uniprot-database

用途

UniProt Database 技能用于通过 REST API 直接访问 UniProt——全球领先的蛋白质序列与功能信息资源。它面向需要检索蛋白质条目、获取序列、进行标识符映射或访问蛋白质注释的场景，尤其适合与 Python 工作流配合使用。

主要能力

蛋白质搜索：支持自然语言查询和结构化搜索语法，可按蛋白质名称、基因名、登录号、序列长度、分类学、GO 术语等条件检索。搜索端点：https://rest.uniprot.org/uniprotkb/search?query={query}&format={format}，支持 JSON、TSV、Excel、XML、FASTA、RDF、TXT 等格式。
单条条目获取：按登录号获取特定蛋白质条目。登录号格式包括经典格式（如 P12345、Q1AAA9、O15530，6 位）和扩展格式（如 A0A022YWF9，10 位）。端点：https://rest.uniprot.org/uniprotkb/{accession}.{format}，例如 https://rest.uniprot.org/uniprotkb/P12345.fasta。
批量检索与 ID 映射：在不同数据库系统之间映射蛋白质标识符。映射流程为：提交任务到 https://rest.uniprot.org/idmapping/run，查询状态 https://rest.uniprot.org/idmapping/status/{jobId}，获取结果 https://rest.uniprot.org/idmapping/results/{jobId}。支持的映射数据库包括 UniProtKB AC/ID、基因名、Ensembl、RefSeq、EMBL、PDB、AlphaFoldDB、KEGG、GO 术语等。限制：每个任务最多 100,000 个 ID，结果保留 7 天。
流式获取大型结果集：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}，返回全部结果而不分页，适合下载完整数据集。
自定义返回字段：可指定需要检索的字段以提高传输效率。常用字段包括 accession、id、gene_names、organism_name、protein_name、sequence、length、go_、cc_、ft_* 等。示例：https://rest.uniprot.org/uniprotkb/search?query=insulin&fields=accession,gene_names,organism_name,length,sequence&format=tsv。

使用方式

技能提供 Python 辅助脚本 scripts/uniprot_client.py，实现以下函数：

search_proteins(query, format) - 使用任意查询搜索 UniProt
get_protein(accession, format) - 获取单条蛋白质条目
map_ids(ids, from_db, to_db) - 在标识符类型之间映射
batch_retrieve(accessions, format) - 批量获取多条条目
stream_results(query, format) - 流式获取大型结果集

也可使用替代 Python 包：Unipressed（现代、带类型的 UniProt REST API 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*

适用场景

按名称、基因符号、登录号或物种搜索蛋白质条目
以 FASTA 或其他格式获取蛋白质序列
在 UniProt 与外部数据库（Ensembl、RefSeq、PDB 等）之间映射标识符
访问蛋白质注释，包括 GO 术语、结构域和功能描述
高效批量获取多条蛋白质条目
查询已审核（Swiss-Prot）与未审核（TrEMBL）蛋白质数据
流式获取大型蛋白质数据集
使用字段特定搜索语法构建自定义查询

限制与最佳实践

ID 映射每个任务最多 100,000 个 ID，结果仅保留 7 天。
建议尽可能使用已审核条目：通过 reviewed:true 过滤 Swiss-Prot（人工审编）条目。
明确指定格式：序列用 FASTA，表格数据用 TSV，程序解析用 JSON。
使用字段选择：只请求所需字段以减少带宽和处理时间。
处理分页：大型结果集应实现正确分页或使用流式端点。
缓存结果：本地存储频繁访问的数据以减少 API 调用。
速率限制：尊重 API 资源，大批量操作应实现延迟。
检查数据质量：TrEMBL 条目为计算预测，Swiss-Prot 条目为人工审核。

资源

scripts/ 目录：uniprot_client.py - 包含搜索、获取、ID 映射和流式获取等常用操作的 Python 客户端。

references/ 目录：

api_fields.md - 用于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 - 全面的查询语法与高级示例
api_examples.md - 多语言代码示例（Python、curl、R）

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）

技能介绍

用途

主要能力

使用方式

适用场景

限制与最佳实践

资源