UniProt2GO_annotate

目前，GO 注释主要有两种方法：
（1）序列相似性比对（BLAST）
（2）结构域相似性比对（InterProScan）
这里以序列相似性比对为例，简单介绍 GO 注释的步骤：将基因序列与 swiss-prot 蛋白质数据库进行 BLAST （blastp 或者 blastx，这篇文章介绍了如何做 BLAST 分析：BLAST 知多少？）比对，得到如下结果：

blast.result
blast.result

其中，第二列 swiss-prot 蛋白质数据库序列的 ID（UniProtKB ID）。

从 ftp://ftp.pir.georgetown.edu/databases/idmapping 下载 idmapping.tb.gz，该文件共有 22 列（tab 键分割）：

Q6GZX4  001R_FRG3G      2947773 YP_031579.1     81941549; 49237298              PF04947 GO:0006355; GO:0046782; GO:0006351                      UniRef100_Q6GZX4  UniRef90_Q6GZX4 UniRef50_Q6GZX4 UPI00003B0FD4           654924                          15165820        AY548484        AAT09660.1

每一列的含义分别为 （可以看出，许多数据库已经和GO关联了）：

1. UniProtKB accession2. UniProtKB ID3. EntrezGene4. RefSeq5. NCBI GI number6. PDB7. Pfam8. GO9. PIRSF10. IPI11. UniRef10012. UniRef9013. UniRef5014. UniParc15. PIR-PSD accession16. NCBI taxonomy17. MIM18. UniGene19. Ensembl20. PubMed ID21. EMBL/GenBank/DDBJ22. EMBL protein_id

根据文件 idmapping.tb.gz，将 blast 的结果，通过 UniProtKB ID，将第八列的 GO 号注释到对应的基因上。

python UniProt2GO_annotate.py idmapping.tb.gz blastout outputfile

结果如下：

c93619_g2_i1    GO:0005506,GO:0016705,GO:0016021,GO:0004497,GO:0020037c93619_g2_i3    GO:0009733,GO:0020037,GO:0044550,GO:0016021,GO:0016020,GO:0016711,GO:0009813,GO:0005789,GO:0005506c70056_g1_i1    GO:0005737,GO:0019722,GO:0071889,GO:0005829,GO:0001077,GO:0006357,GO:0097720,GO:0000978,GO:0046872,GO:0005634,GO:0006874c93748_g1_i1    GO:0006729,GO:0008124c107639_g1_i1   GO:0009737,GO:0009738,GO:0005623,GO:0006970,GO:0009651,GO:0045454,GO:0009789c106424_g1_i1   GO:0043565,GO:0009555,GO:0003700,GO:0005634,GO:0009793,GO:0006351c66585_g1_i1    GO:0005737,GO:0003746,GO:0003924,GO:0005525c110618_g1_i8   GO:0015297,GO:0016021,GO:0015238c105249_g1_i5   GO:0046872,GO:0043161,GO:0005829,GO:0006915,GO:0032648,GO:0050691,GO:0005654,GO:0070936,GO:0061630,GO:0005634c134727_g1_i1   GO:0072546,GO:0030246,GO:0005783