mcpField
P
protein-sequence-similarity-search

protein-sequence-similarity-search

github.com/google-deepmind数据与数据库3.4k2.2k 次安装5 天前更新
代码仓库

关于 protein-sequence-similarity-search

面向蛋白质比较研究者的序列同源搜索技能，可从氨基酸序列或 FASTA 文件查找同源序列。默认通过 ColabFold API 使用 MMseqs2；用户指定或默认方法失败时可改用 EBI BLAST。

主要功能

  1. 01使用 MMseqs2 或 BLAST 搜索同源序列
  2. 02从指定列表选择 BLAST 数据库
  3. 03汇总匹配结果及比对指标
  4. 04生成 Markdown 和 JSON 结果文件

适用场景

  1. 01为蛋白质序列查找同源序列
  2. 02搜索选定的 BLAST 数据库
  3. 03比较匹配的覆盖率和序列一致性
  4. 04保存结果供后续分析

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/google-deepmind/science-skills --skill protein-sequence-similarity-search

安装后在 Claude Code 中输入/protein-sequence-similarity-search确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

references/
citation.bib
scripts/
mmseqs2_search.py
uniprot_blast.py

详细介绍

前置条件

  1. uv：阅读 uv 技能，并遵循其中的设置说明，确保已安装 uv 且其位于 PATH 中。
  2. 用户通知：如果工作区根目录中尚不存在 .licenses/protein_sequence_similarity_search_LICENSE.txt，则 (1) 醒目地通知用户查看 https://www.ebi.ac.uk/jdispatcher/sss/ncbiblast 和 https://colabfold.com 中的条款，然后 (2) 创建该文件，记录通知文本和时间戳。
  3. .env 文件：确保 .env 文件存在于你的主目录中。如果不存在，则创建一个。
  4. USER_EMAIL（可选，但建议提供）：EBI 建议提供此项，以便跟踪 BLAST 任务，但此技能不提供该项也能正常运行。如果此技能看起来与用户请求相关，你必须使用 credentials 技能中的安全凭据协议检查并请求此凭据。

目标

接受用户提供的氨基酸序列（或 .fasta 文件路径），使用当前最快的方法搜索序列同源物，生成包含排名靠前匹配结果的 Markdown 格式表格，解读关键比对指标，概述推断出的蛋白质功能，并在本地保存结果，以便将来进行程序化分析。

核心规则

  • 严格验证：对于 BLAST，只能使用下表列出的数据库代码。
  • 不得编造：如果脚本抛出错误或未返回匹配结果，请明确告知用户。不得捏造序列同源物。
  • 不得解析输出文件：不要解析 JSON、a3m 或其他原始输出文件。摘要应依据生成的 .md 文件。JSON 和其他输出仅供后续工具使用。
  • 始终说明方法：每份报告都必须明确说明搜索使用的是快速 MMseqs2（ColabFold API）还是较慢的 EBI BLAST 方法。
  • 通知：如果使用此技能，请确保在输出中提及这一点。明确说明使用了相应程序（MMSEQS2 或 EBI BLAST）和序列数据库。

搜索方法选择

根据用户的请求选择搜索方法：

如果用户说“快速搜索”或“快搜”、未指定具体方法／泛指同源物搜索，或者你不确定：使用 mmseqs2_search.py 运行 MMseqs2（快速，默认方法）。

如果 MMseqs2 失败（退出代码 2：RATELIMIT 或 API 错误），或用户明确请求“BLAST”，或指定了某个 BLAST 数据库（例如 uniprotkb_swissprot、pdb、uniprotkb_human）：使用 uniprot_blast.py 运行 BLAST。

说明

  1. 确定用户提供的查询内容。它可以是原始序列字符串（例如 "MKVLY..."），也可以是本地文件路径（例如 "./data/sequence.fasta"）。

  2. 确定搜索方法，使用上方列表进行选择。

路径 A：MMseqs2 搜索（默认）

  1. 生成文件名：根据输入生成描述性输出文件名（例如 proteinA_mmseqs2.json 和 proteinA_mmseqs2.md）。

  2. 执行 MMseqs2 脚本：

    • 默认：
    uv run scripts/mmseqs2_search.py <SEQUENCE_OR_FILE> -o <generated-filename.md> -j <generated-filename.json>
    • 使用 mgnify：
    uv run scripts/mmseqs2_search.py <SEQUENCE_OR_FILE> -o <generated-filename.md> -j <generated-filename.json> --include-mgnify

  3. 脚本将查询 ColabFold MMseqs2 API，并轮询等待任务完成。 通常速度很快（少于 2 分钟）。

  4. 如果脚本以代码 2 退出（API 故障、速率限制），则自动回退到 BLAST（下方路径 B）。告知用户：“MMseqs2 搜索失败，正在回退到 BLAST。”

  5. 读取结果：打开并阅读生成的 .md 文件。

路径 B：BLAST 搜索（显式请求或回退）

  1. 数据库选择与验证： 根据用户的提示词确定最合适的数据库。

    • 查阅下方的 可用 BLAST 数据库 表。
    • 如果用户指定了分类群（例如，“在微生物中查找同源序列”），选择对应的 Database Code（例如，uniprotkb_bacteria）。
    • 如果用户明确要求经过筛选的命中结果，使用 uniprotkb_swissprot。
    • 如果用户未指定特定数据库，则不要指定 --databases。
    • 验证： 确保数据库代码与表中的条目完全一致。如果用户请求的数据库不在列表中，不要继续，并提供允许使用的列表。

  2. 生成文件名：（例如，proteinA_ebi_blast.json 和 proteinA_ebi_blast.md）。

  3. 此 API 要求在 USER_EMAIL 环境变量中设置用户的电子邮件地址，以便将其加入请求标头。如果此技能与用户的请求相关，必须使用 credentials 技能中的安全凭据流程来检查是否已有此凭据，并在需要时请求用户提供。

