tooluniverse-proteomics-data-retrieval

プロテオミクスデータの取得

MassIVE および ProteomeXchange のリポジトリから、公開されているプロテオミクスデータセットのメタデータを検索して取得します。生物種、キーワード、またはアクセッションによる検索に対応し、装置、論文、生物種、翻訳後修飾などの詳細なデータセットメタデータを返します。

このスキルを使用する場面

トリガー：

• 「[organism/disease/protein] に関するプロテオミクスデータセットを探して」
• 「MassIVE で [keyword] を検索して」
• 「PXD000001 の詳細を取得して」または「MSV000079514 を調べて」
• 「[topic] に関する公開質量分析データセットはありますか？」
• 「[PTM type] のデータを含む MS データセットを探して」
• 「最近のヒトプロテオミクスデータセットを一覧表示して」

ユースケース：

1. データセットの発見：リポジトリを検索して、研究テーマに関連するプロテオミクス実験を探します
2. アクセッション検索：既知のデータセットアクセッション（PXD または MSV）のメタデータ全体を取得します
3. 生物種で絞り込んだ検索：特定の生物種のデータセットをすべて探します
4. 複数リポジトリの検索：MassIVE と ProteomeXchange の両方を検索し、網羅性を高めます
5. 実験コンテキストの把握：自施設の結果を検証または補完するため、公開済みデータセットを探します

---

説明するのではなく、計算を実行する

分析に計算（統計、データ処理、スコアリング、エンリッチメント）が必要な場合は、Bash 経由で Python コードを作成して実行してください。何をするかを説明するのではなく、実行して実際の結果を報告してください。ToolUniverse ツールでデータを取得し、Python（pandas、scipy、statsmodels、matplotlib）で分析してください。

主な原則

1. ProteomeXchange はアグリゲーターです -- PRIDE、MassIVE、PeptideAtlas、jPOST、iProX のデータセットをインデックス化しています
2. MassIVE はより豊富なメタデータを備えています -- 概要、キーワード、修飾、連絡先が含まれます
3. 両方のリポジトリを検索してください -- 広く探すには ProteomeXchange、詳細を調べるには MassIVE を使います
4. 生物種には NCBI の分類 ID を使用します -- ヒト = 9606、マウス = 10090、ラット = 10116
5. アクセッションの形式：PXD（ProteomeXchange）、MSV（MassIVE） -- どちらも MassIVE_get_dataset で使用できます
6. 推測せずに調べてください -- 存在するデータセット、そのアクセッション、装置の種類を決して推測してはいけません。必ず検索してメタデータを取得し、確認してください。

ドメイン推論：データセットの品質評価

データセットの品質は、装置、サンプル調製、定量方法によって異なります。TMT/iTRAQ（同重体標識）データセットには、ラベルフリー定量（LFQ）とは異なる比率圧縮や共分離干渉のバイアスがあります。DIA データセットには、DDA とは異なる解析パイプラインが必要です。メタ解析や研究間比較でデータを再利用する前に、元の論文で手法を確認してください。装置の分解能（Orbitrap > イオントラップ）と取得モード（網羅性では DIA > DDA）は、定量されるタンパク質の数とその信頼度に直接影響します。

