alterlab-interpro

InterPro 数据库

概述

InterPro（https://www.ebi.ac.uk/interpro/）是 EMBL-EBI 维护的蛋白质家族和结构域分类综合资源。它整合了其成员数据库的预测特征——包括 Pfam、PANTHER、PRINTS、ProSite、SMART、NCBIfam、SUPERFAMILY、CDD、Gene3D 等（见下方成员数据库表）——形成统一的条目集合，从而统一展示 UniProtKB 中的功能注释。（旧版 TIGRFAMs 已并入 NCBIfam。）

InterPro 将蛋白质分类为：

• 家族：具有共同祖先和功能的蛋白质群组
• 结构域：可独立折叠的结构或功能单元
• 同源超家族：结构相似的蛋白质区域
• 重复序列：短串联序列
• 位点：功能位点（活性、结合、PTM）

主要资源：

• InterPro 网站：https://www.ebi.ac.uk/interpro/
• REST API：https://www.ebi.ac.uk/interpro/api/
• API 文档：https://github.com/ProteinsWebTeam/interpro7-api/blob/master/docs/
• Python 客户端：通过 requests

脚本

scripts/query_interpro.py — 查询 InterPro REST API（仅使用标准库，向 stdout 输出 JSON）：

python scripts/query_interpro.py protein P04637          # InterPro entries for a UniProt protein
python scripts/query_interpro.py entry IPR000719         # entry details
python scripts/query_interpro.py entry-proteins IPR000719 --page-size 25   # proteins with an entry

何时使用此技能

在以下场景中使用 InterPro：

• 蛋白质功能预测：未表征的蛋白质可能具有什么功能？
• 结构域架构：蛋白质由哪些结构域组成，排列顺序如何？
• 蛋白质家族分类：蛋白质属于哪个家族或超家族？
• GO 术语注释：通过 InterPro 将蛋白质序列映射到 Gene Ontology 术语
• 进化分析：两个蛋白质是否属于同一同源超家族？
• 结构预测背景：新的蛋白质结构应与哪些结构域进行比较？
• 流水线注释：批量注释蛋白质组或新序列

不适用场景

场景	改用
检索 UniProt 条目、FASTA 序列或 ID 映射	alterlab-uniprot
预测的 3D 模型和 pLDDT 置信度	alterlab-alphafold-db
实验结构、配体、分辨率	alterlab-pdb
蛋白质-蛋白质相互作用网络和富集分析	alterlab-string-db
在数据库中进行序列相似性搜索	alterlab-blast

核心能力

1. InterPro REST API

基础 URL：https://www.ebi.ac.uk/interpro/api/

import requests

BASE_URL = "https://www.ebi.ac.uk/interpro/api"

def interpro_get(endpoint, params=None):
    url = f"{BASE_URL}/{endpoint}"
    headers = {"Accept": "application/json"}
    response = requests.get(url, params=params, headers=headers)
    response.raise_for_status()
    return response.json()

端点方向注意事项（请先阅读）。 在 InterPro API 中，路径的第一个片段表示返回的资源类型。要列出某个蛋白质的条目，蛋白质筛选条件要放在最后：entry/InterPro/protein/UniProt/{id}/。要列出某个条目对应的蛋白质，则要将蛋白质资源放在最前面：protein/UniProt/entry/InterPro/{id}/。反向形式（protein/UniProt/{id}/entry/InterPro/、entry/InterPro/{id}/protein/UniProt/）只会返回一个 *_url 包装对象，其中没有 results，且 count: null——这是静默的空结果，并非错误。

2. 查询蛋白质

def get_protein_entries(uniprot_id):
    """Get all InterPro entries that match a UniProt protein."""
    # Resource (entry) first, protein filter last — see direction gotcha above.
    data = interpro_get(f"entry/InterPro/protein/UniProt/{uniprot_id}/")
    return data

# Example: Human p53 (TP53)
result = get_protein_entries("P04637")
entries = result.get("results", [])

for entry in entries:
    meta = entry["metadata"]  # `name` is a string on this grouped endpoint
    print(f"  {meta['accession']} ({meta['type']}): {meta['name']}")
    # e.g., IPR002117 (family): p53 tumour suppressor family
    #       IPR011615 (domain): p53, DNA-binding domain
    #       IPR010991 (domain): p53, tetramerisation domain

3. 获取特定 InterPro 条目

def get_entry(interpro_id):
    """Fetch details for an InterPro entry."""
    return interpro_get(f"entry/InterPro/{interpro_id}/")

# Example: Get the InterPro entry the WW domain maps to
ww_entry = get_entry("IPR001202")
# On the single-entry detail endpoint, `name` is a dict {"name", "short"};
# on list/grouped endpoints it is a plain string. Handle both:
name = ww_entry["metadata"]["name"]
print(f"Name: {name['name'] if isinstance(name, dict) else name}")
print(f"Type: {ww_entry['metadata']['type']}")  # -> domain

