alterlab-uniprot

UniProt データベース

概要

UniProt は、世界をリードする包括的なタンパク質配列および機能情報のリソースです。名前、遺伝子、またはアクセッション番号でタンパク質を検索し、FASTA 形式で配列を取得し、データベース間で ID マッピングを実行できます。また、タンパク質解析のために REST API 経由で Swiss-Prot/TrEMBL の注釈にアクセスできます。

このスキルを使用する場面

次のような場合にこのスキルを使用してください。

• 名前、遺伝子記号、アクセッション番号、または生物種でタンパク質エントリを検索する
• FASTA 形式またはその他の形式でタンパク質配列を取得する
• UniProt と外部データベース（Ensembl、RefSeq、PDB など）の間で識別子をマッピングする
• GO 用語、ドメイン、機能の説明など、タンパク質の注釈にアクセスする
• 複数のタンパク質エントリを効率よく一括取得する
• レビュー済み（Swiss-Prot）と未レビュー（TrEMBL）のタンパク質データを照会する
• 大規模なタンパク質データセットをストリーミングする
• フィールド固有の検索構文でカスタムクエリを作成する

対象外

シナリオ	代わりに使用
実験で得られた 3D 構造と座標	alterlab-pdb
AI 予測構造と pLDDT 信頼度	alterlab-alphafold-db
タンパク質間相互作用ネットワーク	alterlab-string-db
ドメイン構成とファミリー分類	alterlab-interpro
配列相同性検索（BLAST）	alterlab-blast

主な機能

1. タンパク質の検索

自然言語クエリまたは構造化された検索構文を使用して UniProt を検索します。

一般的な検索パターン：

# Search by protein name
query = "insulin AND organism_name:\"Homo sapiens\""

# Search by gene name
query = "gene:BRCA1 AND reviewed:true"

# Search by accession
query = "accession:P12345"

# Search by sequence length
query = "length:[100 TO 500]"

# Search by taxonomy
query = "taxonomy_id:9606"  # Human proteins

# Search by GO term
query = "go:0005515"  # Protein binding

API 検索エンドポイントを使用します：https://rest.uniprot.org/uniprotkb/search?query={query}&format={format}

対応形式： JSON、TSV、Excel、XML、FASTA、RDF、TXT

2. 個別のタンパク質エントリの取得

アクセッション番号で特定のタンパク質エントリを取得します。

アクセッション番号の形式：

• 標準：P12345、Q1AAA9、O15530（6 文字：英字 1 文字＋英数字 5 文字）
• 拡張：A0A022YWF9（新しいエントリでは 10 文字）

取得エンドポイント： https://rest.uniprot.org/uniprotkb/{accession}.{format}

例：https://rest.uniprot.org/uniprotkb/P12345.fasta

3. 一括取得と ID マッピング

異なるデータベースシステム間でタンパク質識別子をマッピングし、複数のエントリを効率よく取得します。

ID マッピングのワークフロー：

1. マッピングジョブを送信（POST）：https://rest.uniprot.org/idmapping/run に from、to、ids を指定
2. ジョブの状態を確認：https://rest.uniprot.org/idmapping/status/{jobId}
3. 結果を取得：https://rest.uniprot.org/idmapping/results/{jobId}

注意が必要な点が 2 つあります（どちらも scripts/uniprot_client.py で処理されています）：

• ステータスエンドポイントは {"jobStatus":"RUNNING"} を返した後、{"jobStatus":"FINISHED"} を返します（完了したジョブは結果 URL に 303 リダイレクトもします）。results/failedIds キーは返さないため、results の有無ではなく、jobStatus == "FINISHED" を条件にポーリングしてください。
• 結果はページ分割されます（デフォルトの size=25、最大 500）。最初のページには大規模なマッピング結果の一部しか含まれません。next Link のレスポンスヘッダー（requests では response.links["next"]）をたどり、なくなるまで取得してください。同じ next Link によるページネーションは /uniprotkb/search エンドポイントにも適用されます。JSON 本文には results のみが含まれ、next キーはありません。

マッピングに対応するデータベース：

• UniProtKB AC/ID
• 遺伝子名
• Ensembl、RefSeq、EMBL
• PDB、AlphaFoldDB
• KEGG、GO 用語
• その他多数（/references/id_mapping_databases.md を参照）

