interpro-database

InterPro 数据库

概述

InterPro（https://www.ebi.ac.uk/interpro/）是由 EMBL-EBI 维护的综合性蛋白质家族和结构域分类资源。它整合了 13 个成员数据库中的特征签名，包括 Pfam、PANTHER、PRINTS、ProSite、SMART、TIGRFAM、SUPERFAMILY、CDD 等，为超过 1 亿条蛋白质序列提供统一的功能注释视图。

InterPro 将蛋白质分类为：

• 家族：具有共同祖先和功能的蛋白质组
• 结构域：可独立折叠的结构/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

何时使用此技能

以下情况可使用 InterPro：

• 蛋白质功能预测：一个未经表征的蛋白质可能具有哪些功能？
• 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/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个同源超家族？
• 结构预测背景：新的蛋白质结构应与哪些结构域进行比较？
• 流程注释：批量注释蛋白质组或新序列

核心功能

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()

2. 查询蛋白质

def get_protein_entries(uniprot_id):
    """Get all InterPro entries that match a UniProt protein."""
    data = interpro_get(f"protein/UniProt/{uniprot_id}/entry/InterPro/")
    return data

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

for entry in entries:
    meta = entry["metadata"]
    print(f"  {meta['accession']} ({meta['type']}): {meta['name']}")
    # e.g., IPR011615 (domain): p53, tetramerisation domain
    #       IPR010991 (domain): p53, DNA-binding domain
    #       IPR013872 (family): p53 family

3. 获取特定的 InterPro 条目

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

# Example: Get Pfam domain PF00397 (WW domain)
ww_entry = get_entry("IPR001202")
print(f"Name: {ww_entry['metadata']['name']}")
print(f"Type: {ww_entry['metadata']['type']}")

# Also supports member database IDs:
def get_pfam_entry(pfam_id):
    return interpro_get(f"entry/Pfam/{pfam_id}/")

pfam = get_pfam_entry("PF00397")

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}
    data = interpro_get(f"entry/InterPro/{interpro_id}/protein/{database}/", params)
    return data

# Example: Find all human kinase-domain proteins
kinase_proteins = get_proteins_for_entry("IPR000719")  # Protein kinase domain
print(f"Total proteins: {kinase_proteins['count']}")

5. 结构域架构

def get_domain_architecture(uniprot_id):
    """Get the complete domain architecture of a protein."""
    data = interpro_get(f"protein/UniProt/{uniprot_id}/")
    return data

# Example: Get full domain architecture for EGFR
egfr = get_domain_architecture("P00533")

# The response includes locations of all matching entries on the sequence
for entry in egfr.get("entries", []):
    for fragment in entry.get("entry_protein_locations", []):
        for loc in fragment.get("fragments", []):
            print(f"  {entry['accession']}: {loc['start']}-{loc['end']}")

6. GO 术语映射

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}/")

    # GO terms are embedded in the entry metadata
    go_terms = []
    for entry in data.get("entries", []):
        go = entry.get("metadata", {}).get("go_terms", [])
        go_terms.extend(go)

    # Deduplicate
    seen = set()
    unique_go = []
    for term in go_terms:
        if term["identifier"] not in seen:
            seen.add(term["identifier"])
            unique_go.append(term)

    return unique_go

# GO terms include:
# {"identifier": "GO:0004672", "name": "protein kinase activity", "category": {"code": "F", "name": "Molecular Function"}}

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"protein/{database}/{uid}/entry/InterPro/")
            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. 按文本或分类单元搜索

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:
        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. 在本地或通过网页（https://www.ebi.ac.uk/interpro/search/sequence/）运行 InterProScan，扫描蛋白质序列
2. 解析结果，识别结构域架构
3. 查询每个 InterPro 条目，了解其生物学背景
4. 从相关 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，蛋白激酶对应 IPR000719）
2. 查询所有带有该条目标注的 UniProt 蛋白质
3. 根据需要按生物体/分类单元筛选
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. 获取每个蛋白质的结构域架构
3. 比较结构域组成和排列顺序
4. 识别结构域获得/丢失事件

API 端点摘要

端点	描述
/protein/UniProt/{id}/	蛋白质的完整注释
/protein/UniProt/{id}/entry/InterPro/	蛋白质对应的 InterPro 条目
/entry/InterPro/{id}/	InterPro 条目的详细信息
/entry/Pfam/{id}/	Pfam 条目详细信息
/entry/InterPro/{id}/protein/UniProt/	带有该条目的蛋白质
/entry/InterPro/	搜索/列出 InterPro 条目
/taxonomy/UniProt/{tax_id}/	来自某分类单元的蛋白质
/structure/PDB/{pdb_id}/	映射到 InterPro 的结构

成员数据库

数据库	重点
Pfam	蛋白质结构域（HMM 配置文件）
PANTHER	蛋白质家族和亚家族
PRINTS	蛋白质指纹
ProSitePatterns	氨基酸模式
ProSiteProfiles	蛋白质配置文件模式
SMART	蛋白质结构域分析
TIGRFAM	JCVI 精选的蛋白质家族
SUPERFAMILY	结构分类
CDD	保守结构域数据库（NCBI）
HAMAP	微生物蛋白质家族
NCBIfam	NCBI 精选的 TIGRFAM
Gene3D	CATH 结构分类
PIRSR	PIR 位点规则

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 提供广泛分类；domain 提供具体的结构／功能单元
• 新序列使用 InterProScan 更快：对于 UniProt 中没有的序列，请提交至 Web 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：Paysan-Lafosse T et al.（2023）Nucleic Acids Research。PMID: 36350672