Brenda Enzyme Database

何时使用

当你需要在 BRENDA（BRaunschweig ENzyme DAtabase：8 万+ 酶条目、覆盖全部 EC 号、700 万+ 实测动力学参数）中检索酶的动力学与功能数据时使用本技能。典型场景：

• 取某酶+底物组合的 Km / kcat / Vmax / Ki（米氏常数、转换数、抑制常数）
• 跨物种或跨突变体比较同一酶的动力学参数
• 查某 EC 号的天然底物-产物、抑制剂、辅因子
• 为代谢动力学模型提取米氏-门顿参数
• 查酶的最适 pH / 最适温度
• 把 EC 号交叉到 UniProt 登录号与物种分类

不该用本技能的边界：

• 做约束式代谢网络（FBA）建模 → 用 cobrapy-metabolic-modeling
• 查代谢物 / 底物的化学结构与生物背景 → 用 hmdb-metabolome-database
• 仅按通路上下文关联 EC → 用 kegg-database

注意 BRENDA 是 SOAP 而非 REST：必须用 zeep 解析 WSDL，密码须传 SHA256 散列（非明文），且需在官网免费学术注册后才能调用。

步骤 / 指令

1. 准备环境：pip install zeep pandas requests；到 https://www.brenda-enzymes.org/register.php 免费注册（学术）获取账号。

2. 建客户端 + 算密码散列（密码须 hexdigest()，不是 digest()）：

   from zeep import Client
   import hashlib
   WSDL = "https://www.brenda-enzymes.org/soap/brenda_zeep.wsdl"
   client = Client(WSDL)
   EMAIL = "your@email.com"
   PWD = hashlib.sha256("your_password".encode()).hexdigest()
   

   生产中用环境变量 os.environ["BRENDA_EMAIL"] / ["BRENDA_PASSWORD"]，勿硬编码。

3. 拼参数调方法。每个服务方法签名固定为 9 个位置参数：(EMAIL, PWD, 过滤1, 过滤2, …, "")，过滤器是管道分隔的 字段*值 串，空位留 ""。核心方法：

   方法	返回	关键结果字段
   getKmValue	Km 记录	kmValue、kmValueMaximum、substrate、organism、literature(PMID)
   getTurnoverNumber	kcat 记录(1/s)	turnoverNumber、substrate、organism
   getSubstrates	底物-产物	substrate、organism
   getInhibitors	抑制剂	inhibitor、organism、ic50Value
   getPhOptimum / getTemperatureOptimum	最适 pH / 温度(°C)	phOptimum / temperatureOptimum
   getUniprotAccession	UniProt 交叉	uniprotAccessionNumber、organism
   getEcNumber	名称→EC 号	ecNumber、recommendedName

4. 常用过滤字段：ecNumber*1.1.1.27（必填，X.X.X.X 带点）、substrate*pyruvate、organism*Homo sapiens、commentary*<文本>、recommendedName*lactate dehydrogenase（配 getEcNumber 反查 EC）。

5. 批量加节流：SOAP 服务较慢，循环里加 time.sleep(0.5~1) 防超时；多结果聚合用中位数+IQR（同底物多文献常跨一个数量级），按物种过滤避免参数混杂。

示例

快速上手 — 取 LDH+丙酮酸 的 Km：

ec = "1.1.1.27"  # 乳酸脱氢酶
params = (EMAIL, PWD, f"ecNumber*{ec}", "substrate*pyruvate", "", "", "", "", "")
result = client.service.getKmValue(*params)
print(f"Km 记录数: {len(result)}")
for r in result[:3]:
    print(f"  Km={r.kmValue} {r.kmValueMaximum or ''} mM | {r.organism} | PMID:{r.literature}")

按物种过滤 + kcat / 抑制剂 / 最适条件：

# 人源 GAPDH 的 Km（物种过滤放第 5 位）
hp = (EMAIL, PWD, "ecNumber*1.2.1.12", "", "organism*Homo sapiens", "", "", "", "")
human_km = client.service.getKmValue(*hp)

# LDH 的 kcat（1/s）
kc = client.service.getTurnoverNumber(EMAIL, PWD, "ecNumber*1.1.1.27", "", "", "", "", "", "")

# 碳酸酐酶(4.2.1.1)的抑制剂
inh = client.service.getInhibitors(EMAIL, PWD, "ecNumber*4.2.1.1", "", "", "", "", "", "")
names = list({r.inhibitor for r in inh if r.inhibitor})