制限事項：

• 1 ジョブあたり最大 100,000 個の ID
• 結果の保存期間は 7 日間

4. 大規模な結果セットのストリーミング

ページネーションの上限を超える大規模なクエリには、ストリームエンドポイントを使用します。

https://rest.uniprot.org/uniprotkb/stream?query={query}&format={format}

ストリームエンドポイントは、ページネーションなしですべての結果を返すため、データセット全体のダウンロードに適しています。

5. 取得するフィールドのカスタマイズ

効率的なデータ転送のため、取得するフィールドを正確に指定します。

一般的なフィールド：

• accession - UniProt アクセッション番号
• id - エントリー名
• gene_names - 遺伝子名
• organism_name - 生物種
• protein_name - タンパク質名
• sequence - アミノ酸配列
• length - 配列長
• go_* - Gene Ontology アノテーション
• cc_* - コメントフィールド（機能、相互作用など）
• ft_* - 特徴アノテーション（ドメイン、部位など）

例： https://rest.uniprot.org/uniprotkb/search?query=insulin&fields=accession,gene_names,organism_name,length,sequence&format=tsv

フィールドの完全な一覧は /references/api_fields.md を参照してください。

Python 実装

プログラムからアクセスする場合は、以下を実装したヘルパースクリプト scripts/uniprot_client.py を使用してください。

• search_proteins(query, format) - 任意のクエリで UniProt を検索します
• get_protein(accession, format) - 単一のタンパク質エントリーを取得します
• map_ids(ids, from_db, to_db) - 識別子の種類を相互にマッピングします
• batch_retrieve(accessions, format) - 複数のエントリーを取得します
• stream_results(query, format) - 大量の検索結果をストリーミングします

Python パッケージの代替案：

• Unipressed：UniProt REST API 用の最新の型付き Python クライアント
• bioservices：包括的なバイオインフォマティクス Web サービスクライアント

クエリ構文の例

ブール演算子：

kinase AND organism_name:human
(diabetes OR insulin) AND reviewed:true
cancer NOT lung

フィールドを指定した検索：

gene:BRCA1
accession:P12345
organism_id:9606
taxonomy_name:"Homo sapiens"
ft_signal:*

2022 年以前の annotation:(type:...)、database:(type:...)、created:／modified:、および existence:"Evidence at protein level" 形式は、現在の API では HTTP 400 を返します。代わりに ft_<feature>:*、database:<db>、date_created:／date_modified:、および existence:1 を使用してください。

範囲検索：

length:[100 TO 500]
mass:[50000 TO 100000]

ワイルドカード：

gene:BRCA*
protein_name:kinase*

構文の詳細は /references/query_syntax.md を参照してください。

ベストプラクティス

1. 可能な場合はレビュー済みエントリーを使用する：Swiss-Prot（手動でキュレーションされた）エントリーを対象にするには、reviewed:true でフィルタリングします
2. 形式を明示的に指定する：最適な形式を選択します（配列には FASTA、表形式データには TSV、プログラムによる解析には JSON）
3. フィールド選択を使用する：必要なフィールドだけをリクエストし、帯域幅と処理時間を削減します
4. ページネーションを処理する：検索結果が大量にある場合は、適切なページネーションを実装するか、ストリームエンドポイントを使用します
5. 結果をキャッシュする：API 呼び出しを最小限に抑えるため、頻繁にアクセスするデータをローカルに保存します
6. レート制限に配慮する：API リソースを尊重し、大規模な一括操作では遅延を入れます
7. データ品質を確認する：TrEMBL エントリーは計算による予測です。Swiss-Prot エントリーは手動でレビューされています

リソース

scripts/

uniprot_client.py - 検索、取得、ID マッピング、ストリーミングなど、一般的な UniProt 操作のヘルパー関数を備えた Python クライアントです。

references/

• api_fields.md - クエリをカスタマイズするために利用できるフィールドの完全な一覧
• id_mapping_databases.md - ID マッピング操作でサポートされているデータベース
• query_syntax.md - 高度な例を含む、包括的なクエリ構文
• api_examples.md - 複数の言語（Python、curl、R）によるコード例

追加リソース

• 使用中のリリース：すべてのレスポンスには X-UniProt-Release／X-UniProt-Release-Date ヘッダーが含まれます（レビュー時点では 2026_03、2026 年 9 月 2 日）。再現性を確保するため、これらを記録してください
• API ドキュメント：https://www.uniprot.org/help/api
• 対話型 API エクスプローラー：https://www.uniprot.org/api-documentation
• REST チュートリアル：https://www.uniprot.org/help/uniprot_rest_tutorial
• クエリ構文ヘルプ：https://www.uniprot.org/help/query-fields
• SPARQL エンドポイント：https://sparql.uniprot.org/（高度なグラフクエリ向け）