tooluniverse-proteomics-data-retrieval

蛋白质组学数据检索

从 MassIVE 和 ProteomeXchange 仓库中查找并检索公开可用的蛋白质组学数据集元数据。支持按物种、关键词或登录号搜索，并返回详细的数据集元数据，包括仪器、出版物、物种和翻译后修饰。

何时使用此技能

触发条件：

• “查找与 [生物体/疾病/蛋白质] 相关的蛋白质组学数据集”
• “在 MassIVE 中搜索 [关键词]”
• “获取 PXD000001 的详细信息”或“查找 MSV000079514”
• “[主题] 有哪些公开的质谱数据集？”
• “查找包含 [PTM 类型] 数据的 MS 数据集”
• “列出近期的人类蛋白质组学数据集”

使用场景：

1. 数据集发现：在仓库中搜索与研究主题相关的蛋白质组学实验
2. 登录号查询：获取已知数据集登录号（PXD 或 MSV）的完整元数据
3. 按物种筛选搜索：查找特定生物体的所有数据集
4. 跨仓库搜索：同时查询 MassIVE 和 ProteomeXchange，以获得全面覆盖
5. 实验背景：查找已发表的数据集，以验证或补充内部结果

---

通过计算得出结果，而非仅作描述

当分析需要计算（统计、数据处理、评分、富集分析）时，通过 Bash 编写并运行 Python 代码。不要只描述你会怎么做——请实际执行并报告结果。使用 ToolUniverse 工具检索数据，然后用 Python（pandas、scipy、statsmodels、matplotlib）进行分析。

核心原则

1. ProteomeXchange 是聚合平台——它索引了来自 PRIDE、MassIVE、PeptideAtlas、jPOST 和 iProX 的数据集
2. MassIVE 的元数据更丰富——包括摘要、关键词、修饰和联系人
3. 搜索两个仓库——ProteomeXchange 提供广度，MassIVE 提供详细信息
4. 物种使用 NCBI 分类 ID——人类 = 9606，小鼠 = 10090，大鼠 = 10116
5. 登录号格式：PXD（ProteomeXchange）、MSV（MassIVE）——MassIVE_get_dataset 均可接受
6. 查询，不要猜测——切勿假定有哪些数据集、其登录号或仪器类型。务必搜索并检索元数据进行确认。

领域推理：数据集质量评估

数据集质量取决于仪器、样品制备和定量方法。TMT/iTRAQ（同量异位标记）数据集存在比值压缩和共隔离干扰偏差，这些偏差与无标记定量（LFQ）不同。DIA 数据集需要使用不同于 DDA 的分析流程。在元分析或跨研究比较中重复使用数据之前，请检查原始出版物中的方法。仪器分辨率（Orbitrap > 离子阱）和采集模式（DIA 在完整性方面优于 DDA）会直接影响可定量蛋白质的数量及其置信度。

---

集成的核心存储库

存储库	覆盖范围	优势
MassIVE	10,000+ 个数据集	元数据丰富（摘要、关键词、修饰、联系人），可按分类 ID 筛选物种
ProteomeXchange	汇集 PRIDE、MassIVE、PeptideAtlas、jPOST、iProX	覆盖范围最广，提供标准化的 PXD 登录号
PDC (NCI Proteomics Data Commons)	250+ 项癌症蛋白质组学研究（CPTAC、ICPC、APOLLO、CBTN 等）	精选的疾病/部位/分析组分元数据、逐基因的谱图计数覆盖范围、临床病例关联，以及直接访问定量丰度矩阵（而不仅仅是文件列表）
PRIDE Archive	EBI 的蛋白质组学存储库——ProteomeXchange 汇集的存储库之一	可直接针对标题/描述/物种/组织/疾病进行全文关键词搜索（ProteomeXchange 自身的搜索仅支持登录号/关键词，命中结果较少）；这四者中唯一提供真实 FTP/Aspera 文件下载 URL 的存储库，而不只是元数据；还可反向查询蛋白质对应的项目，这是此处其他工具都不具备的功能
PeptideAtlas	ISB 的肽段级观测图谱——也是 ProteomeXchange 汇集的存储库，但回答的问题与上述数据集级工具不同	权威记录了哪些蛋白质的胰蛋白酶肽段确实被质谱观测到，以及观测频率——而不是有哪些数据集