# 胰蛋白酶(3.4.21.4)最适 pH / 温度
ph = client.service.getPhOptimum(EMAIL, PWD, "ecNumber*3.4.21.4", "", "", "", "", "", "")
tp = client.service.getTemperatureOptimum(EMAIL, PWD, "ecNumber*3.4.21.4", "", "", "", "", "", "")

工作流 — 为代谢建模批量提取 Km/kcat 中位数：

import pandas as pd, time
enzymes = {"Hexokinase":"2.7.1.1", "PGI":"5.3.1.9",
           "PFK":"2.7.1.11", "Aldolase":"4.1.2.13"}
rows = []
for name, ec in enzymes.items():
    p = (EMAIL, PWD, f"ecNumber*{ec}", "", "organism*Homo sapiens", "", "", "", "")
    try:
        km = [r.kmValue for r in client.service.getKmValue(*p) if r.kmValue]
        kcat = [r.turnoverNumber for r in client.service.getTurnoverNumber(*p) if r.turnoverNumber]
        rows.append({"enzyme":name, "ec":ec,
            "km_median_mM": pd.Series(km).median() if km else None,
            "kcat_median_1_s": pd.Series(kcat).median() if kcat else None})
    except Exception as e:
        rows.append({"enzyme":name, "ec":ec, "error":str(e)})
    time.sleep(0.5)
pd.DataFrame(rows).to_csv("glycolysis_kinetics.csv", index=False)

催化效率 kcat/Km（注意单位：Km 由 mM 换算到 M）：

km_median, kcat_median = 0.1, 500          # mM, 1/s（示例）
efficiency = kcat_median / (km_median * 1e-3)  # M^-1 s^-1
print(f"kcat/Km = {efficiency:.2e} M^-1 s^-1")  # 扩散极限 ≈ 1e8–1e9

名称反查 EC：

p = (EMAIL, PWD, "recommendedName*lactate dehydrogenase", "", "", "", "", "", "")
for r in client.service.getEcNumber(*p)[:5]:
    print(f"EC {r.ecNumber}: {r.recommendedName}")

注意事项

• 密码必须 SHA256 散列且用 hexdigest()：用 hashlib.sha256(pwd.encode()).hexdigest()；误用 digest() 或明文会触发 zeep.exceptions.Fault: Authentication failed。
• EC 号格式 X.X.X.X 带点：返回空列表时先核对格式，并先去掉 substrate* 过滤试一次（底物名拼写常导致 0 结果）。
• 参数是 9 元位置参数：过滤器按 字段*值 拼，空位留 ""；物种过滤通常占第 5 位（见示例），错位会查不到。
• 结果字段可能缺失：用 getattr(r, "field", None) 安全取值，避免 AttributeError。
• 超时与慢响应：热门酶（数据巨大）务必加 organism*/substrate* 过滤缩小结果集；可设 zeep transport timeout；TransportError 多为网络/VPN 问题，30 秒后重试。
• 跨物种参数差异大：建模时必须按目标物种过滤（如 organism*Homo sapiens）。
• 多文献聚合用中位数+IQR：同一底物的实测值常跨一个数量级，勿用均值。
• EC 一级分类：1 氧化还原酶、2 转移酶、3 水解酶、4 裂合酶、5 异构酶、6 连接酶、7 转位酶。

互见

• requires：无（仅需 zeep/账号）
• related：kegg-database —— 经 EC 号关联通路上下文；uniprot-protein-database —— 酶的序列/结构；hmdb-metabolome-database —— 底物/代谢物结构
• combines_with：cobrapy-metabolic-modeling —— 把 BRENDA 的 Km/Vmax 作动力学约束做代谢建模

参考：BRENDA 官网 https://www.brenda-enzymes.org/ ｜ SOAP API 文档 https://www.brenda-enzymes.org/soap.php ｜ zeep https://docs.python-zeep.org/ ｜ Chang et al. (2021) NAR https://doi.org/10.1093/nar/gkaa1025

采编自 jaechang-hits/SciAgent-Skills（CC-BY-4.0）。