tooluniverse-sequence-analysis

生物序列分析

⚠️ 首要规则：Trimmomatic 的“reads completely discarded”＝所有样本的 F + R + 2*D 之和

如果问题询问 Trimmomatic 中“reads completely discarded”（完全丢弃的 reads）／“reads thrown out”（被剔除的 reads）／“reads not in any output”（不在任何输出中的 reads），不要只报告 Dropped 字段。Dropped 统计的是两条 read 均未通过的read pair；每对包含 2 条独立 read。此外，Forward-only 和 Reverse-only 两类也会各丢弃每对中的 1 条 read。

reads_discarded = sum over samples of (Forward_Only + Reverse_Only + 2 * Dropped)

❌ 错误：sum(Dropped per sample)——通常只有几千，远低于 GT，差距达到 100 倍以上

✅ 正确：sum(F + R + 2*D per sample)

完整计数器表见下文 FASTQ 部分。

---

规则零——首先检查预先计算好的结果

遵循以下任何说明之前，先扫描数据文件夹，查找：

• *_executed.ipynb → 使用 tu run read_executed_notebook '{"data_folder":"<path>","search":"<keyword>"}' 读取，并以其单元格输出作为权威答案
• 预先计算好的结果文件（CSV/TSV，名称类似 *results*、*deseq*、*enrich*、*stats*、*_simplified.csv）→ 直接读取并报告所请求的值
• 标准分析脚本（analysis.R、run_*.py、find_*.R、*.Rmd）→ 原样执行并读取输出

只有在上述文件全部不存在时，才按照下方本技能的重新分析步骤操作。从原始数据重新运行会得到与已发布答案不同的数字，而且速度慢得多（回合数通常增加 5～10 倍）。

---

从 NCBI、Ensembl 和 UniProt 检索、注释和比较生物序列。涵盖核苷酸搜索、序列获取、基因摘要、直系同源基因发现和蛋白质序列提取。

FASTQ 质控、Trimmomatic 和 reads 比对（存在原始 reads 时）

如果数据文件夹中有 *.fastq 文件，且问题涉及 Trimmomatic、BWA、samtools、FastQC 或覆盖深度，本技能就是入口——但实际操作在 shell 层面完成（没有专用的 ToolUniverse 数据工具）。

Trimmomatic PE——统计“完全丢弃”的 reads

Trimmomatic PE 会将每对输入 reads 分为以下几类：

• Both Surviving（两条均保留）：R1 和 R2 均通过 → 作为配对 reads 保留
• Forward Only Surviving（仅正向保留）：R1 通过，R2 被丢弃 → R1 作为单条 read 保留，R2 被完全丢弃
• Reverse Only Surviving（仅反向保留）：R2 通过，R1 被丢弃 → R2 作为单条 read 保留，R1 被完全丢弃
• Dropped（丢弃）：两条均未通过 → R1 和 R2 均被完全丢弃

选择计数器时请仔细阅读问题。关键：“READS completely discarded” ≠ “PAIRS dropped”。 Trimmomatic 的 Dropped 计数的是read pair（每对包含 2 条独立 read）。如果问题询问的是 reads（而非 read pairs），请将每个计数器换算为按单条 read 计数：

问题措辞	公式（按样本计算，然后对所有样本求和）
“reads completely discarded”（完全丢弃的 reads）、“reads thrown out”（被剔除的 reads）、“reads not in any output”（不在任何输出中的 reads）	F + R + 2*D（不在任何输出 FASTQ 中的每条 R1 或 R2）
“read pairs dropped”（丢弃的 read pairs）、“pairs where both mates failed”（两个 mate 均未通过的 pairs）	D
“individual R2 reads dropped”（被丢弃的单条 R2 reads，R1 作为单条 read 保留）	F
“individual R1 reads dropped”（被丢弃的单条 R1 reads，R2 作为单条 read 保留）	R
“reads passing QC”（通过质控的 reads）／“surviving reads”（保留的 reads）	2*B + F + R