---

統合されている主要リポジトリ

リポジトリ	カバレッジ	強み
MassIVE	10,000 件以上のデータセット	豊富なメタデータ（概要、キーワード、修飾、連絡先）、分類 ID による種の絞り込み
ProteomeXchange	PRIDE、MassIVE、PeptideAtlas、jPOST、iProX を集約	最も広いカバレッジ、標準化された PXD アクセッション
PDC (NCI Proteomics Data Commons)	250 件以上のがんプロテオミクス研究（CPTAC、ICPC、APOLLO、CBTN など）	キュレーション済みの疾患／部位／分析画分メタデータ、遺伝子ごとのスペクトルカウントのカバレッジ、臨床症例との関連付け、定量的な存在量マトリックスへの直接アクセス（ファイル一覧だけではありません）
PRIDE Archive	EBI のプロテオミクスリポジトリ。ProteomeXchange が集約する投稿先リポジトリの 1 つです	タイトル／説明／種／組織／疾患を対象とした全文キーワード検索（ProteomeXchange 独自の検索はアクセッション／キーワードのみで、ヒット情報も少なめです）。この 4 つの中で、メタデータだけでなく実際の FTP/Aspera ファイルダウンロード URL を提供する唯一のリポジトリです。また、他のどのツールにもない、タンパク質からプロジェクトを逆引きする機能があります
PeptideAtlas	ISB のペプチドレベル観測アトラス。ProteomeXchange が集約する別のリポジトリですが、上記のデータセットレベルのツールとは異なる問いに答えます	タンパク質のトリプシン消化ペプチドのうち、質量分析で実際に観測されたものとその頻度を記録した標準的なデータです。存在するデータセットを示すものではありません

PeptideAtlas：ペプチドレベルの観測エビデンス

上記のデータセット検索ツール（「どのような研究が存在するか」に答えます）とは異なり、 PeptideAtlas_get_observed_peptides は「この特定のタンパク質について、どのペプチドが 実際に検出され、どの程度の信頼度があるか」に答えます。データセット検索ではなく、 タンパク質レベルの直接検索です。biosequence_name（UniProt アクセッション。例： 血清アルブミンの場合は P02768）で絞り込むと、そのタンパク質のペプチドを取得できます。 または、row_limit を小さくして指定を省略すると、ビルド全体をサンプルできます （デフォルトのビルドには数百万のペプチドがインデックスされています）。各結果には peptide_sequence、n_observations（アトラス全体におけるスペクトルカウント）、 n_samples、best_probability（PeptideProphet）、および empirical_proteotypic_score（タンパク質ファミリー内で共有されるペプチドと比べて、 そのペプチドがどれだけ固有にタンパク質を識別できるか）が含まれます。実際の UniProt アクセッションを用いたライブ検証済みです。特定のトリプシン消化ペプチドが実際に検出可能かを 確認してから、それを対象とする targeted-MS（SRM/PRM）アッセイを設計する場合や、 MS によってタンパク質が全体としてどの程度詳しく特性解析されているかを評価する場合に 活用してください。

PDC を介したがんプロテオミクス

汎用の MS データセットレジストリであり、メタデータやファイル一覧を返す MassIVE／ProteomeXchange とは異なり、PDC はがんプロテオゲノミクスプログラムに特化しており、実際の定量データや患者ごとの臨床メタデータを直接返すことができます。一般的なデータセット検索ではなく、がんコホートの再解析が目的の場合に役立ちます。

ツール	目的
PDC_search_studies	キュレーション済みの disease_type、primary_site、analytical_fraction（Proteome／Phosphoproteome／Acetylome／Ubiquitylome／...）、experiment_type（TMT10／TMT11／iTRAQ／LFQ）、プログラム名／プロジェクト名、または研究タイトルに対する部分一致検索を行います。プログラムの略称（CPTAC、ICPC、APOLLO）は PDC の統制語彙で照合されるため、タイトルに一致する研究だけでなく、プログラム内のすべての研究に一致します。各結果の matched_curated_metadata を確認してください。true は、自由記述のタイトルだけでなく、キュレーション済みフィールドが一致したことを意味します
PDC_get_gene_protein	遺伝子シンボルを指定すると、NCBI／HGNC の識別子、既知のすべてのタンパク質アクセッション、および研究ごとのスペクトルカウントのエビデンス（存在／量のエビデンスであり、定量比ではありません）を返します。再解析する研究を選ぶ前に、対象遺伝子がどの PDC 研究で測定されているかを確認する際に使用します
PDC_list_programs	すべてのプログラム（CPTAC、ICPC、APOLLO、CBTN、Georgetown、Broad、...）とそのプロジェクトを一覧表示します
PDC_get_study_summary	1 つの pdc_study_id（例：PDC000127）の完全なメタデータを返します。疾患の種類、部位、分析対象画分、実験の種類、症例数／アリコート数、公開制限の状態、カテゴリ別のファイル数を確認できます。PDC 版の MassIVE_get_dataset／ProteomeXchange_get_dataset に相当します
PDC_get_clinical_data	研究の症例ごとの臨床メタデータ（症例 ID、疾患の種類、部位、人口統計情報）をページネーション形式で返します。プロテオミクスの所見を患者の特性と関連付ける際に使用します
PDC_get_quant_data_matrix	実際のタンパク質量の定量マトリックス（遺伝子 x アリコート、デフォルトでは log2_ratio）を返します。これは CPTAC の中核となる定量出力であり、PDC_get_gene_protein のスペクトルカウントとは異なります。遺伝子の行数は max_genes（デフォルトは 50）までに切り詰められます（取得数を増やすには値を大きくしてください）が、アリコートの列ヘッダーは常にすべて返されます。ライブで確認済み：PDC000127（CPTAC CCRCC）では、遺伝子行の総数は 9,591 です

