只有氨基酸序列？ANARCI 入门：本地编号、CDR 边界与 Python 用法

发表于 | 分类于
表达序列、FASTA、ML 特征提取——ANARCI 如何本地识别 VH/VL、切换 IMGT/Kabat/Chothia 编号，CLI 与 Python 用法一篇搞定。

导读：如果你手里只有 抗体氨基酸序列，要批量编号、建 CDR 掩码、或对接 Python/ML pipeline，ANARCI 是社区里最常用的本地工具之一。本文覆盖原理、安装、命令行与 API。

在抗体计算流程里，你经常会拿到一条 氨基酸序列（FASTA 或 DataFrame 里的一列），需要回答：这是 VH 还是 VL？来自人还是鼠？CDR 边界在哪？按 IMGT 还是 Kabat 编号？ ANARCI（Antigen receptor Numbering And Receptor ClassificatIon）就是为解决这类问题而生的本地可脚本化工具——由牛津 OPIG/SAbPred 团队维护，用 HMMER3 将序列对齐到胚系 隐马尔可夫模型（Hidden Markov Model，HMM） 库，再套用你选的编号方案。

段末注释：HMM 用概率模型描述序列模式；HMMER 是搜索 HMM 的常用软件套件。

官方资源：GitHub oxpig/ANARCI · PyPI · SAbPred Web（旧版）

1. ANARCI 能做什么

图 1　ANARCI 工作流：氨基酸序列 → HMM 比对 → 链型/物种/编号（科普示意）

能力 说明
链型分类 判断 VH、Vκ、Vλ、Vα、Vβ 等可变域类型
物种推断 Human、Mouse、Rat、Rabbit、Pig、Rhesus 等（见功能边界）
多方案编号 IMGT、Kabat、Chothia、Martin（Enhanced Chothia）、AHo、Wolfguy
插入位处理 CDR 区超长序列用字母插入码（如 111A、100B…）
批量处理 单条序列、FASTA 文件、Python 批量 API
可解释性输出 E-value、bit-score、序列起止索引

一句话定位：ANARCI 是抗体/TCR 可变域氨基酸序列的「识别 + 编号」工具，适合本地批处理与嵌入 Python 流程（CDR 掩码、统一编号导出等）。

[!tip] 快速记住
手里是 蛋白序列、要 Kabat/Chothia 或塞进 Python → 优先 ANARCI。

2. 工作原理

2.1 为什么用 HMM 而不是简单 BLAST

可变区与胚系 V 基因高度同源，但 CDR3 长度多变、物种间 FR 有差异。ANARCI 为每种 （物种 × 链型） 构建代表胚系序列的 HMM，用 HMMER3 做全局比对。对输入序列，程序：

  1. 与全部候选 HMM 比对，按 E-value / bit-score 排序；
  2. 取得分最高的 HMM → 推断 链型 + 物种；
  3. 在 HMM 对齐列上，映射到目标编号方案的位点；
  4. 对无法一一对应的插入区，按各方案规则加 插入字母。

这比单纯序列相似度搜索更擅长处理 gap 与插入，对 nanobody（VHH）、部分非模式物种序列也更鲁棒（物种标签可能标错，但编号常仍合理）。

2.2 支持的编号方案（抗体相关）

图 2　ANARCI 可在同一序列上切换 IMGT、Kabat、Chothia 等方案（科普示意）

方案 ANARCI 支持 要点
IMGT Ig + TCR 128 个可能位置；VH/VL/Vα/Vβ 位置可比；CDR3 插入对称分布在 111/112 附近
Kabat 仅 Ig VH/VL 位置不可比；插入常见于 100 等位
Chothia 仅 Ig 与 Kabat 类似，CDR-H1 插入位置不同（结构导向）
Martin 仅 Ig Enhanced Chothia
AHo Ig + TCR 149 位；抗体与 TCR 统一坐标，适合跨受体比较
Wolfguy 仅 Ig 较少用

段末注释：Enhanced Chothia（Martin） 在 Chothia 基础上扩展环区定义，常用于结构建模社区。

2.3 插入码规则（直觉）

当 CDR 比标准方案「多出」残基时，ANARCI 不会丢弃，而是在指定锚点旁加字母：

  • IMGT：如 111A、111B… 对称于 111–112；
  • Kabat/Chothia：如 100A、100B… 直至 100Z。

读输出时，数字位 = 标准位置，字母 = 插入。

3. 安装

推荐：从 GitHub 安装（维护者指出部分 Bioconda 版本结果偏差，CLI 与 Python API 在 conda 包下也可能不一致）。

1
2
3
4
5
6
git clone https://github.com/oxpig/ANARCI.git
cd ANARCI
# 依赖：Python 3、HMMER3（hmmscan 等）、biopython
pip install -e .
# 或
pip install ANARCI   # 注意验证与 GitHub 版结果一致

HMMER3 必须可用（ANARCI 内部调用 hmmscan）。若仅装 Python 包而未装 HMMER，编号步骤会失败或走不完整回退。

4. 使用方式

4.1 命令行：单条序列

1
ANARCI -i QVQLQQSGAEVVRSGASVKLSCTASGFNIKDYYIHWVKQRPEKGLEWIGWIDPEIGDTEYVPKFQGKATMTADTSSNTAYLQLSSLTSEDTAVYYCNAGHDYDRGRFPYWGQGTLVTVSA

常用参数：

参数 含义
-i 输入序列或 FASTA 文件
--scheme imgt 编号方案：imgt / kabat / chothia / martin / aho / wolfguy
--csv 输出 CSV（水平格式）
--outfile 写出到文件
--species 限制物种 HMM 子集（可选）

4.2 命令行：FASTA 批量

1
ANARCI -i antibodies.fasta --scheme imgt --csv -o numbered.csv

输出 header 含：species、chain_type（H/L/K/A/B）、e-value、score、序列起止索引等，随后是 (位置, 氨基酸) 列表。

4.3 Python API（pipeline 最常用）

1
2
3
4
5
6
7
8
9
from anarci import number

seq = "QVQLQQSGAEVVRSGASVKLSCTASGFNIKDYYIHWVKQRPEKGLEWIG..."