Trimmomatic 的 stderr 摘要格式为 Input Read Pairs: N Both Surviving: B (b%) Forward Only Surviving: F (f%) Reverse Only Surviving: R (r%) Dropped: D (d%)。请始终对所有输入样本对求和（例如 SRR1 + SRR2 + ...）。

不要将 D 单独作为“reads completely discarded”报告——它是 read pair 数而非 read 数，结果会少约 100 倍。“Forward Only”中的 R2 mate 确实会被丢弃；“Reverse Only”中的 R1 mate 确实会被丢弃；“Dropped”中的 read pairs 则两条 read 都会丢弃。

覆盖深度（samtools depth / mosdepth）

若要计算“平均覆盖深度”，请运行 samtools depth -a alignment.bam | awk '{sum+=$3; n++} END {print sum/n}'——-a 标志会纳入覆盖度为零的位置（否则平均值会偏高）。若要计算逐染色体覆盖度，请按 $1 分组。

适用场景

• “获取 BRCA1 的 mRNA 序列”
• “在 NCBI 中搜索 E. coli K-12 完整基因组”
• “查找 TP53 在不同物种中的直系同源基因”
• “获取 UniProt P04637 的蛋白质序列”
• “获取 Ensembl 转录本 ENST00000269305 的 CDS 序列”

工作流

Input -> Phase 1: Gene ID resolution -> Phase 2: Nucleotide retrieval
      -> Phase 3: Protein sequences -> Phase 4: Orthologs -> Output

阶段 1：基因识别与摘要

NCBIGene_search：term（字符串，必需，格式为 "TP53[Symbol] AND Homo sapiens[Organism]"），retmax（整数，默认值为 10）。返回 {status, data: {esearchresult: {idlist: ["7157"]}}}。

NCBIGene_get_summary：id（字符串，必需，例如 "7157"）。返回 {status, data: {result: {"7157": {name, description, summary, chromosome, maplocation, genomicinfo, mim}}}}。结果以基因 ID 字符串为键。

NCBIDatasets_get_gene_by_symbol：symbol（字符串，必需，例如 "BRCA1"），taxon（字符串，例如 "human"）。返回基因 ID、描述、位置和交叉引用。

NCBIDatasets_get_gene：gene_id（字符串，必需，例如 "7157"）。返回完整的基因信息。

阶段 2：核苷酸序列搜索与获取

NCBI_search_nucleotide：query（自由格式）、organism（字符串）、gene（字符串）、strain（字符串）、keywords（字符串）、seq_type（"complete_genome"/"mRNA"/"refseq"）、limit（整数，默认值为 20）。返回 {status, data: {uids: [...], accessions: [...]}}。

NCBI_fetch_accessions：uids（数组，必需，例如 ["545778205"]）。返回 {status, data: ["U00096.3"], count: 1}。

NCBI_get_sequence：accession（字符串，必需，例如 "NM_007294"），format（"fasta"/"gb"/"embl"）。返回 {status, data: "FASTA string...", accession, format, length}。

EnsemblSeq_get_region_sequence：region（字符串，必需，"chr:start-end"，例如 "17:7668421-7668520"），species（默认值为 "homo_sapiens"）。返回 {status, data: {sequence, sequence_length}}。

ensembl_get_sequence：id（字符串，必需，Ensembl ID）、type（"genomic"/"cds"/"cdna"/"protein"）、multiple_sequences（布尔值）。返回序列数据。

注意事项：

• NCBI_search_nucleotide 返回 UID，而不是登录号。使用 NCBI_fetch_accessions 进行转换。
• NCBI_fetch_accessions 要求使用 uids（而非 accessions）。
• 对基因 ID（ENSG）使用 ensembl_get_sequence 且 type != "genomic" 时，需要设置 multiple_sequences=true。要获取特定序列，请使用转录本 ID（ENST）。

操作步骤：获取人类基因的 mRNA

1. NCBI_search_nucleotide(organism="Homo sapiens", gene="BRCA1", seq_type="mRNA", limit=5)
2. NCBI_fetch_accessions(uids=[first_uid]) -> 登录号
3. NCBI_get_sequence(accession="NM_007294", format="fasta")

