【发布时间】：2013-11-27 12:27:38
【问题描述】：
我正在尝试从特定生物项目的 NCBI 数据库中检索编码蛋白序列。这可以使用网络浏览器以某种方式实现。例如，您可以找到您感兴趣的特定生物项目并“点击”相关蛋白质： http://www.ncbi.nlm.nih.gov/genome/proteins/994?project_id=207383 让您可以看到来自 BioProject "207383" 和 Genome "994" 的所有蛋白质。我想使用 python 自动获取这些蛋白质序列。
为了做到这一点，我使用了 NCBI 的“E-utilities”。主要是“elink.fcgi?”它允许从数据库的特定 UID（比如说 BioProject UID）链接获取数据库的所有 UID（比如说“蛋白质”）。所以这是我的 entrez URL 请求：
http://eutils.ncbi.nlm.nih.gov/entrez/eutils/elink.fcgi?dbfrom=bioproject&linkname=bioproject_protein&id=207383
然后我获得了一个蛋白质 UID 列表，这很好，因为我需要这些，用于我的下一个 efetch.fcgi 请求？ “电子公用事业”。然后这个请求将允许我得到我需要的一切。
好的，一切都很好，一切正常，但是，我从“elink.fcgi”中获得的蛋白质 UID 的数量？请求与基于手动网络浏览器的搜索显示的蛋白质数量不同。更糟糕的是，在询问这些问题的根源时，您会看到缺失的序列或更高分类群的序列（它们也与 BioProject 没有任何联系）。
这是一个例子：这篇文章的第一个链接显示了一些 4014 序列，当 python 请求得到我 3957 蛋白质 UID。
我尝试了一些其他方法，例如从分类 UID 中获取所有蛋白质 UID。这通常会给你比想要的更多的序列，因为有不同的生物项目（也给你一些具有不同名称和相同 Fasta 的双打）。
有没有办法做到这一点，一种可行的方法？
【问题讨论】：
标签： python ncbi protein-database