PeptideAtlas：肽段级观测证据

与上述数据集发现工具不同（它们回答“有哪些研究”）， PeptideAtlas_get_observed_peptides 回答“对于这个特定蛋白质，实际检测到了哪些 肽段，其置信度如何”——这是直接针对蛋白质的查询，而非数据集搜索。通过 biosequence_name（UniProt 登录号，例如血清白蛋白的 P02768）限定范围， 以获取该蛋白质的肽段；也可以省略此参数并设置较小的 row_limit，从而抽样查看整个构建版本（默认构建版本索引了数百万个肽段）。每条结果都会提供 peptide_sequence、n_observations（整个图谱中的谱图计数）、 n_samples、best_probability（PeptideProphet），以及 empirical_proteotypic_score（该肽段能够多特异地识别此蛋白质，即与蛋白质家族中其他蛋白质共享的肽段相比，其特异性如何）——已通过真实的 UniProt 登录号进行实时验证。可使用此功能在围绕特定胰蛋白酶肽段设计靶向质谱（SRM/PRM）分析之前，确认其是否确实可检测；也可评估某个蛋白质整体上经过质谱充分表征的程度。

通过 PDC 进行癌症蛋白质组学

与 MassIVE/ProteomeXchange（通用质谱数据集注册库，返回元数据/文件列表）不同，PDC 专注于癌症蛋白质基因组学项目，可以直接返回实际定量数据和按患者整理的临床元数据——适用于以癌症队列重新分析为目标，而非泛泛搜索数据集的场景。

工具	用途
PDC_search_studies	对整理后的 disease_type、primary_site、analytical_fraction（Proteome/Phosphoproteome/Acetylome/Ubiquitylome/...）、experiment_type（TMT10/TMT11/iTRAQ/LFQ）、项目/计划名称或研究标题进行子字符串匹配。项目缩写（CPTAC、ICPC、APOLLO）会根据 PDC 的受控词汇表进行匹配，因此能匹配项目中的所有研究，而不只是标题匹配结果。请检查每条结果中的 matched_curated_metadata——true 表示匹配了整理后的字段，而不只是自由文本标题
PDC_get_gene_protein	给定基因符号，返回 NCBI/HGNC 标识符、所有已知蛋白质登录号，以及按研究整理的谱计数证据（存在/丰度证据——而非定量比值）——在选择研究进行重新分析前，可用它查看哪些 PDC 研究测量过目标基因
PDC_list_programs	列出所有项目计划（CPTAC、ICPC、APOLLO、CBTN、Georgetown、Broad 等）及其项目
PDC_get_study_summary	返回一个 pdc_study_id（例如 PDC000127）的完整元数据：疾病类型、部位、分析组分、实验类型、病例/等分样本数量、禁运状态，以及按类别统计的文件数量——相当于 PDC 版本的 MassIVE_get_dataset/ProteomeXchange_get_dataset
PDC_get_clinical_data	分页返回研究中每个病例的临床元数据（病例 ID、疾病类型、部位、人口统计信息）——可用于将蛋白质组学发现与患者特征关联起来
PDC_get_quant_data_matrix	实际的蛋白质定量矩阵（基因 x 等分样本，默认使用 log2_ratio）——这是 CPTAC 的核心定量输出，与 PDC_get_gene_protein 的谱计数不同。基因行会截断至 max_genes（默认 50；增大该值可获取更多数据），但等分样本列标题始终会完整返回——已通过实时验证：PDC000127（CPTAC CCRCC）报告的基因行总数为 9,591