阶段 3：获取蛋白质序列

UniProt_get_sequence_by_accession：accession（字符串，必需，例如 "P04637"）。返回 {result: "MEEPQSDP..."}。注意：响应键为 result，而非 data。

EnsemblSeq_get_id_sequence：ensembl_id（字符串，必需，例如 "ENSP00000269305"），type（"protein"/"cdna"/"cds"）。返回 {status, data: {ensembl_id, molecule, sequence, sequence_length}}。

UniProt_get_entry_by_accession：accession（字符串，必需）。返回完整的蛋白质注释。

注意事项：

• UniProt_get_sequence_by_accession 返回 {result: "..."}，而不是 {status, data}。
• 对于 Ensembl 蛋白质序列，请使用 ENSP ID。对于 cDNA/CDS，请使用 ENST ID。
• 要从基因查找 UniProt 登录号，请使用 NCBIDatasets_get_gene_by_symbol（其中包含交叉引用）。

阶段 4：直系同源基因与比较分析

NCBIDatasets_get_orthologs：gene_id（字符串，必需，NCBI Gene ID，例如 "7157"），page_size（整数，默认值为 20，最大值为 100）。返回 {status, data: [{gene_id, symbol, description, taxname, common_name, chromosomes}]}。

NCBIProtein_get_summary：id（字符串，必需，GI 号或登录号）。返回蛋白质标题、物种和长度。

注意事项：NCBIDatasets_get_orthologs 要求使用 NCBI Gene ID（数字字符串），而不是基因符号或 Ensembl ID。请先通过阶段 1 解析。

示例：比较直系同源基因

1. NCBIGene_search(term="TP53[Symbol] AND Homo sapiens[Organism]") -> "7157"
2. NCBIDatasets_get_orthologs(gene_id="7157", page_size=10) -> 小鼠 Trp53、大鼠 Tp53 等

阶段 5：结构域架构与同源性

InterPro_get_entries_for_protein：accession（UniProt ID）。返回 InterPro 结构域／家族／超家族条目及其位置。

Pfam_get_protein_annotations：accession（UniProt ID）。返回 Pfam 结构域命中结果，包含精确的残基坐标和 E 值。对于尚无 UniProt 登录号的原始序列（例如新发现或设计的序列），EBI_scan_pfam_domains 会直接对序列运行相同的 Pfam 扫描。

BLAST_protein_search：sequence（氨基酸字符串）、database（默认值为 "swissprot"）、limit。返回同源序列及其比对得分、一致性和 E 值。如果 BLAST 没有找到结果（远缘同源、序列一致性低），EBI_profile_search（默认 method='phmmer'，或 'psiblast'）会使用基于 profile／HMM 的方法；对于 BLAST 成对比对评分无法发现的远缘关系，这些方法具有更高的灵敏度。

EBI_pairwise_align：恰好输入两条序列（全局比对使用 algorithm='needle'，局部比对使用 'water'），返回一致性／相似性／缺口百分比以及比对结果本身——此技能中的其他工具都不支持直接进行成对比对。

EBI_translate_sequence：支持核苷酸到蛋白质、蛋白质到核苷酸（反向翻译），或带 ORF 检测的六框翻译。上文的 DNA_translate_reading_frames 仅支持正向三框翻译（不含反向链或反向翻译）——需要反向链阅读框或蛋白质到 DNA 的转换时，请专门使用 EBI 的工具。

EBI_predict_membrane_topology：直接根据蛋白质序列预测跨膜螺旋和信号肽（Phobius）。这与 proteins_api_get_features 的 TRANSMEM 注释不同（见下文“蛋白质特征问题的推理”）——后者是查询已知 UniProt 条目中已有注释的拓扑结构；此工具则是预测可能尚无注释的序列拓扑结构。

EnsemblCompara_get_orthologues：gene（基因符号，例如 "CFTR"）、species（例如 "human"）。这是 NCBIDatasets_get_orthologs 的用户友好替代方案——可直接接受基因符号。