# Member-database accessions resolve through the same endpoint shape.
# Use lowercase db names (entry/pfam/...); the response carries the
# integrated InterPro accession under metadata['integrated'].
def get_pfam_entry(pfam_id):
    return interpro_get(f"entry/pfam/{pfam_id}/")

pfam = get_pfam_entry("PF00397")  # metadata['integrated'] == 'IPR001202'

4. 按 InterPro 条目搜索蛋白质

def get_proteins_for_entry(interpro_id, database="UniProt", page_size=25):
    """Get all proteins annotated with an InterPro entry."""
    params = {"page_size": page_size}
    # Resource (protein) first, entry filter last — see direction gotcha above.
    data = interpro_get(f"protein/{database}/entry/InterPro/{interpro_id}/", params)
    return data

# Example: count proteins carrying the protein kinase domain
kinase_proteins = get_proteins_for_entry("IPR000719")  # Protein kinase domain
print(f"Total proteins: {kinase_proteins['count']}")  # response has count/next/results

5. 结构域架构

每个残基的匹配位置位于按条目/蛋白质分组的端点中，而不在 protein/UniProt/{id}/ 单独记录中（该记录仅包含 metadata，没有 entries 键）。每个条目的匹配结果位于 results[].proteins[].entry_protein_locations[].fragments[] 下：

def get_domain_architecture(uniprot_id):
    """Get the domain architecture of a protein with sequence positions."""
    data = interpro_get(f"entry/InterPro/protein/UniProt/{uniprot_id}/")

    arch = []
    for result in data.get("results", []):
        meta = result["metadata"]
        for prot in result.get("proteins", []):
            for loc in prot.get("entry_protein_locations", []):
                for frag in loc.get("fragments", []):
                    arch.append({
                        "accession": meta["accession"],
                        "type": meta["type"],
                        "name": meta["name"],
                        "start": frag["start"],
                        "end": frag["end"],
                    })
    # Order along the sequence to read off the architecture N->C terminus
    arch.sort(key=lambda d: d["start"])
    return arch

# Example: full domain architecture for EGFR, ordered along the sequence
for d in get_domain_architecture("P00533"):
    print(f"  {d['start']:>5}-{d['end']:<5} {d['accession']} ({d['type']}): {d['name']}")

6. GO 术语映射

蛋白质记录会在 metadata.go_terms 下汇总其所有 InterPro 特征的 GO 术语（已去重），因此无需逐个遍历条目：

def get_go_terms_for_protein(uniprot_id):
    """Get GO terms associated with a protein via InterPro."""
    data = interpro_get(f"protein/UniProt/{uniprot_id}/")
    # NB: go_terms can be present but null for proteins with no GO mapping,
    # so coalesce to [] rather than relying on the dict default.
    return data.get("metadata", {}).get("go_terms") or []

# GO terms look like:
# {"identifier": "GO:0004672", "name": "protein kinase activity",
#  "category": {"code": "F", "name": "molecular_function"}}
# category.code is one of F (molecular_function), P (biological_process),
# C (cellular_component).

若要将 GO 术语归属到特定特征，而不是整个蛋白质，请读取 entry/InterPro/protein/UniProt/{id}/ 返回的每个条目中的 metadata.go_terms（每个条目都有自己的 go_terms）。

7. 批量查询蛋白质

def batch_lookup_proteins(uniprot_ids, database="UniProt"):
    """Look up multiple proteins and collect their InterPro entries."""
    import time
    results = {}
    for uid in uniprot_ids:
        try:
            data = interpro_get(f"entry/InterPro/protein/{database}/{uid}/")
            entries = data.get("results", [])
            results[uid] = [
                {
                    "accession": e["metadata"]["accession"],
                    "name": e["metadata"]["name"],
                    "type": e["metadata"]["type"]
                }
                for e in entries
            ]
        except Exception as e:
            results[uid] = {"error": str(e)}
        time.sleep(0.3)  # Rate limiting
    return results

# Example
proteins = ["P04637", "P00533", "P38398", "Q9Y6I9"]
domain_info = batch_lookup_proteins(proteins)
for uid, entries in domain_info.items():
    print(f"\n{uid}:")
    for e in entries[:3]:
        print(f"  - {e['accession']} ({e['type']}): {e['name']}")

8. 按文本或分类群搜索

def search_entries(query, entry_type=None, taxonomy_id=None):
    """Search InterPro entries by text."""
    params = {"search": query, "page_size": 20}
    if entry_type:
        params["type"] = entry_type  # family, domain, homologous_superfamily, etc.

    endpoint = "entry/InterPro/"
    if taxonomy_id:
        # taxonomy is a filter, not the returned resource, so it can follow
        # the entry resource directly (lowercase 'uniprot' in the path).
        endpoint = f"entry/InterPro/taxonomy/uniprot/{taxonomy_id}/"

    return interpro_get(endpoint, params)

# Search for kinase-related entries
kinase_entries = search_entries("kinase", entry_type="domain")

查询工作流

工作流 1：表征未知蛋白质

1. 运行 InterProScan：在本地运行或通过网页（https://www.ebi.ac.uk/interpro/search/sequence/）扫描蛋白质序列
2. 解析结果，确定结构域架构
3. 查询每个 InterPro 条目，了解其生物学背景
4. 从关联的 InterPro 条目中获取 GO 术语，以推断功能

# After running InterProScan and getting a UniProt ID:
def characterize_protein(uniprot_id):
    """Complete characterization workflow."""

