Uniprot Database

UniProt 数据库

概述

UniProt 是全球领先的蛋白质序列与功能信息综合资源。支持按名称、基因或登录号检索蛋白质，获取 FASTA 格式序列，执行跨数据库 ID 映射，通过 REST API 访问 Swiss-Prot/TrEMBL 注释信息进行蛋白质分析。

使用场景

适用于以下场景：

• 按名称、基因符号、登录号或物种检索蛋白质条目
• 获取 FASTA 或其他格式的蛋白质序列
• 在 UniProt 与外部数据库（Ensembl、RefSeq、PDB 等）之间进行标识符映射
• 访问蛋白质注释信息，包括 GO 术语、结构域和功能描述
• 高效批量获取多个蛋白质条目
• 查询已审核（Swiss-Prot）与未审核（TrEMBL）蛋白质数据
• 流式获取大规模蛋白质数据集
• 使用字段特定搜索语法构建自定义查询

核心功能

1. 蛋白质检索

使用自然语言查询或结构化搜索语法检索 UniProt。

常用搜索模式：

# 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}

支持格式： JSON、TSV、Excel、XML、FASTA、RDF、TXT

2. 获取单个蛋白质条目

通过登录号获取特定蛋白质条目。

登录号格式：

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

获取端点： https://rest.uniprot.org/uniprotkb/{accession}.{format}

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

3. 批量获取与 ID 映射

在不同数据库系统之间映射蛋白质标识符，高效获取多个条目。

ID 映射工作流：

1. 提交映射任务至：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}

支持的映射数据库：

• UniProtKB AC/ID
• Gene names
• Ensembl、RefSeq、EMBL
• PDB、AlphaFoldDB
• KEGG、GO terms
• 更多数据库详见 /references/id_mapping_databases.md

限制：

• 每次任务最多 100,000 个 ID
• 结果保留 7 天

4. 流式获取大规模结果集

对于超出分页限制的大型查询，使用流式端点：

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

流式端点返回所有结果，无分页限制，适合下载完整数据集。

5. 自定义检索字段

精确指定需要获取的字段，提升数据传输效率。

常用字段：

• accession - UniProt 登录号
• id - 条目名称
• gene_names - 基因名称
• organism_name - 物种名称
• 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

完整字段列表详见 /references/api_fields.md。

Python 实现

编程访问请使用提供的辅助脚本 scripts/uniprot_client.py，包含以下功能：

• search_proteins(query, format) - 使用任意查询检索 UniProt
• get_protein(accession, format) - 获取单个蛋白质条目
• map_ids(ids, from_db, to_db) - 在标识符类型之间进行映射
• batch_retrieve(accessions, format) - 批量获取多个条目
• stream_results(query, format) - 流式获取大规模结果集

替代 Python 包：

• Unipressed：现代、类型化的 UniProt REST API Python 客户端
• bioservices：综合生物信息学 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

字段特定搜索：

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*

完整语法文档详见 /references/query_syntax.md。

最佳实践

1. 优先使用已审核条目：使用 reviewed:true 筛选 Swiss-Prot（人工审核）条目
2. 明确指定格式：选择最适合的格式（FASTA 用于序列、TSV 用于表格数据、JSON 用于编程解析）
3. 使用字段筛选：仅请求所需字段，减少带宽和处理时间
4. 处理分页：对大型结果集实施分页或使用流式端点
5. 缓存结果：将常用数据本地存储，减少 API 调用次数
6. 速率限制：尊重 API 资源，大批量操作时加入延时
7. 检查数据质量：TrEMBL 条目为计算预测结果；Swiss-Prot 条目为人工审核结果

资源

scripts/

uniprot_client.py - Python 客户端，提供常用 UniProt 操作的辅助函数，包括检索、获取、ID 映射和流式传输。

references/

• api_fields.md - 自定义查询的完整可用字段列表
• id_mapping_databases.md - ID 映射操作支持的数据库
• query_syntax.md - 完整查询语法及高级示例
• api_examples.md - 多语言代码示例（Python、curl、R）

更多资源

• 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/（高级图查询）

限制

• 仅当任务明确匹配上述范围时使用本技能。
• 不可将输出视为环境特定验证、测试或专家评审的替代品。
• 若缺少必要输入、权限、安全边界或成功标准，请停下来请求澄清。