阶段 6：变异与临床背景

EnsemblVEP_annotate_hgvs：hgvs_notation（例如 "NM_000492.4:c.1521_1523del"）。返回后果、蛋白质影响及基因组坐标。

ClinVar_search_variants：gene（基因符号）。返回用于查询临床意义的变异数量和 ID。

PubMed_search_articles：query、limit。提供基因／变异发现的文献背景。

---

工具参数速查表

工具	正确参数	常见错误
NCBIGene_search	term（使用 [Symbol] 语法）	query 或 gene
NCBIGene_get_summary	id（字符串）	整数类型
NCBI_fetch_accessions	uids（数组）	accessions
NCBI_get_sequence	accession（字符串）	传入 UID
NCBIDatasets_get_orthologs	gene_id（字符串）	基因符号
EnsemblSeq_get_id_sequence	ensembl_id	id
ensembl_get_sequence	id + multiple_sequences	查询基因 + CDS 时未提供 multiple_sequences
UniProt_get_sequence_by_accession	accession	响应字段是 result，而非 data

后备方案

• 未找到基因 -> 尝试使用明确的分类单元调用 NCBIDatasets_get_gene_by_symbol
• 搜索未返回登录号 -> 扩大查询范围（移除品系／seq_type 筛选条件）
• 基因 + CDS 查询时 Ensembl 出错 -> 使用转录本 ID（ENST），或设置 multiple_sequences=true
• 未知 UniProt 登录号 -> 使用 NCBIDatasets_get_gene 或 UniProt_search 查找交叉引用
• 直系同源搜索无结果 -> 确认 gene_id 是数字形式的 NCBI Gene ID

序列分析推理（重要）

查询，不要猜测——始终从数据库获取序列、坐标和结构域边界。不要凭记忆还原这些信息。

何时使用哪种工具

问题类型	工具选择	原因
“查找相似序列”	BLAST_protein_search	对数据库进行同源性搜索；返回 E 值和一致性
“这种蛋白质有哪些结构域？”	InterPro_get_entries_for_protein 或 Pfam_get_protein_annotations	提供带精确残基坐标的结构域架构
“获取基因 X 的序列”	NCBI_search_nucleotide -> NCBI_get_sequence	按基因名称检索核苷酸序列
“比较直系同源基因”	NCBIDatasets_get_orthologs 或 EnsemblCompara_get_orthologues	跨物种基因比较
“变异 X 对蛋白质有什么影响？”	EnsemblVEP_annotate_hgvs	根据蛋白质坐标预测后果
“比对两条序列”	BLAST（成对比对）	快速成对比较并进行评分

阅读框选择策略

将 DNA 序列翻译为蛋白质时：

1. 不要猜测阅读框——首选：使用 DNA_translate_reading_frames 工具；备选：使用 translate_dna.py，它会自动尝试全部 3 个阅读框
2. 正确的阅读框是开放阅读框最长（没有提前终止密码子）的那个
3. 如果序列以 ATG 开头，阅读框 1 可能正确——但请验证
4. 如果全部 3 个阅读框都存在较早的终止密码子，该序列可能是：（a）非编码序列，（b）方向相反，或（c）包含测序错误。先尝试反向互补。

蛋白质结构域解读

询问蛋白质功能或结构时：

1. 先获取结构域架构：InterPro_get_entries_for_protein 会返回所有已注释结构域及其位置
2. 结构域家族可指示功能：激酶结构域 = 磷酸化活性；SH2 结构域 = 磷酸酪氨酸结合；锌指 = DNA 结合
3. 位于保守结构域中的变异比位于连接区中的变异更可能具有致病性
4. 查询数据库中的结构域边界——不要凭记忆估算位置

蛋白质特征问题的推理方法

当被问到“蛋白质 Z 的区域 Y 中有多少个 X 残基”时：

1. 确定正确的蛋白质——基因名称可能有歧义。GABAA 有许多亚基（GABRA1、GABRB2、GABRR1……）。仔细阅读问题，确认具体亚基。使用 proteins_api_search，以基因名称 + “human” 查找正确的登录号。