    # 1. Get all annotations
    entries = get_protein_entries(uniprot_id)

    # 2. Group by type
    by_type = {}
    for e in entries.get("results", []):
        t = e["metadata"]["type"]
        by_type.setdefault(t, []).append({
            "accession": e["metadata"]["accession"],
            "name": e["metadata"]["name"]
        })

    # 3. Get GO terms
    go_terms = get_go_terms_for_protein(uniprot_id)

    return {
        "families": by_type.get("family", []),
        "domains": by_type.get("domain", []),
        "superfamilies": by_type.get("homologous_superfamily", []),
        "go_terms": go_terms
    }

工作流 2：查找蛋白质家族的所有成员

1. 确定 InterPro 家族条目 ID（例如，蛋白激酶的 IPR000719）
2. 查询所有注释了该条目的 UniProt 蛋白质
3. 按需根据物种／分类群进行筛选
4. 下载 FASTA 序列，用于系统发育分析

工作流 3：比较结构域分析

1. 收集感兴趣的蛋白质（例如，所有旁系同源蛋白）
2. 获取每种蛋白质的结构域架构
3. 比较结构域组成和顺序
4. 确定结构域获得／丢失事件

API 端点摘要

返回的资源类型由路径中最先出现的部分决定；后面的筛选条件会缩小范围。交换两部分的顺序会得到一个仅包含 *_url 的包装对象。

端点	描述
/protein/UniProt/{id}/	蛋白质的完整注释（包括 metadata.go_terms）
/entry/InterPro/protein/UniProt/{id}/	蛋白质的 InterPro 条目（含匹配位置）
/entry/InterPro/{id}/	InterPro 条目的详细信息（name 是一个 {name,short} 字典）
/entry/pfam/{id}/	Pfam 成员数据库条目的详细信息（metadata.integrated = InterPro id）
/protein/UniProt/entry/InterPro/{id}/	携带某条目的蛋白质（分页，含 count）
/entry/InterPro/?search=...	搜索／列出 InterPro 条目（此处的 name 是字符串）
/entry/InterPro/taxonomy/uniprot/{tax_id}/	在某个分类群中发现的 InterPro 条目（分页）
/structure/PDB/entry/InterPro/{id}/	映射到某个条目的结构

成员数据库

API 返回的源数据库名称（source_database 字段／entry/{db}/... 路径部分）与显示名称不同时，会在括号中注明。

数据库	侧重点
Pfam（pfam）	蛋白质结构域（HMM 模型）
PANTHER（panther）	蛋白质家族和亚家族
PRINTS（prints）	蛋白质指纹
ProSite patterns（prosite）	氨基酸模式
ProSite profiles（profile）	蛋白质模型模式
SMART（smart）	可移动信号／细胞外结构域
NCBIfam（ncbifam）	NCBI 整理的家族（已吸收原 TIGRFAMs）
SUPERFAMILY（ssf）	SCOP 结构分类
CDD（cdd）	保守结构域数据库（NCBI）
HAMAP（hamap）	微生物蛋白质家族
Gene3D（cathgene3d）	CATH 结构分类
PIRSF（pirsf）	PIR 全蛋白质家族
SFLD（sfld）	结构—功能关联数据库（酶）
AntiFam（antifam）	可疑 ORF 过滤器（去除假阳性）

最佳实践

• 使用 UniProt 登录号（而非基因名称），以获得最可靠的查询结果
• 区分类型：family 提供广义分类；domain 提供特定的结构／功能单元
• 对于新序列，InterProScan 速度更快：对于 UniProt 中没有的序列，请提交至网络服务
• 处理分页：大型结果集需要逐页遍历
• 结合 UniProt 数据使用：InterPro 条目通常包含指向 UniProt、PDB 和 GO 的链接

更多资源

• InterPro 网站：https://www.ebi.ac.uk/interpro/
• InterProScan（本地运行）：https://github.com/ebi-pf-team/interproscan
• API 文档：https://github.com/ProteinsWebTeam/interpro7-api/blob/master/docs/
• Pfam：https://www.ebi.ac.uk/interpro/entry/pfam/
• 引用文献：Blum M 等（2025）InterPro：2025 年蛋白质序列分类资源。Nucleic Acids Research 53(D1):D444–D456。PMID：39565202。DOI：10.1093/nar/gkae1082