ワークフロー：PDC_search_studies(query="<disease/site/program>") → PDC_get_study_summary(pdc_study_id=...) で対象範囲を確認 → 患者の背景情報には PDC_get_clinical_data → 実際の量の値の分析には PDC_get_quant_data_matrix を使用します。得られたマトリックスを tooluniverse-proteomics-analysis に渡し、このロジックをここで再実装するのではなく、前処理、差次的発現、エンリッチメントなど（フェーズ 2 以降）を行ってください。

---

PRIDE Archive：全文検索、ファイルのダウンロード、タンパク質の逆引き検索

PRIDE（EBI のプロテオミクスリポジトリ）は、ProteomeXchange がインデックスする投稿リポジトリの一つです。MassIVE と ProteomeXchange の関係と同じで、別のパートナーアーカイブです。次のような場合は、特に PRIDE を利用してください（ProteomeXchange／MassIVE の代わりに、またはそれらに加えて利用します）。本格的な全文検索が必要な場合（ProteomeXchange の query パラメーターはタイトル／アクセッションに対する検索が限定的ですが、PRIDE の PRIDE_search_proteomics はタイトル、説明、種、組織を対象に検索するため、"phosphorylation" や "COVID-19 proteome" のようなクエリで、より関連性の高い結果が多数得られます）、実際のファイルダウンロード URLが必要な場合（ファイルごとの FTP および Aspera リンクがあります。このスキルにある MassIVE／ProteomeXchange／PDC のツールは、ダウンロード可能なリンクを返さず、メタデータのみを返します）、またはタンパク質を起点とした検索が必要な場合（「タンパク質 X を含むデータセットはどれか」という検索に相当する機能は、ここでは MassIVE にも ProteomeXchange にもありません）。

ツール	目的
PRIDE_search_proteomics	全文キーワード検索（query、page_size は既定値 20、最大 100）で、プロジェクトのタイトル／説明／種／組織／疾患を対象とします。検索結果ごとの詳細なメタデータ（organisms、organismParts、diseases、instruments、keywords、submitters、labPIs）を直接返すため、多くの場合、詳細情報を追加で取得しなくても候補を絞り込めます
PRIDE_get_project	1 件の accession（PXD######）の完全なメタデータを返します。sampleProcessingProtocol／dataProcessingProtocol（手法の説明）、doi、submissionType（COMPLETE 対 PARTIAL）、license、投稿者の完全な記録が追加されており、手法の詳細については MassIVE_get_dataset または ProteomeXchange_get_dataset よりも豊富な情報が得られます
PRIDE_get_project_files	1 件の accession のファイル一覧を返します。fileName、fileCategory、fileSizeBytes と、実際のFTP および Aspera ダウンロード URLを含む publicFileLocations が得られます。ダウンロード用リンクのない MassIVE／ProteomeXchange／PDC のメタデータ取得後、単に説明するのではなく、実際に生データをダウンロードする場合の次のステップです
PRIDE_get_projects_for_protein	逆引き検索：UniProt の accession（例：TP53 の場合は P04637）を指定すると、そのタンパク質が同定されたすべての PXD プロジェクトのアクセッションを返します。PRIDE の他のツールはプロジェクトを起点としており、この質問には答えられません。TP53 のようによく研究されているタンパク質で、30 件以上のプロジェクトアクセッションが返されることをライブ環境で確認済みです。詳細を確認するには、それぞれに PRIDE_get_project を組み合わせてください

