Uniprot Protein Database

何时使用

适用：

• 按基因名、accession、物种或功能关键词检索蛋白。
• 以 FASTA 取序，供下游比对/嵌入/建模。
• 在 UniProt 与 Ensembl / PDB / RefSeq / KEGG 之间互转 ID。
• 读取注释：GO 条目、结构域、翻译后修饰（PTM）、亚细胞定位、功能描述。
• 批量取多条目做比较分析，或下载某物种全部「已审阅（Swiss-Prot）」数据集。

不该用（负边界）：

• 取蛋白 3D 结构 → 用 alphafold-database-access 或 pdb-database。
• 一站式访问 40+ 数据库 → 用 bioservices。
• 仅做快速跨库基因/蛋白查找 → 可用 gget-genomic-databases。

关键概念：Swiss-Prot 条目为人工审编（高置信），TrEMBL 为算法预测；要高质量注释务必加 reviewed:true。

步骤

1. 装依赖：pip install requests pandas。
2. 选端点：单查/小结果用 /uniprotkb/search（带 size 与 Link 头分页）；大结果（>1万）用 /uniprotkb/stream（无需翻页）。
3. 写查询：用 UniProt 查询语法组合布尔与字段过滤，总是加 organism_id 与 reviewed:true 收窄范围。
4. 选输出：表格分析用 format=tsv + fields=...（比全量 JSON 更快更易解析）。
5. 取序/取条目：按 accession 命中 /uniprotkb/{acc} 或 /uniprotkb/{acc}.fasta。
6. ID 映射：/idmapping/run 提交异步任务 → 轮询 /status/{jobId} → 取 /results/{jobId}。
7. 批量请求间加 time.sleep(0.5) 限速；单 ID 映射任务上限 10 万 ID。

指令

检索（TSV + 指定字段）：

import requests
BASE = "https://rest.uniprot.org/uniprotkb/search"

def search_uniprot(query, fields=None, fmt="json", size=25):
    params = {"query": query, "format": fmt, "size": size}
    if fields:
        params["fields"] = ",".join(fields)
    r = requests.get(BASE, params=params); r.raise_for_status()
    return r.json() if fmt == "json" else r.text

查询语法要点：

kinase AND organism_id:9606            # 人类激酶
(diabetes OR insulin) AND reviewed:true
cancer NOT lung
gene:BRCA1   accession:P12345   go:0005515
length:[100 TO 500]   mass:[50000 TO 100000]
gene:BRCA*                             # 通配

取单条目 / FASTA：

def get_protein(acc, fmt="json"):
    url = f"https://rest.uniprot.org/uniprotkb/{acc}"
    r = requests.get(url, headers={"Accept": f"application/{fmt}"}); r.raise_for_status()
    return r.json() if fmt == "json" else r.text

fasta = requests.get("https://rest.uniprot.org/uniprotkb/P01308.fasta").text

ID 映射（异步任务）：

import requests, time
def map_ids(ids, from_db, to_db):
    r = requests.post("https://rest.uniprot.org/idmapping/run",
                      data={"from": from_db, "to": to_db, "ids": ",".join(ids)})
    r.raise_for_status(); job = r.json()["jobId"]
    while True:
        s = requests.get(f"https://rest.uniprot.org/idmapping/status/{job}").json()
        if "results" in s or "failedIds" in s: break
        time.sleep(1)
    return requests.get(f"https://rest.uniprot.org/idmapping/results/{job}").json()
# 常用库代码：UniProtKB_AC-ID, Ensembl, RefSeq_Protein, PDB, Gene_Name, GeneID, KEGG

游标分页（跟 Link 头取下一页）：

url = "https://rest.uniprot.org/uniprotkb/search"
while url:
    resp = requests.get(url, params=params); resp.raise_for_status()
    params = {}  # 游标已嵌入下一页 URL
    link = resp.headers.get("Link", "")
    url = link.split("<")[1].split(">")[0] if "<" in link else None

常用字段组：序列 accession,sequence,length,mass；命名 gene_names,protein_name,organism_name；GO go_p(过程)/go_f(功能)/go_c(组分)；特征 ft_domain,ft_binding,ft_act_site,ft_mod_res；注释 cc_function,cc_interaction,cc_subcellular_location。

关键参数：query/format(json|tsv|fasta|xml|gff)/fields/size(1–500，默认25)/from,to(映射库代码)/reviewed:true/organism_id(NCBI 物种 ID，人=9606)。

示例

下载人类激酶为 DataFrame（流式）：

import requests, pandas as pd
from io import StringIO
params = {"query": "ec:2.7.* AND organism_id:9606 AND reviewed:true",
          "format": "tsv", "fields": "accession,gene_names,protein_name,length,go_f"}
resp = requests.get("https://rest.uniprot.org/uniprotkb/stream", params=params)
df = pd.read_csv(StringIO(resp.text), sep="\t")
print(f"人类激酶(Swiss-Prot): {len(df)}")

为一组基因提取 GO 注释：

genes = ["BRCA1", "BRCA2", "TP53", "ATM", "CHEK2"]
query = " OR ".join(f"gene:{g}" for g in genes) + " AND organism_id:9606 AND reviewed:true"
params = {"query": query, "format": "tsv", "fields": "accession,gene_names,go_p,go_f,go_c"}
resp = requests.get("https://rest.uniprot.org/uniprotkb/search", params=params)
df = pd.read_csv(StringIO(resp.text), sep="\t")

快速校验（人类胰岛素，Swiss-Prot）：

params = {"query": "insulin AND organism_id:9606 AND reviewed:true", "format": "tsv",
          "fields": "accession,gene_names,protein_name,length"}
print(requests.get("https://rest.uniprot.org/uniprotkb/search", params=params).text[:500])
# accession  gene_names  protein_name  length
# P01308     INS         Insulin       110

注意事项

• 优先 reviewed:true：拿人工审编的高置信注释；TrEMBL 条目常缺基因名等注释。
• 表格分析用 TSV + fields，避免拉全量 JSON。
• 大批量下载用 /stream，免去多页迭代与漏条目。
• 批量请求间 time.sleep(0.5)，避免 429 Too Many Requests。
• 本地缓存：UniProt 每月更新，按需重取即可。
• 反模式：不加 organism_id 的宽查询（如 gene:INS）会跨物种返回上千条——务必按物种过滤。
• 排错速查：400 多为查询语法/括号/字段名错；ID 映射返空多为库代码写错（用 UniProtKB_AC-ID 而非裸 UniProtKB）；分页漏条目改用 /stream。

互见

• biopython-molecular-biology — 解析 UniProt 返回的 FASTA、用取得序列跑 BLAST。
• alphafold-database-access — 用 UniProt accession 取预测 3D 结构。
• pdb-database — 实验结构。
• esm-protein-language-model — 由序列生成蛋白嵌入。
• bioservices — 一站式访问 40+ 数据库。
• gget-genomic-databases — 跨库快速基因/蛋白查找。

参考：UniProt REST API 文档 https://www.uniprot.org/help/api ；查询语法 https://www.uniprot.org/help/query-fields ；UniProt Consortium (2023), NAR, doi:10.1093/nar/gkac1052。

采编自 jaechang-hits/SciAgent-Skills（CC-BY-4.0），适配重写自 proteomics-protein-engineering/uniprot-protein-database/SKILL.md。