工作流：PDC_search_studies(query="<disease/site/program>") → 使用 PDC_get_study_summary(pdc_study_id=...) 确认范围 → 使用 PDC_get_clinical_data 获取患者背景信息 → 使用 PDC_get_quant_data_matrix 获取待分析的实际丰度值。将生成的矩阵输入 tooluniverse-proteomics-analysis（从第 2 阶段开始：预处理、差异表达、富集分析），而不是在此处重新实现这些逻辑。

---

PRIDE Archive：全文搜索、文件下载和反向蛋白质查询

PRIDE（EBI 的蛋白质组学存储库）是 ProteomeXchange 编入索引的提交存储库之一——与 MassIVE 和 ProteomeXchange 的关系相同，只是合作方存储库不同。需要以下功能时，请专门使用 PRIDE（而不是，或除了 ProteomeXchange/MassIVE 之外）：

真正的全文搜索（ProteomeXchange 的 query 参数只能粗略匹配标题/登录号；PRIDE 的 PRIDE_search_proteomics 可匹配标题、描述、物种和组织，因此像 "phosphorylation" 或 "COVID-19 proteome" 这样的查询能返回相关性高得多的结果）、实际文件下载 URL（每个文件都有 FTP 和 Aspera 链接——此技能中的 MassIVE/ProteomeXchange/PDC 工具都不返回可下载链接，只返回元数据），或以蛋白质为起点的搜索（“哪些数据集包含蛋白质 X”在此处的 MassIVE 或 ProteomeXchange 中都没有对应功能）。

工具	用途
PRIDE_search_proteomics	全文关键词搜索（query，page_size 默认值为 20，最大值为 100），覆盖项目标题/描述/物种/组织/疾病。直接返回每条结果的丰富元数据（生物体、organismParts、疾病、仪器、关键词、提交者、实验室 PI）——通常无需后续详情调用即可筛选候选项目
PRIDE_get_project	获取单个 accession（PXD######）的完整元数据：增加 sampleProcessingProtocol/dataProcessingProtocol（方法文本）、doi、submissionType（COMPLETE 与 PARTIAL）和完整的提交者记录；在方法详情方面比 MassIVE_get_dataset 或 ProteomeXchange_get_dataset 更丰富
PRIDE_get_project_files	列出单个 accession 的文件：fileName、fileCategory、fileSizeBytes，以及包含真实 FTP 和 Aspera 下载 URL 的 publicFileLocations——如果目标是下载原始数据，而不只是描述数据，这就是调用 MassIVE/ProteomeXchange/PDC 元数据工具之后的实际下一步
PRIDE_get_projects_for_protein	反向查询：给定一个 UniProt accession（例如，TP53 的 P04637），返回所有鉴定出该蛋白质的 PXD 项目登录号。PRIDE 的其他工具以项目为中心，无法回答此问题；经实时验证，像 TP53 这样研究充分的蛋白质会返回 30 多个项目登录号——可对每个结果调用 PRIDE_get_project 获取详情

工作流：PRIDE_search_proteomics(query="<keyword>") → PRIDE_get_project(accession=...) 获取方法/DOI 详情 → PRIDE_get_project_files(accession=...) 获取实际下载 链接。或者，以蛋白质为起点：PRIDE_get_projects_for_protein(accession="<UniProt AC>") → 对每条结果调用 PRIDE_get_project，在下载前评估相关性。

实时验证：PRIDE_search_proteomics(query="breast cancer", page_size=3) 返回了 真实的近期提交（例如，PXD083320，发表日期为 2026-08-28），搜索响应中已包含完整的 仪器/生物体/疾病元数据——无需单独调用详情工具即可判断相关性。

---

工作流概览

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

---

阶段 0：输入解析

目标：确定查询类型并准备适当的搜索参数。

判定逻辑

• 提供了登录号（例如，PXD000001、MSV000079514）：
  • PXD 登录号：调用 ProteomeXchange_get_dataset，并可选择调用 MassIVE_get_dataset
  • MSV 登录号：调用 MassIVE_get_dataset
  • 跳过阶段 1，直接进入阶段 2
• 提供了物种名称（例如，“human”“mouse”）：
  • 映射到 NCBI taxonomy ID：human=9606、mouse=10090、rat=10116、yeast=559292、zebrafish=7955、fly=7227、worm=6239、arabidopsis=3702
  • 使用带有 species 筛选条件的 MassIVE_search_datasets
• 提供了关键词（例如，“phosphoproteomics”“breast cancer”）：
  • 使用带有 query 参数的 ProteomeXchange_search_datasets
  • MassIVE 不支持关键词搜索——关键词查询请使用 ProteomeXchange