ワークフロー：PRIDE_search_proteomics(query="<keyword>") → 手法／DOI の詳細を確認するために PRIDE_get_project(accession=...) → 実際のダウンロードリンクを取得するために PRIDE_get_project_files(accession=...)。または、タンパク質を起点にする場合：PRIDE_get_projects_for_protein(accession="<UniProt AC>") を実行し、各検索結果に対して PRIDE_get_project を呼び出して、ダウンロード前に関連性を評価します。

ライブ環境で確認済み：PRIDE_search_proteomics(query="breast cancer", page_size=3) は、最新の実際の投稿（例：公開日が 2026-08-28 の PXD083320）を返し、検索結果自体に装置／生物種／疾患の完全なメタデータがすでに含まれていました。関連性を判定するために、別途詳細情報を取得する必要はありません。

---

ワークフローの概要

Query (keyword / species / accession)
|
+-- PHASE 0: Input Resolution
|   Determine search type: keyword, species, or accession lookup
|
+-- PHASE 1: Repository Search
|   Search MassIVE and/or ProteomeXchange based on query type
|
+-- PHASE 2: Dataset Detail Retrieval
|   Get full metadata for promising hits
|
+-- PHASE 3: Result Synthesis
    Compile datasets with metadata, publications, and relevance assessment

---

フェーズ 0：入力の解決

目的：クエリの種類を判定し、適切な検索パラメーターを準備します。

判定ロジック

• アクセッションが指定されている場合（例：PXD000001、MSV000079514）：
  • PXD アクセッション：ProteomeXchange_get_dataset を呼び出し、必要に応じて MassIVE_get_dataset も呼び出します
  • MSV アクセッション：MassIVE_get_dataset を呼び出します
  • フェーズ 1 をスキップし、フェーズ 2 に進みます
• 種名が指定されている場合（例："human"、"mouse"）：
  • NCBI taxonomy ID に対応付けます：human=9606、mouse=10090、rat=10116、yeast=559292、zebrafish=7955、fly=7227、worm=6239、arabidopsis=3702
  • species フィルターを使って MassIVE_search_datasets を実行します
• キーワードが指定されている場合（例："phosphoproteomics"、"breast cancer"）：
  • query パラメーターを使って ProteomeXchange_search_datasets を実行します
  • MassIVE はキーワード検索に対応していないため、キーワード検索には ProteomeXchange を使います

---

フェーズ 1：リポジトリ検索

目的：リポジトリ全体から関連するデータセットを見つけます。

ツール

MassIVE_search_datasets:

• page_size: 返す結果の件数（整数、最大 100、デフォルト 10）
• species: 種で絞り込むための NCBI 分類 ID 文字列（例：ヒトの場合は "9606"）
• 戻り値：accessions（配列）、title、summary、species、instruments、keywords を含むデータセットオブジェクトの配列
• 注：キーワード／テキスト検索パラメーターはありません。絞り込みは種のみで行います。

ProteomeXchange_search_datasets:

• query: 任意の検索フィルター。キーワードまたはデータセットアクセッション（例："phosphoproteomics"、"PXD"）
• limit: 結果の最大件数（1～50、デフォルト 10）
• 戻り値：{data: [{accession, title, species}], metadata: {source, total_returned, query}}

ワークフロー

1. 種を指定して検索する場合：

   • 種で絞り込んだ結果を取得するため、MassIVE_search_datasets(page_size=20, species="9606") を呼び出します。
   • より広範な一覧を取得するため、ProteomeXchange_search_datasets(limit=20) を呼び出します。

2. キーワードで検索する場合：

   • ProteomeXchange_search_datasets(query="keyword", limit=20) を呼び出します。
   • タイトルを確認し、関連性を判断します。

