0.074764	0.011942	0.106734	0.058260	0.052994	0.033463	0.078537	0.021811	...	0.020073	0.070087	0.062644	0.048049	0.032200	0.051813	0.078660	0.000000	0.000000	0.000000
human_Y_upper	0.073897	0.067143	0.073103	0.016024	0.093630	0.053900	0.051781	0.041451	0.087406	0.020262	...	0.021772	0.065723	0.059600	0.049939	0.031297	0.055382	0.078106	0.000000	0.000000	0.000000
human_ST_upper	0.082791	0.066656	0.072951	0.012749	0.111414	0.054709	0.049589	0.032810	0.080030	0.019268	...	0.021877	0.067252	0.064102	0.047521	0.032946	0.051795	0.079558	0.000000	0.000000	0.000000
human_STY_upper	0.082206	0.066688	0.072961	0.012965	0.110244	0.054656	0.049733	0.033379	0.080515	0.019334	...	0.021870	0.067153	0.063812	0.047677	0.032840	0.052027	0.079465	0.000000	0.000000	0.000000

10 rows × 943 columns

all_pssms = pd.concat([bg_pssms,bg_pssms_human])

all_pssms

	-20P	-20G	-20A	-20C	-20S	-20T	-20V	-20I	-20L	-20M	...	20H	20K	20R	20Q	20N	20D	20E	20s	20t	20y
ks_S	0.074296	0.068105	0.075925	0.014664	0.053246	0.038517	0.051290	0.040342	0.078989	0.020269	...	0.021294	0.070330	0.059313	0.044200	0.036273	0.054880	0.077316	0.043461	0.014980	0.006449
ks_T	0.061634	0.065896	0.074266	0.016436	0.043829	0.034394	0.059656	0.040177	0.089484	0.024806	...	0.022394	0.075067	0.060558	0.045261	0.038007	0.058666	0.076644	0.035483	0.019871	0.008989
ks_Y	0.056181	0.072421	0.070666	0.015947	0.044477	0.038771	0.055889	0.045940	0.086320	0.024287	...	0.019500	0.071146	0.057892	0.042505	0.037629	0.056216	0.083181	0.023157	0.012492	0.017367
ks_ST	0.070500	0.067442	0.075428	0.015195	0.050422	0.037280	0.053799	0.040292	0.082136	0.021629	...	0.021622	0.071745	0.059685	0.044517	0.036791	0.056011	0.077115	0.041078	0.016441	0.007207
ks_STY	0.067096	0.068626	0.074296	0.015374	0.049009	0.037635	0.054296	0.041635	0.083130	0.022261	...	0.021121	0.071603	0.059262	0.044041	0.036989	0.056059	0.078548	0.036845	0.015508	0.009607
ks_S_upper	0.074296	0.068105	0.075925	0.014664	0.094891	0.054028	0.051290	0.040342	0.078989	0.020269	...	0.021294	0.070330	0.059313	0.044200	0.036273	0.054880	0.077316	0.000000	0.000000	0.000000
ks_T_upper	0.061634	0.065896	0.074266	0.016436	0.072744	0.052960	0.059656	0.040177	0.089484	0.024806	...	0.022394	0.075067	0.060558	0.045261	0.038007	0.058666	0.076644	0.000000	0.000000	0.000000
ks_Y_upper	0.056181	0.072421	0.070666	0.015947	0.067008	0.050475	0.055889	0.045940	0.086320	0.024287	...	0.019500	0.071146	0.057892	0.042505	0.037629	0.056216	0.083181	0.000000	0.000000	0.000000
ks_ST_upper	0.070500	0.067442	0.075428	0.015195	0.088250	0.053708	0.053799	0.040292	0.082136	0.021629	...	0.021622	0.071745	0.059685	0.044517	0.036791	0.056011	0.077115	0.000000	0.000000	0.000000
ks_STY_upper	0.067096	0.068626	0.074296	0.015374	0.083200	0.052939	0.054296	0.041635	0.083130	0.022261	...	0.021121	0.071603	0.059262	0.044041	0.036989	0.056059	0.078548	0.000000	0.000000	0.000000
