まず最初にしたら良いなと思うのが、菅野さんのリストで
TemperatureRange に Thermophilic, Hyperthermopohilic, Mesophilic と記載されている菌を対象とするという物です。 ここに記載があるのは、データベースか論文できちんと増殖温度から分類が記載されている物になり、比較解析したときにデータの信憑性が高くなると思います。 この選択で、５１種類になります。
TemperatureRangeに加えて、Optimal temp (℃) の記載があるのが、３８種類になります。
最後にですが、私が選択した１８種類を黄色にセルで色を付けてみました。 理由は、種内（近縁種）で mesophilic と thermophilic があり、種内で自然界で再高温進化した可能性が高い菌を含むグループに注目しました。 と、非常に著名な高温菌を追加してリストにしてみました。
ということで、この19種類についてGenBankファイルをダウンロードする。
このうち、
| Parageobacillus toebii | 60 | Thermophilic | BDAQ00000000.1 |
| Geobacillus jurassicus | 60-65 | Thermophilic | BCQG00000000.1 |
| Thermotoga profunda | 65 | Thermophilic | AP014510.1 |
| Thermotoga caldifontis | 75 | Thermophilic | AP014509.1 |
については、GBファイルにCDSフィーチャーが付いていないので対象から外した。
また、GBファイルでは無くGBFF形式のファイルがGZ圧縮されたものがダウンロードできる BAWO01.1.gbff BCQG01.1.gbff BDAQ01.1.gbff JPYA01.1.gbff については、GZを解凍した後、GBFF形式のまま処理することにする。（次のセクションで処理の互換についてテスト）
![[Toho University]](image/CLogo_Kihon_process.jpg "[Toho University]")
![[YYLAB]](image/yamanouc2.png "[YYLAB]")
import pandas as pd
from ReadCDSwithGene import ReadCDS
def main():
gbfile = 'heat/BFAG01.1.gbff'
CDS = ReadCDS(gbfile)
print(CDS.head())
print(CDS.tail(10))
if __name__ == '__main__':
main()
print('complete')
で、出力は
pos len strand locus_tag gene \
0 431 1878 1 DAERI_010001
1 2342 783 1 DAERI_010002
2 3145 2448 -1 DAERI_010003
3 5579 480 1 DAERI_010004
4 6060 738 1 DAERI_010005
product \
0 hypothetical protein
1 carboxypeptidase regulatory-like domain-contai...
2 serine/threonine-protein kinase transcriptiona...
3 hypothetical protein
4 transcriptional activator domain protein
seq \
0 (A, T, G, A, A, C, C, G, A, C, C, C, C, T, G, ...
1 (A, T, G, A, A, C, A, A, G, C, G, T, T, C, C, ...
2 (A, T, G, G, G, C, G, G, G, T, T, C, A, T, G, ...
3 (A, T, G, A, A, C, C, C, G, C, C, C, A, T, T, ...
4 (A, T, G, A, C, G, C, A, G, G, A, C, A, C, G, ...
AAseq
0 [MNRPLTASTLLLTALLSACTTGGSTPGPTVKTIDLSPATASVAVG...
1 [MNKRSLLAAALSLLLAGCTTGADGTGRPPTPAPNPAPRPAQAHTM...
2 [MGGFMVHLGSRGLFVPSDPQLREGALAAHPWFGGGAASPQWGETR...
3 [MNPPIPAPLRRVTPENTYALRADRFSVLLGGEDTGGRLAVIDLCA...
4 [MTQDTVTGAASWTVQVLGQAGLRGPDGALRPLERKAAALLAYLAV...
ということで、読めるらしい。
１）トップ200と、EssentialGenesを比較し、EssentialGenesに含まれないでかつトップ200に含まれるものを抽出する。
２）１）のうちで、すべての好熱菌に共通なものを探す。（おそらくproduct名の一致でフィルタリングする必要があるだろう）
同じリストから、GBのフィーチャー中のrRNAのうちのribosomal RNA A16のシーケンスを抽出してみる。