2. 查找区域边界——使用该登录号调用 proteins_api_get_features，获取已注释结构域（TRANSMEM、DOMAIN、REGION）。不要猜测位置——从数据库获取。

3. 统计区域中的残基——获取序列，提取区域并统计。为此编写 Python 代码——不要尝试手动统计。

   • 残基统计策略：python3 skills/tooluniverse-sequence-analysis/scripts/sequence_tools.py --type count_region --accession P24046 --start 318 --end 440 --residue C
   • 对于残基统计问题，务必使用脚本或 sequence[start:end].count('C')。不要估算或凭记忆统计。

4. 考虑多聚体——仔细阅读问题中是否提到“同源多聚体”“五聚体”“四聚体”或“二聚体”。如果问题询问同源受体（例如“同源 GABAAρ1”），则每个亚基都相同。统计一个亚基中的残基，然后相乘：

   • 同源五聚体（大多数配体门控离子通道，如 GABAA ρ1）：× 5
   • 同源四聚体（许多离子通道）：× 4
   • 同源二聚体：× 2 如果问题说“在 TM3-TM4 连接区结构域中”（复数），指的是该复合物所有亚基的总和。

捆绑计算脚本

**切勿手动统计残基、计算 GC% 或内联编写反向互补逻辑。**请改用这些脚本——它们经过测试，并能处理边缘情况。

biology_facts.py — 生物学事实查询

脚本：skills/tooluniverse-sequence-analysis/scripts/biology_facts.py

使用此脚本查询容易混淆的常见生物学事实，而不是依赖记忆。内容涵盖受体类型、离子通道化学计量、神经递质、免疫细胞标记物和基因命名混淆。

python3 skills/tooluniverse-sequence-analysis/scripts/biology_facts.py --type receptor --name "GABAA"
python3 skills/tooluniverse-sequence-analysis/scripts/biology_facts.py --type ion_channel --name "NMDA"
python3 skills/tooluniverse-sequence-analysis/scripts/biology_facts.py --type gene_confusion --name "GABRA1"
python3 skills/tooluniverse-sequence-analysis/scripts/biology_facts.py --type receptor  # list all entries

类型：receptor（化学计量、药理学）、ion_channel（亚基排列）、neurotransmitter（合成、受体）、immune_cell（标记物、谱系）、gene_confusion（容易混淆的基因，例如 GABRA1 与 GABRR1）。

必须使用：涉及受体类型／化学计量、免疫细胞标记物或基因名称消歧的任何问题。

amino_acids.py — 密码子表、氨基酸性质、摆动配对

脚本：skills/tooluniverse-sequence-analysis/scripts/amino_acids.py

涉及遗传密码、密码子简并性、氨基酸化学性质、密码子使用偏好或 tRNA 摆动配对的任何问题，都使用此脚本。所有输出均为 JSON。其中的密码子使用频率仅适用于人类（“人类密码子使用率 %”）——对于其他任何生物（例如，为 E. coli、酵母或 CHO 表达进行密码子优化），请改用 CodonUsage_get_table／CodonUsage_get_optimal_codons(taxid=...)，它们涵盖任何 NCBI taxid 生物。

python3 skills/tooluniverse-sequence-analysis/scripts/amino_acids.py --type codon_table
python3 skills/tooluniverse-sequence-analysis/scripts/amino_acids.py --type amino_acid --name "Cysteine"
python3 skills/tooluniverse-sequence-analysis/scripts/amino_acids.py --type amino_acid --code C
python3 skills/tooluniverse-sequence-analysis/scripts/amino_acids.py --type amino_acid --code TRP
python3 skills/tooluniverse-sequence-analysis/scripts/amino_acids.py --type amino_acid            # list all 20
python3 skills/tooluniverse-sequence-analysis/scripts/amino_acids.py --type count_codons --sequence "ATGCCCAAATTT..."
python3 skills/tooluniverse-sequence-analysis/scripts/amino_acids.py --type wobble --anticodon "GAU"
python3 skills/tooluniverse-sequence-analysis/scripts/amino_acids.py --type wobble --anticodon "IAU"

