uniprot-database

UniProt 数据库

概述

UniProt 是全球领先的综合性蛋白质序列和功能信息资源。可按名称、基因或登录号搜索蛋白质，以 FASTA 格式检索序列，跨数据库进行 ID 映射，并通过 REST API 获取 Swiss-Prot/TrEMBL 注释以进行蛋白质分析。

适用场景

在以下情况下使用此技能：

• 按名称、基因符号、登录号或生物体搜索蛋白质条目
• 以 FASTA 或其他格式检索蛋白质序列
• 在 UniProt 与外部数据库（Ensembl、RefSeq、PDB 等）之间映射标识符
• 获取蛋白质注释，包括 GO 术语、结构域和功能描述
• 高效批量检索多个蛋白质条目
• 查询已审阅（Swiss-Prot）与未审阅（TrEMBL）蛋白质数据
• 流式传输大型蛋白质数据集
• 使用特定字段的搜索语法构建自定义查询

核心功能

1. 搜索蛋白质

使用自然语言查询或结构化搜索语法搜索 UniProt。

常见搜索模式：

# Search by protein name
query = "insulin AND organism_name:\"Homo sapiens\""

# Search by gene name
query = "gene:BRCA1 AND reviewed:true"

# Search by accession
query = "accession:P12345"

# Search by sequence length
query = "length:[100 TO 500]"

# Search by taxonomy
query = "taxonomy_id:9606"  # Human proteins

# Search by GO term
query = "go:0005515"  # Protein binding

使用 API 搜索端点：https://rest.uniprot.org/uniprotkb/search?query={query}&format={format}

**支持的格式：**JSON、TSV、Excel、XML、FASTA、RDF、TXT

2. 检索单个蛋白质条目

按登录号检索特定蛋白质条目。

登录号格式：

• 经典格式：P12345、Q1AAA9、O15530（6 个字符：字母 + 5 个字母数字字符）
• 扩展格式：A0A022YWF9（较新条目使用 10 个字符）

检索端点：https://rest.uniprot.org/uniprotkb/{accession}.{format}

示例：https://rest.uniprot.org/uniprotkb/P12345.fasta

3. 批量检索和 ID 映射

在不同数据库系统之间映射蛋白质标识符，并高效检索多个条目。

ID 映射工作流：

1. 向以下地址提交映射任务：https://rest.uniprot.org/idmapping/run
2. 检查任务状态：https://rest.uniprot.org/idmapping/status/{jobId}
3. 获取结果：https://rest.uniprot.org/idmapping/results/{jobId}

支持映射的数据库：

• UniProtKB AC/ID
• 基因名称
• Ensembl、RefSeq、EMBL
• PDB、AlphaFoldDB
• KEGG、GO 术语
• 以及更多（参见 /references/id_mapping_databases.md）

限制：

• 每个任务最多 100,000 个 ID
• 结果保留 7 天

4. 流式传输大型结果集

对于超出分页限制的大型查询，请使用流式传输端点：

https://rest.uniprot.org/uniprotkb/stream?query={query}&format={format}

流式传输端点会返回所有结果，不进行分页，适合下载完整数据集。

5. 自定义检索字段

指定要检索的确切字段，以高效传输数据。

常见字段：

• accession - UniProt 登录号
• id - 条目名称
• gene_names - 基因名称
• organism_name - 生物体
• protein_name - 蛋白质名称
• sequence - 氨基酸序列
• length - 序列长度
• go_* - 基因本体注释
• cc_* - 注释字段（功能、相互作用等）
• ft_* - 特征注释（结构域、位点等）

示例：https://rest.uniprot.org/uniprotkb/search?query=insulin&fields=accession,gene_names,organism_name,length,sequence&format=tsv

完整字段列表请参见 /references/api_fields.md。

Python 实现

如需通过程序访问，请使用提供的辅助脚本 scripts/uniprot_client.py，其中实现了：

• search_proteins(query, format) - 使用任意查询搜索 UniProt
• get_protein(accession, format) - 检索单个蛋白质条目
• map_ids(ids, from_db, to_db) - 在不同标识符类型之间进行映射
• batch_retrieve(accessions, format) - 检索多个条目
• stream_results(query, format) - 流式传输大型结果集

其他 Python 软件包：

• Unipressed：用于 UniProt REST API 的现代化、带类型的 Python 客户端
• bioservices：功能全面的生物信息学 Web 服务客户端

查询语法示例

布尔运算符：

kinase AND organism_name:human
(diabetes OR insulin) AND reviewed:true
cancer NOT lung

特定字段搜索：

gene:BRCA1
accession:P12345
organism_id:9606
taxonomy_name:"Homo sapiens"
annotation:(type:signal)

范围查询：

length:[100 TO 500]
mass:[50000 TO 100000]

通配符：

gene:BRCA*
protein_name:kinase*

请参阅 /references/query_syntax.md，了解完整的语法文档。

最佳实践

1. 尽可能使用经过审核的条目：使用 reviewed:true 筛选 Swiss-Prot（人工整理）条目
2. 明确指定格式：选择最合适的格式（序列使用 FASTA，表格数据使用 TSV，程序化解析使用 JSON）
3. 选择字段：只请求所需字段，以减少带宽占用和处理时间
4. 处理分页：对于大型结果集，请实现适当的分页，或使用流式端点
5. 缓存结果：在本地存储经常访问的数据，以尽量减少 API 调用
6. 注意速率限制：请合理使用 API 资源；对于大型批量操作，请加入延迟
7. 检查数据质量：TrEMBL 条目是计算预测结果；Swiss-Prot 条目经过人工审核

资源

scripts/

uniprot_client.py - Python 客户端，包含用于常见 UniProt 操作的辅助函数，包括搜索、检索、ID 映射和流式处理。

references/

• api_fields.md - 可用于自定义查询的字段完整列表
• id_mapping_databases.md - ID 映射操作支持的数据库
• query_syntax.md - 包含高级示例的完整查询语法
• api_examples.md - 多种语言（Python、curl、R）的代码示例

其他资源

• API 文档：https://www.uniprot.org/help/api
• 交互式 API 浏览器：https://www.uniprot.org/api-documentation
• REST 教程：https://www.uniprot.org/help/uniprot_rest_tutorial
• 查询语法帮助：https://www.uniprot.org/help/query-fields
• SPARQL 端点：https://sparql.uniprot.org/（用于高级图查询）