3. 網羅的に検索する場合：

   • 両方のツールを並行して呼び出します。
   • 結果を統合し、アクセッションで重複を除去します（PXD アクセッションは両方に含まれる場合があります）。

応答形式に関する注記

• MassIVE_search_datasets：直接配列を返します（{data: ...} によるラッパーはありません）。
• ProteomeXchange_search_datasets：{data: [...], metadata: {...}} を返します。

---

フェーズ 2：データセット詳細の取得

目的：対象となるデータセットの完全なメタデータを取得します。

ツール

MassIVE_get_dataset:

• accession: データセットアクセッション。MSV 形式と PXD 形式の両方を受け付けます（例："MSV000079514"、"PXD003971"）
• 戻り値：accessions、title、summary、species、instruments、keywords、contacts、publications、modifications を含むオブジェクト

ProteomeXchange_get_dataset:

• px_id: PXD 形式の ProteomeXchange 識別子（例："PXD000001"）
• 戻り値：{data: {px_id, title, species, identifiers, instruments, publications, file_count}, metadata: {...}}

ワークフロー

1. フェーズ 1 で見つかった有望な各データセットについて、適切な詳細取得ツールを呼び出します。
2. タイトル、種、使用機器、出版物（PubMed／DOI）、修飾などの主要なメタデータを抽出します。
3. PXD アクセッションの場合、ファイル数の取得には ProteomeXchange_get_dataset を優先し、より詳しい概要やキーワードの取得には MassIVE_get_dataset を使用します。

抽出する主なフィールド

• title：データセット名／説明
• species：研究対象の生物種
• instruments：使用された質量分析計（例：Orbitrap、Q Exactive、TripleTOF）
• publications：関連論文の PubMed ID および DOI
• modifications：研究対象の PTM（MassIVE のみ）
• file_count：生ファイル数（ProteomeXchange のみ）
• keywords：トピックタグ（MassIVE のみ）

---

フェーズ 3：結果の統合

目的：データセットの結果をまとめ、構造化された形式で提示します。

レポート形式

# Proteomics Dataset Search Results
**Query**: [original query]
**Date**: YYYY-MM-DD
**Repositories searched**: MassIVE, ProteomeXchange

## Summary
Found N datasets matching [criteria].

## Datasets

### 1. [Title]
- **Accession**: PXD/MSV number
- **Species**: [organism]
- **Instruments**: [MS platforms]
- **Publications**: [PubMed IDs / DOIs]
- **Modifications**: [PTMs if available]
- **Files**: [count if available]
- **Summary**: [brief description]

### 2. [Title]
...

## Data Gaps
[Note any limitations in search coverage]

---

ツールパラメーターのリファレンス

ツール	パラメーター	注記
MassIVE_search_datasets	page_size	整数、最大 100。デフォルト 10
MassIVE_search_datasets	species	文字列として指定する NCBI 分類 ID（例：9606 ではなく "9606"）
MassIVE_get_dataset	accession	MSV 形式と PXD 形式の両方を受け付けます
ProteomeXchange_search_datasets	query	任意のキーワードまたはアクセッションのフィルター
ProteomeXchange_search_datasets	limit	整数、1～50
ProteomeXchange_get_dataset	px_id	PXD 形式のみ（例："PXD000001"）

応答形式に関する注記：

• MassIVE_search_datasets：データセットオブジェクトの配列を直接返します（ラッパーはありません）。
• MassIVE_get_dataset：オブジェクトを直接返します（ラッパーはありません）。
• ProteomeXchange_search_datasets：{data: [...], metadata: {...}} を返します。
• ProteomeXchange_get_dataset：{data: {...}, metadata: {...}} を返します。