模式：

--type	返回内容	关键字段
codon_table	按氨基酸分组的全部 64 个密码子	简并性、密码子、人类密码子使用率 %、终止密码子名称、简并性分布（1／2／3／4／6）
amino_acid	一个或全部氨基酸的性质	名称、one_letter、three_letter、mw_da、pKa_side_chain、极性、charge_ph7、hydrophobicity_index（Kyte-Doolittle）、backbone_pKa、密码子、简并性、rare_codons_le15pct
count_codons	DNA 序列的密码子频率分析	带有氨基酸注释和人类使用频率的 codon_counts、amino_acid_composition、rare_codons_present
wobble	给定反密码子可识别的密码子	recognised_codons（RNA＋DNA 形式、氨基酸）、synonymous_only、摆动规则说明

使用时机（必须）：

• 任何关于有多少个密码子编码某种氨基酸（简并性）的问题
• 任何关于蛋白质表达优化中稀有与常见密码子的问题
• 任何关于 tRNA 反密码子识别／摆动碱基配对的问题
• 任何关于氨基酸物理化学性质（分子量、pKa、疏水性、极性、电荷）的问题
• 任何关于终止密码子名称（Amber／Ochre／Opal）的问题
• 手动说明密码子简并性之前——使用 codon_table 进行核实

摆动规则：I 与 U／C／A 配对（3 个密码子）；G 与 U／C 配对；U 与 A／G 配对；C 仅与 G 配对；A 仅与 U 配对（罕见）。使用 --type wobble --anticodon "GAU" 进行核实。

氨基酸查询：接受全名（--name "Cysteine"）、单字母代码（--code C）或三字母代码（--code CYS）。

密码子-反密码子配对推理（tRNA 问题的关键）

解答“这个 tRNA 能识别哪些密码子”或“哪个 tRNA 能读取这个密码子”时：

1. 反密码子按 3'->5' 方向书写，但通常按 5'->3' 方向列出。反密码子的第一个位置（5' 端）是摆动位置，与密码子的第三个位置（3' 端）配对。
2. 反密码子与密码子反向平行配对：反密码子 5'-X-Y-Z-3' 与密码子 3'-X'-Y'-Z'-5' 配对（即密码子 5'-Z'-Y'-X'-3'）。
3. 摆动位置配对规则（反密码子 5' 端的碱基 -> 可与之配对的密码子 3' 端碱基）：
   • C -> 仅 G（1 个密码子）
   • A -> 仅 U（1 个密码子；在细菌中罕见，在细胞线粒体中常见）
   • U -> A 或 G（2 个密码子）
   • G -> C 或 U（2 个密码子）
   • I（肌苷，由 A 脱氨形成）-> U、C 或 A（3 个密码子）
4. 最少 tRNA 集合：由于 I 可读取 3 个碱基，而 G/U 各可读取 2 个碱基，4 密码子家族（例如 GCN = Ala）只需要 2 种 tRNA：一种在摆动位置带有 I（可读取 4 个密码子中的 3 个），另一种在摆动位置带有 C 或 U（可读取剩余的 1–2 个）。
5. 始终使用脚本：使用 python3 skills/tooluniverse-sequence-analysis/scripts/amino_acids.py --type wobble --anticodon "IAU" 进行验证，不要依靠记忆推理。

---

translate_dna.py — DNA 到蛋白质的翻译

首选：使用 DNA_translate_reading_frames 工具（通过 MCP/SDK），并传入 sequence 参数。备用方案：直接运行 translate_dna.py。

python3 skills/tooluniverse-sequence-analysis/scripts/translate_dna.py "ATGCCC..."