# numbering: list of ((position, insertion_code), amino_acid)
numbering, chain_type, details = number(seq, scheme='imgt')

# chain_type 例如 'H'（重链）、'K'/'L'（轻链）
# details 含 hit 的 HMM、E-value 等

批量场景可对 DataFrame 每行调用 number()，或用官方封装的批处理函数（见仓库 anarci.py）。

4.4 Web 版（Legacy）

SAbPred ANARCI 页面 支持单条或 FASTA 上传，仅 Human/Mouse 胚系以保证结果长期稳定。适合快速试一条序列；生产环境建议 GitHub 版 + 固定版本。

5. 典型应用场景

场景 为什么用 ANARCI
序列库批处理 统一 IMGT/Kabat 编号，导出 CSV
ML 特征提取 按位点建 CDR 掩码、对齐 embedding
Kabat vs IMGT 对照 同一序列 --scheme 切换即可
纳米抗体（VHH） 无轻链；重链可变域仍可按 VH 编号
TCR 序列 --scheme imgt 或 aho

6. 优缺点

6.1 优势

  1. 本地 + 可脚本化：适合 HPC、Snakemake、CI 与百万级序列批处理。
  2. 多编号方案：一套 HMM，多套输出——工程上极省事。
  3. 输入是氨基酸：直接吃表达/预测蛋白序列，无需阅读框。
  4. 链型自动识别：减少手工判断 VH/VL 混用错误。
  5. 牛津 OPIG 维护：与 SAbPred 抗体预测生态同源，文档与社区活跃。
  6. 开源 MIT：可嵌入商业 pipeline（遵守许可证即可）。

6.2 局限

  1. 胚系 V/D/J 注释较粗：不如专用核酸比对工具给出完整 D 基因、Junction 分解与突变统计表。
  2. 依赖 HMMER 与内置 HMM 库：环境不完整时结果异常；勿默认信任过时的 conda 构建。
  3. 物种覆盖有限：官方 HMM 主攻人/鼠等；羊驼 VHH、鲨鱼 NCAR 等可能 编号对、物种标错。
  4. 仅 variable domain：不注释 CH1/Fc、不处理融合标签（需先裁剪）。
  5. Web 版功能收缩：仅人/鼠；全物种用本地包。

7. 功能边界

ANARCI 聚焦 可变域氨基酸序列的链型识别与编号，下列任务超出其设计范围：

问题 ANARCI 能否直接解决
核酸序列的精细 V/D/J 胚系指派 否（不完整）
相对胚系的体细胞突变率统计 否
scFv 一条肽里两条可变域 需拆分后分别编号
恒定区编号 否
非 Ig 可变域序列 通常无法编号

擅长回答：这条蛋白序列是 VH 还是 VL、按 IMGT/Kabat/Chothia 等方案每位点对应什么氨基酸。

8. 实践建议与踩坑

  1. 固定版本：记录 ANARCI commit / PyPI 版本与 hmmscan -h 版本；升级后复跑金标准序列。
  2. 优先 GitHub 安装：若 conda 与 GitHub 结果不一致，以 GitHub 为准（见 Issue #86）。
  3. 检查 E-value：异常高的 E-value 或未编号成功片段 → 可能不是标准 Ig 可变域（融合蛋白、污染序列）。
  4. 注明 scheme：发表与跨团队对接时写清 scheme=imgt 等。
  5. nanobody：无轻链正常；若 pipeline 强制 VH+VL 双输入，需改逻辑或复用重链槽位。
  6. 残基序号 ≠ 编号位点：FASTA 或导出文件中的顺序位置，与 IMGT/Kabat 等编号位点不是同一套索引；下游按位点取特征时需以编号结果为准。

9. 小结

维度 要点
输入 氨基酸序列（单条 / FASTA）
原理 HMMER3 对胚系 HMM 比对 → 链型/物种 → 映射编号
输出 编号位置列表 + 链型 + 比对得分
擅长 多方案编号、本地批处理、Python 集成
局限 胚系精细注释弱、variable 区为主、物种覆盖有限

ANARCI 回答的是：「这条蛋白序列的可变域，按所选编号方案每位点该怎么标、链型是什么」。

参考文献与链接

  1. Dunbar J., Deane C.M. ANARCI: Antigen receptor numbering and receptor classification. Bioinformatics (2016). PMC4708101
  2. GitHub：https://github.com/oxpig/ANARCI
  3. SAbPred ANARCI Web：https://opig.stats.ox.ac.uk/webapps/sabdab-sabpred/sabpred/anarci/
  4. HMMER3：Eddy S.R. PLoS Comput Biol (2009)
  5. IMGT 编号对照：IMGT Scientific chart
-------------本文结束感谢您的阅读-------------