---

フォールバック戦略

状況	フォールバック
MassIVE の検索結果が空	ProteomeXchange で検索します（より広範なカバレッジ）
ProteomeXchange の検索結果が空	より広範な語句、または簡単な検索語を試します
PXD アクセッションに対する MassIVE_get_dataset が失敗	代わりに ProteomeXchange_get_dataset を使用します
種の分類 ID が不明	キーワード（生物名）で ProteomeXchange を検索します
キーワード検索で結果がない	複数語のクエリではなく、個別の語句を試します
メタデータだけでなく、実際のダウンロードリンクが必要	PRIDE_get_project_files を使用します。このツールだけが FTP/Aspera URL を返します
「タンパク質 X を含むデータセットはどれか」を調べる	PRIDE_get_projects_for_protein を使用します。このツール以外は、タンパク質を起点とした検索に対応していません

---

よく使われる種の分類 ID

種	分類 ID
ヒト	9606
マウス	10090
ラット	10116
ゼブラフィッシュ	7955
キイロショウジョウバエ	7227
C. elegans	6239
S. cerevisiae	559292
A. thaliana	3702
E. coli	562

---

解釈の枠組み

品質指標	良好	許容範囲	要注意
装置	Orbitrap Exploris/Eclipse、timsTOF	Q Exactive、TripleTOF 6600	古い LTQ、イオントラップのみ
論文	PubMed ID のある査読済み論文	プレプリントまたは DOI のみ	関連する論文なし
メタデータの完全性	種 + 装置 + PTM + 概要	種 + 装置のみ	タイトルのみ、注釈なし

データセット検索結果の解釈：

• MassIVE と ProteomeXchange の両方のアクセッションを持つデータセットは、一般にメタデータが充実しています。MassIVE は概要とキーワードを、ProteomeXchange はファイル数を提供するため、全体像を把握するには両方を相互参照してください。
• 装置の種類によってデータ品質の上限が決まります。高分解能装置（Orbitrap、timsTOF）は、古いイオントラッププラットフォームよりも質量精度が高く、定量の信頼性も高いデータを生成します。
• 査読済み論文がないデータセットにも価値がある可能性はありますが、実験デザインと処理パイプラインを独立に検証できません。メタアナリシスでは、そのようなデータセットの重みを低くしてください。

レポートで取り上げるべき統合に関する質問：

1. 同じ生物種／条件の複数の独立したデータセットで、タンパク質の同定結果に一貫性が見られますか。それとも、差異はバッチ効果を示唆していますか？
2. 装置プラットフォームは分析の種類に適していますか（例：DIA には高分解能が必要であり、TMT には MS3 または校正済み MS2 が必要です）？
3. 報告された PTM の種類と種はユーザーの研究課題に合致していますか。それとも、追加のフィルタリングが必要ですか？

---

制限事項

• MassIVE：キーワード／テキスト検索には対応していません。species パラメーターによる種ベースの絞り込みのみ可能です
• ProteomeXchange：検索結果のメタデータは限られています（概要やキーワードはありません）。詳細は Dataverse_get_dataset で取得します
• 全文検索なし：リポジトリを横断して、データセットの説明や抄録内を検索することはできません
• MassIVE/ProteomeXchange/PDC からのダウンロード不可：これらのツールが取得するのはメタデータのみで、未処理データファイルは取得しません。例外は PRIDE です。PRIDE_get_project_files はファイルごとの実際の FTP/Aspera URL を返し、ライブで検証済みです
• レート制限：いずれの API も高負荷時にリクエストを制限する場合があります。page_size/limit は適切な値にしてください
• カバレッジ：ProteomeXchange が最も包括的ですが、ごく最近の登録については個々のリポジトリより反映が遅れる場合があります

---

他のスキルとの連携

スキル	関係
tooluniverse-proteomics-analysis	取得したデータセットを MS データ分析の入力として使用します
tooluniverse-protein-modification-analysis	iPTMnet の注釈を補完するため、PTM に特化したデータセットを見つけます
tooluniverse-multi-omics-integration	オミクス横断的な統合のために、プロテオミクスのデータセットを見つけます

---

References

• MassIVE: https://massive.ucsd.edu
• ProteomeXchange: http://www.proteomexchange.org
• PRIDE: https://www.ebi.ac.uk/pride
• ProXI API: https://github.com/PRIDE-Archive/proxi-schemas