尝试全部 3 个阅读框，并自动选取最长的 ORF。

sequence_tools.py — 残基计数、GC 含量、反向互补序列、统计信息

脚本：skills/tooluniverse-sequence-analysis/scripts/sequence_tools.py

首选：使用 ToolUniverse 工具（通过 MCP/SDK），而非脚本：

• Sequence_count_residues 工具 —— 统计序列或区域中的残基数。备用方案：sequence_tools.py --type count_residues 或 --type count_region
• Sequence_gc_content 工具 —— DNA 的 GC%。备用方案：sequence_tools.py --type gc_content
• Sequence_reverse_complement 工具 —— DNA 反向互补序列。备用方案：sequence_tools.py --type reverse_complement
• Sequence_stats 工具 —— 自动检测类型、长度和分子量。备用方案：sequence_tools.py --type stats

备用脚本模式（使用 --type）：

• count_residues：统计完整序列中的残基数。--sequence "ACDE..." --residue C
• count_region：统计区域中的残基数（起止位置均包含，按 1 开始计数）。--sequence "MAC..." --start 5 --end 20 --residue C 或 --accession P24046 --start 318 --end 440 --residue C（实时从 UniProt 获取序列）
• gc_content：DNA 的 GC%。--sequence "ATGCGATCG"
• reverse_complement：DNA 反向互补序列。--sequence "ATGCGATCG"
• stats：自动检测 DNA/RNA/蛋白质，并计算长度及蛋白质的分子量。--sequence "ATGCG..."

用户提供 UniProt 登录号和区域时，始终使用 count_region --accession，不要手动计数。

---

解读框架

序列质量评估

指标	高质量	可接受	注意
RefSeq 状态	NM_/NP_（人工整理）	XM_/XP_（预测）	无 RefSeq（仅 GenBank）
序列版本	最新版本（.N）	先前版本	已移除/替换
注释	已审核（UniProt Swiss-Prot）	未审核（TrEMBL）	无注释
基因符号	HGNC 批准	别名/同义词	仅有位点标签

综合问题

1. 这是正确的序列吗？（核实物种、基因符号、异构体）
2. 这是规范异构体吗？（RefSeq MANE Select 或 UniProt 规范序列）
3. 注释完善程度如何？（SwissProt > TrEMBL > GenBank 预测）
4. 是否存在已知变异？（此序列中的 ClinVar 致病变异）

---

答案格式（重要）

精简答案：如果问题问“是什么蛋白质”，只回答蛋白质名称。不要添加括号中的缩写、描述或限定语。例如，回答“Glucose-6-phosphate 1-dehydrogenase”，而不是“Glucose-6-phosphate 1-dehydrogenase (G6PD, EC 1.1.1.49)”。根据序列识别蛋白质时，使用 BLAST/UniProt，并准确报告数据库中的首选匹配名称，不要添加修饰。

肽与折叠体结构

• α-肽螺旋：α-螺旋（每圈 3.6 个残基，i→i+4 氢键）、3_10-螺旋（每圈 3 个残基，i→i+3）、π-螺旋（每圈 4.4 个残基，i→i+5）。
• β-肽螺旋：按氢键环的大小命名。14-螺旋（i→i+2，14 元环）、12-螺旋、10-螺旋、8-螺旋。
• β-氨基酸的环大小决定螺旋类型：4 元环约束 → 10-螺旋；5 元环（例如 ACPC）→ 12-螺旋；6 元环（例如 ACHC）→ 14-螺旋。无环 β3-残基默认形成 14-螺旋。
• 混合 α/β 折叠体（1:1 交替）：形成 11-螺旋（i→i+3，11 原子环）或 14/15-螺旋（i→i+4，14 原子环和 15 原子环交替）。较长的序列更倾向于形成 14/15-螺旋。
• 关键规则：螺旋名称中的数字 = 氢键环中的原子数。
• 环状 β-氨基酸（ACPC、ACHC）会约束主链扭转角，因此相比无环残基，更倾向于特定螺旋类型。

限制

• ensembl_get_sequence 基因 ID + 非基因组类型需要 multiple_sequences=true
• NCBIDatasets_get_orthologs 需要 NCBI Gene ID（而不是符号）；UniProt 仅返回规范异构体