---

阶段 1：存储库搜索

目标：在各存储库中查找相关数据集。

工具

MassIVE_search_datasets：

• page_size：要返回的结果数量（整数，最大值为 100，默认值为 10）
• species：用于按物种筛选的 NCBI 分类学 ID 字符串（例如，人类为 "9606"）
• 返回：数据集对象数组，包含 accessions（数组）、title、summary、species、instruments、keywords
• 注意：没有关键词/文本搜索参数——只能按物种筛选

ProteomeXchange_search_datasets：

• query：可选搜索筛选条件——关键词或数据集登录号（例如，"phosphoproteomics"、"PXD"）
• limit：最大结果数（1–50，默认值为 10）
• 返回：{data: [{accession, title, species}], metadata: {source, total_returned, query}}

工作流

1. 按物种搜索：

   • 调用 MassIVE_search_datasets(page_size=20, species="9606") 获取按物种筛选的结果
   • 调用 ProteomeXchange_search_datasets(limit=20) 获取更广泛的列表

2. 按关键词搜索：

   • 调用 ProteomeXchange_search_datasets(query="keyword", limit=20)
   • 查看标题以判断相关性

3. 全面发现：

   • 并行调用两个工具
   • 合并结果，并按登录号去重（PXD 登录号可能会同时出现在两者中）

响应格式说明

• MassIVE_search_datasets：直接返回数组（没有 {data: ...} 包装）
• ProteomeXchange_search_datasets：返回 {data: [...], metadata: {...}}

---

第 2 阶段：检索数据集详情

目标：获取感兴趣数据集的完整元数据。

工具

MassIVE_get_dataset：

• accession：数据集登录号——接受 MSV 和 PXD 两种格式（例如，"MSV000079514"、"PXD003971"）
• 返回：包含 accessions、title、summary、species、instruments、keywords、contacts、publications、modifications 的对象

ProteomeXchange_get_dataset：

• px_id：PXD 格式的 ProteomeXchange 标识符（例如，"PXD000001"）
• 返回：{data: {px_id, title, species, identifiers, instruments, publications, file_count}, metadata: {...}}

工作流

1. 对第 1 阶段中每个有前景的数据集，调用相应的详情工具
2. 提取关键元数据：标题、物种、仪器、出版物（PubMed/DOI）、修饰
3. 对于 PXD 登录号：若要获取文件数量，优先使用 ProteomeXchange_get_dataset；若要获取更丰富的摘要/关键词，则使用 MassIVE_get_dataset

要提取的关键字段

• title：数据集名称/描述
• species：研究的生物体
• instruments：使用的质谱仪（例如，Orbitrap、Q Exactive、TripleTOF）
• publications：相关论文的 PubMed ID 和 DOI
• modifications：研究的 PTM（仅来自 MassIVE）
• file_count：原始文件数量（仅来自 ProteomeXchange）
• keywords：主题标签（仅来自 MassIVE）

---

第 3 阶段：结果综合

目标：以结构化格式整理并呈现数据集结果。

报告格式

# 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]

---

工具参数参考

工具	参数	说明
MassIVE_search_datasets	page_size	整数，最大值为 100。默认值为 10
MassIVE_search_datasets	species	NCBI 分类学 ID，字符串格式（例如，"9606"，而非 9606）
MassIVE_get_dataset	accession	接受 MSV 和 PXD 两种格式
ProteomeXchange_search_datasets	query	可选的关键词或登录号筛选条件
ProteomeXchange_search_datasets	limit	整数，范围为 1–50
ProteomeXchange_get_dataset	px_id	仅接受 PXD 格式（例如，"PXD000001"）