  4. 执行 BLAST 脚本：

    • 默认（uniprotkb）：
    uv run scripts/uniprot_blast.py <SEQUENCE_OR_FILE> -o <generated-filename.md> -j <generated-filename.json>
    • 自定义数据库：
    uv run scripts/uniprot_blast.py <SEQUENCE_OR_FILE> -o <generated-filename.md> -j <generated-filename.json> --databases <db1,db2>

  5. 脚本将查询 EBI BLAST API 并轮询服务。**注意：**这可能需要长达 15 分钟；请耐心等待。

  6. 读取结果： 打开并阅读生成的 .md 文件。

通用步骤（两种方法均适用）
  1. 解读指标： 总结排名前 3 至 5 的序列同源物。使用以下指标评估匹配质量：
    • Q-Cov（查询覆盖度）： 百分比越高，表示匹配覆盖的查询序列越多。
    • E-value： 较低的 E-value（例如，1e-50）表示极高的统计显著性。
    • Seq Identity： 提供进化背景信息（高度保守还是同源关系较远）。
  2. 进行功能分析：
    • 如果结果表包含蛋白质描述，直接进行分析：报告排名靠前的同源物的具体蛋白质名称和功能，并总结发现的各种功能、结构域或蛋白质家族。
    • 如果结果仅包含 UniProt 登录号而没有描述（MMseqs2 中常见），请使用 uniprot-database 技能或其他合适的方法查找排名前 3–5 个命中的蛋白质名称和功能，再进行总结。
  3. 告知用户新创建的两个文件（.json 和 .md）及其所在位置。

可用的 BLAST 数据库

  • uniprotkb – UniProt Knowledgebase（UniProt Knowledgebase 包含 UniProtKB/Swiss-Prot 和 UniProtKB/TrEMBL）：UniProt Knowledgebase （UniProtKB）是获取全面且经过整理的蛋白质信息的中心入口，包括功能、分类和交叉引用。 搜索 UniProtKB，即可检索特定序列的“所有已知信息”
  • uniprotkb_swissprot – UniProtKB/Swiss-Prot（UniProtKB 中经过人工注释的部分）：UniProt Knowledgebase 中经过人工整理的子集
  • uniprotkb_swissprotsv – UniProtKB/Swiss-Prot 同工型（UniProtKB/Swiss-Prot 中经过人工注释的同工型）：UniProt Knowledgebase 中经过人工整理的子集所对应的同工型序列
  • uniprotkb_reference_proteomes – UniProtKB 参考蛋白质组：UniProtKB 参考蛋白质组的分类学子集
  • uniprotkb_trembl – UniProtKB/TrEMBL（UniProtKB 中自动注释的部分）：UniProt Knowledgebase 的子集，源自 ENA Sequence（前身为 EMBL-Bank）编码序列的翻译结果，注释由自动化流程生成
  • uniprotkb_refprotswissprot – UniProtKB 参考蛋白质组加 Swiss-Prot：UniProtKB 参考蛋白质组加 Swiss-Prot
  • uniprotkb_archaea – UniProtKB 古菌：UniProt Knowledgebase 中古菌的分类学子集
  • uniprotkb_arthropoda – UniProtKB 节肢动物：UniProt Knowledgebase 中节肢动物的分类学子集
  • uniprotkb_bacteria – UniProtKB 细菌：UniProt Knowledgebase 中细菌的分类学子集
  • uniprotkb_complete_microbial_proteomes – UniProtKB 完整微生物蛋白质组：UniProt Knowledgebase 中完整微生物蛋白质组的分类学子集
  • uniprotkb_eukaryota – UniProtKB 真核生物：UniProt Knowledgebase 中真核生物的分类学子集
  • uniprotkb_fungi – UniProtKB 真菌：UniProt Knowledgebase 中真菌的分类学子集
  • uniprotkb_human – UniProtKB 人类：UniProt Knowledgebase 中人类的分类学子集
  • uniprotkb_mammals – UniProtKB 哺乳动物：UniProt Knowledgebase 中哺乳动物的分类学子集
  • uniprotkb_nematoda – UniProtKB 线虫：UniProt Knowledgebase 中线虫的分类学子集
  • uniprotkb_rodents – UniProtKB 啮齿动物：UniProt Knowledgebase 中啮齿动物的分类学子集
  • uniprotkb_vertebrates – UniProtKB 脊椎动物：UniProt Knowledgebase 中脊椎动物的分类学子集
  • uniprotkb_viridiplantae – UniProtKB 绿色植物：UniProt Knowledgebase 中绿色植物的分类学子集
  • uniprotkb_viruses – UniProtKB 病毒：UniProt Knowledgebase 中病毒的分类学子集
  • uniprotkb_enzyme – UniProtKB 酶：UniProt Knowledgebase 中酶的分类学子集
  • uniprotkb_covid19 – UniProtKB COVID-19：UniProt Knowledgebase 中 COVID-19 的分类学子集
  • uniref100 – UniProt 100% 聚类（UniRef100）：包含序列相似度为 100% 的序列的 UniProt 参考聚类（UniRef）。
  • uniref90 – UniProt 90% 聚类（UniRef90）：包含序列相似度为 90% 的序列的 UniProt 参考聚类（UniRef）。
  • uniref50 – UniProt 50% 聚类（UniRef50）：包含序列相似度为 50% 的序列的 UniProt 参考聚类（UniRef）。
  • pdb – 蛋白质结构序列（PDBe 蛋白质结构序列）：来自 Brookhaven 蛋白质数据库（PDB）所描述结构的蛋白质序列

评论

支持 Markdown