human_S	0.083640	0.067324	0.072426	0.012983	0.068431	0.040755	0.048601	0.032621	0.080464	0.018531	...	0.022398	0.066432	0.064524	0.047369	0.033162	0.051790	0.079818	0.044602	0.013168	0.003673
human_T	0.079864	0.064356	0.074764	0.011942	0.062697	0.040927	0.052994	0.033463	0.078537	0.021811	...	0.020073	0.070087	0.062644	0.048049	0.032200	0.051813	0.078660	0.043658	0.017020	0.004851
human_Y	0.073897	0.067143	0.073103	0.016024	0.058403	0.039465	0.051781	0.041451	0.087406	0.020262	...	0.021772	0.065723	0.059600	0.049939	0.031297	0.055382	0.078106	0.034699	0.016193	0.016601
human_ST	0.082791	0.066656	0.072951	0.012749	0.067141	0.040794	0.049589	0.032810	0.080030	0.019268	...	0.021877	0.067252	0.064102	0.047521	0.032946	0.051795	0.079558	0.044391	0.014031	0.003937
human_STY	0.082206	0.066688	0.072961	0.012965	0.066566	0.040706	0.049733	0.033379	0.080515	0.019334	...	0.021870	0.067153	0.063812	0.047677	0.032840	0.052027	0.079465	0.043766	0.014171	0.004753
human_S_upper	0.083640	0.067324	0.072426	0.012983	0.112772	0.053678	0.048601	0.032621	0.080464	0.018531	...	0.022398	0.066432	0.064524	0.047369	0.033162	0.051790	0.079818	0.000000	0.000000	0.000000
human_T_upper	0.079864	0.064356	0.074764	0.011942	0.106734	0.058260	0.052994	0.033463	0.078537	0.021811	...	0.020073	0.070087	0.062644	0.048049	0.032200	0.051813	0.078660	0.000000	0.000000	0.000000
human_Y_upper	0.073897	0.067143	0.073103	0.016024	0.093630	0.053900	0.051781	0.041451	0.087406	0.020262	...	0.021772	0.065723	0.059600	0.049939	0.031297	0.055382	0.078106	0.000000	0.000000	0.000000
human_ST_upper	0.082791	0.066656	0.072951	0.012749	0.111414	0.054709	0.049589	0.032810	0.080030	0.019268	...	0.021877	0.067252	0.064102	0.047521	0.032946	0.051795	0.079558	0.000000	0.000000	0.000000
human_STY_upper	0.082206	0.066688	0.072961	0.012965	0.110244	0.054656	0.049733	0.033379	0.080515	0.019334	...	0.021870	0.067153	0.063812	0.047677	0.032840	0.052027	0.079465	0.000000	0.000000	0.000000

20 rows × 943 columns

# all_pssms.to_parquet('out/ks_background.parquet')

Accessible through Data.get_ks_background

cnt_human = {name:get_site_cnt(human,acceptor) for acceptor,name in zip(acceptors,index_names2)}

cnt.update(cnt_human)

cnt

{'KS Dataset Background: S': 15981,
 'KS Dataset Background: T': 6762,
 'KS Dataset Background: Y': 7068,
 'KS Dataset Background: ST': 22743,
 'KS Dataset Background: STY': 29811,
 'Human Phosphoproteome Background: S': 86995,
 'Human Phosphoproteome Background: T': 25091,
 'Human Phosphoproteome Background: Y': 7869,
 'Human Phosphoproteome Background: ST': 112086,
 'Human Phosphoproteome Background: STY': 119955}

plot_logos(bg_pssms_human,cnt,prefix='')
save_pdf('fig/background_human.pdf')