响应格式说明：

• MassIVE_search_datasets：直接返回数据集对象数组（没有包装）
• MassIVE_get_dataset：直接返回对象（没有包装）
• ProteomeXchange_search_datasets：返回 {data: [...], metadata: {...}}
• ProteomeXchange_get_dataset：返回 {data: {...}, metadata: {...}}

---

回退策略

情况	回退方案
MassIVE 搜索结果为空	使用 ProteomeXchange 搜索（覆盖范围更广）
ProteomeXchange 搜索结果为空	尝试更宽泛或更简单的查询词
MassIVE_get_dataset 处理 PXD 登录号失败	改用 ProteomeXchange_get_dataset
未知物种分类 ID	在 ProteomeXchange 中按关键词（物种名称）搜索
关键词搜索无结果	尝试分别搜索单个词，而不是多个词组成的查询
需要真实下载链接，而不只是元数据	使用 PRIDE_get_project_files——这是此处唯一能返回 FTP/Aspera URL 的工具
需要了解“哪些数据集包含蛋白质 X”	使用 PRIDE_get_projects_for_protein——此处没有其他工具支持以蛋白质为首要条件进行搜索

---

常见物种分类 ID

物种	分类 ID
人类	9606
小鼠	10090
大鼠	10116
斑马鱼	7955
果蝇	7227
秀丽隐杆线虫	6239
酿酒酵母	559292
拟南芥	3702
大肠杆菌	562

---

解读框架

质量指标	良好	可接受	注意
仪器	Orbitrap Exploris/Eclipse、timsTOF	Q Exactive、TripleTOF 6600	较旧的 LTQ、仅离子阱
发表情况	经同行评审且有 PubMed ID	预印本或仅有 DOI	无相关发表论文
元数据完整度	物种 + 仪器 + PTM + 摘要	仅物种 + 仪器	仅标题，无注释

解读数据集搜索结果：

• 同时具有 MassIVE 和 ProteomeXchange 登录号的数据集通常包含更丰富的元数据；MassIVE 提供摘要和关键词，ProteomeXchange 提供文件计数——请交叉参照二者以全面了解情况。
• 仪器类型决定数据质量上限：高分辨率仪器（Orbitrap、timsTOF）比旧式离子阱平台具有更高的质量准确度和更可靠的定量结果。
• 缺少同行评审论文的数据集仍可能有价值，但其实验设计和处理流程无法独立验证——在荟萃分析中应降低此类数据集的权重。

报告中需要回答的综合分析问题：

1. 同一物种/条件下的多个独立数据集是否显示出一致的蛋白质鉴定结果，还是差异表明存在批次效应？
2. 仪器平台是否适用于分析类型（例如，DIA 需要高分辨率；TMT 需要 MS3 或经过校准的 MS2）？
3. 报告的 PTM 类型和物种是否符合用户的研究问题，还是需要进一步筛选？

---

局限性

• MassIVE：不支持关键词/文本搜索——只能通过 species 参数按物种筛选
• ProteomeXchange：搜索结果中的元数据有限（无摘要或关键词）；通过 Dataverse_get_dataset 获取详情
• 不支持全文搜索：无法跨存储库搜索数据集说明或摘要
• 无法通过 MassIVE/ProteomeXchange/PDC 下载：这些工具只能检索元数据，不能获取原始数据文件。PRIDE 是个例外——PRIDE_get_project_files 会返回每个文件的真实 FTP/Aspera URL，并已实时验证
• 速率限制：负载较高时，两个 API 都可能触发限流；请合理设置 page_size/limit
• 覆盖范围：ProteomeXchange 的覆盖面最广，但对于最新提交的数据，更新速度可能不及各个独立存储库

---

与其他技能的集成

技能	关系
tooluniverse-proteomics-analysis	将检索到的数据集用作 MS 数据分析的输入
tooluniverse-protein-modification-analysis	查找 PTM 专项数据集，以补充 iPTMnet 注释
tooluniverse-multi-omics-integration	发现蛋白质组学数据集，用于跨组学整合

---

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