【发布时间】：2018-09-29 15:04:03
【问题描述】：
我想知道是否有办法从 uniprot 蛋白质 ID 中获取蛋白质序列。我确实检查了一些在线软件，但它们允许一次获取一个序列，但我有 5536 个 vlues。 biopython中是否有任何软件包可以做到这一点？
【问题讨论】：
标签： python bioinformatics biopython
【发布时间】：2018-09-29 15:04:03
【问题描述】：
uniprot 的所有序列都可以从“http://www.uniprot.org/uniprot/”+ UniprotID +.fasta 访问。您可以使用
获得任何序列import requests as r
from Bio import SeqIO
from io import StringIO
cID='P04637'
baseUrl="http://www.uniprot.org/uniprot/"
currentUrl=baseUrl+cID+".fasta"
response = r.post(currentUrl)
cData=''.join(response.text)
Seq=StringIO(cData)
pSeq=list(SeqIO.parse(Seq,'fasta'))
cID 可以是一个列表或单个条目，如果您循环通过一个错误列表，只需在下载之间添加延迟，尽量不要使服务器饱和。希望对你有帮助
【讨论】：
在 Python 中从 UniProt 获取许多序列的最快和最简单的方法之一是使用 pyfaidx 包。它是一个简单但经过良好测试的工具，建立在 SAMtools 的著名算法之上。它也可被学术出版物引用。
只需从 https://www.uniprot.org/downloads 下载包含所有序列（或仅选择的子集）的 fasta 文件，如果需要解压缩文件，安装 pyfadix（例如使用 pip install pyfaidx --user 或 bioconda）并使用 Fasta 构造函数加载序列：
from pyfaidx import Fasta
sequences = Fasta('uniprot_sprot.fasta')
第一次加载可能需要一段时间，但之后所有操作都会非常快。现在sequences 是一个类似字典的对象，所以你可以访问你需要的条目：
p53 = sequences['sp|P04637|P53_HUMAN']
print(p53)
显示顺序：
MEEPQSDPSVEPPLSQETFSDLWKLLPENNVLSPLPSQAMDDLMLSPDDIEQWFTEDPGPDEAPRMPEAAPPVAPAPAAPTPAAPAPAPSWPLSSSVPSQKTYQGSYGFRLGFLHSGTAKSVTCTYSPALNKMFCQLAKTCPVQLWVDSTPPPGTRVRAMAIYKQSQHMTEVVRRCPHHERCSDSDGLAPPQHLIRVEGNLRVEYLDDRNTFRHSVVVPYEPPEVGSDCTTIHYNYMCNSSCMGGMNRRPILTIITLEDSSGNLLGRNSFEVRVCACPGRDRRTEEENLRKKGEPHHELPPGSTKRALPNNTSSSPQPKKKPLDGEYFTLQIRGRERFEMFRELNEALELKDAQAGKEPGGSRAHSSHLKSKKGQSTSRHKKLMFKTEGPDSD
然而，这个序列对象不仅仅是一个字符串——它提供了许多方便的实用函数和属性（long_name、unpadded_len、带有 start、end、complement() 和 reverse() 的切片等等 - 请参阅文档了解更多信息）。
如果您想通过 UniprotID 而不是 fasta 文件中的完整标识符访问序列，请使用：
def extract_id(header):
return header.split('|')[1]
sequences = Fasta('uniprot_sprot.fasta', key_function=extract_id)
print(sequences['P04637'])
附言。只有一个警告 - 注意基于 1 的索引。
【讨论】：
您可能可以迭代您的值列表，每次都从库中调用所需的方法。
【讨论】：
-
我不知道有任何图书馆。我还在寻找一个。这就是我发帖寻求帮助的原因。
-
如果您可以向在线应用程序发出 HTTP/REST/SOAP 请求以获取有关某个特定项目所需的信息，您可以制作一个 Python 脚本来迭代您拥有的每个数据片段，发送它到那个端点。我不知道您的特定问题，但它们是 Web 应用程序，它们很可能通过接受一些 POST 或 GET 请求来工作。只需在迭代数据集时从 python 中创建它，然后存储结果。如果您对所讨论的应用程序有更多信息，我们可能会提供更多帮助。
尝试下面的代码获取查询参数中提供的所有蛋白质序列
import urllib,urllib2
url = 'https://www.uniprot.org/uploadlists/'
params = {
'from':'ACC+ID',
'to':'ACC',
'format':'txt',
'query':'P13368 P20806 Q9UM73 P97793 Q17192'
}
data = urllib.urlencode(params)
request = urllib2.Request(url, data)
contact = "" # contact email address debug
request.add_header('User-Agent', 'Python %s' % contact)
response = urllib2.urlopen(request)
page = response.read()
print page
【讨论】：
您可以从 SwissProt/UniProt 数据库中获取序列，也可以从 NCBI Entrez 服务器获取序列。从 NCBI Entrez 获取文件并读取序列的一种方法是 Python 包biotite：
>>> import biotite.database.entrez as entrez
>>> import biotite.sequence as seq
>>> import biotite.sequence.io.fasta as fasta
>>> # Find UIDs for SwissProt/UniProt entries
>>> query = entrez.SimpleQuery("Avidin", "Protein Name") \
... & entrez.SimpleQuery("Gallus gallus", "Organism") \
... & entrez.SimpleQuery("srcdb_swiss-prot", "Properties")
>>> print(query)
((Avidin[Protein Name]) AND ("Gallus gallus"[Organism])) AND (srcdb_swiss-prot[Properties])
>>> uids = entrez.search(query, db_name="protein")
>>> print(uids)
['158515411']
>>> # Download FASTA file containing the sequence(s)
>>> # from NCBI Entrez database
>>> file_name = entrez.fetch_single_file(
... uids, "avidin.fa", db_name="protein", ret_type="fasta"
... )
>>> # Read file
>>> fasta_file = fasta.FastaFile()
>>> fasta_file.read(file_name)
>>> print(fasta_file)
>sp|P02701.3|AVID_CHICK RecName: Full=Avidin; Flags: Precursor
MVHATSPLLLLLLLSLALVAPGLSARKCSLTGKWTNDLGSNMTIGAVNSRGEFTGTYITAVTATSNEIKE
SPLHGTQNTINKRTQPTFGFTVNWKFSESTTVFTGQCFIDRNGKEVLKTMWLLRSSVNDIGDDWKATRVG
INIFTRLRTQKE
>>> # Convert first sequence in file to 'ProteinSequence' object
>>> seq = fasta.get_sequence(fasta_file)
>>> print(seq)
MVHATSPLLLLLLLSLALVAPGLSARKCSLTGKWTNDLGSNMTIGAVNSRGEFTGTYITAVTATSNEIKESPLHGTQNTINKRTQPTFGFTVNWKFSESTTVFTGQCFIDRNGKEVLKTMWLLRSSVNDIGDDWKATRVGINIFTRLRTQKE
【讨论】：