解析Uniprot数据库数据|Python
一、数据库简介 【ChatGPT生成】
UniProt 是全球最全面的蛋白质序列和功能注释数据库之一，由 Swiss Institute of Bioinformatics (SIB)、European Bioinformatics Institute (EBI) 和 Protein Information Resource (PIR) 共同维护。UniProtKB 为生物科学研究提供了丰富的蛋白质相关信息，包括氨基酸序列、蛋白质功能、相互作用、蛋白质家族、结构信息、亚细胞定位、疾病关联、进化关系等。该数据库还引入了注释评分（Annotation Score），用于评估蛋白质注释的完备性和研究的深度，以帮助科研人员快速识别高质量数据。
据2025年UniProtKB | Statistics | UniProt的统计显示，该数据库已经收录了超过 2.5 亿个蛋白质序列，涵盖了生命的所有分支，包括细菌、古菌、真核生物，以及病毒等多个生物类别。在这些条目中，超过 57 万个蛋白质 拥有人工整理的详细注释，这些注释主要来源于实验研究和科学文献，由领域专家手动筛选和编辑，以确保高质量的可靠性。
UniProtKB 的两个子数据库
UniProtKB 由两个主要的子数据库组成，分别是 Swiss-Prot 和 TrEMBL，它们在数据质量和处理方式上有所不同：
-
Swiss-Prot（人工审核数据库）
- Swiss-Prot 包含经过专家人工审核的蛋白质条目，所有数据都经过严格的手动整理和实验验证。
- 这些蛋白质通常具有高质量的功能描述、相互作用信息、文献支持和交叉数据库链接，广泛用于生物医学研究、药物开发、蛋白质功能预测等领域。
- 由于人工审核的复杂性，该数据库的更新频率相对较低，但数据的准确性和可靠性极高，是研究中最常引用的部分。
-
TrEMBL（计算注释数据库）
- TrEMBL 包含基于基因组测序和自动分析生成的蛋白质条目，它的数据量远远大于 Swiss-Prot。
- 由于生物信息学工具和算法的不断进步，TrEMBL 采用自动化注释规则（如 InterPro、Pfam 等），为大量未经过实验验证的蛋白质提供预测功能和分类信息。
- 虽然 TrEMBL 数据库的更新频率高，覆盖范围广，但其自动注释可能存在一定的误差，因此在使用时需要谨慎验证。
二、下载人类数据
打开 UniProt 数据库网站，在首页点击 Search：
进入到数据库的统计页面，我们会看到Uniprot数据库有包含两个子数据库：Swiss-Prot和TrEMBL，依次点击①→②→③。
在Download页面，选择你想要下载的格式，其中Excel格式最方便，不用写代码解析，还可以选择你想要的列信息。下载之后是一个压缩包，开盖即可享用，非常友好，节省时间。
下载后的结果如下所示。从这个表格我们可以发现，从官网下载的Excel文件中UniprotID对应多个Gene Name，用空格分割。
那如果选择的是fasta格式的文本文件的话，就需要写代码解析，解析出来的UniprotID和GeneName是一对一的关系。
三、Python实现fasta解析
代码利用了Biopython包和正则表达式：
from Bio import SeqIO
import pandas as pd
import re
import os
fasta_file = 'uniprotkb_2025_02_13/uniprotkb_2025_02_13.fasta'
current_dir = 'uniprotkb_2025_02_13/fasta/'
os.makedirs(current_dir, exist_ok=True) # exist_ok=True 避免已存在时报错
print(f"目录已创建：{current_dir}")
# 定义正则表达式模式
pattern1 = r'\|(.*?)\|' # 匹配竖线之间的内容
pattern2 = r'GN=([^ ]+)' # 匹配以"GN="开头的内容
results = []
for record in SeqIO.parse(fasta_file, "fasta"):
sequence = record.seq
sequence_length = len(sequence)
header_info = record.description
EntryName = header_info.split()[0].split('|')[2]
Name = EntryName.split('_')[0]
# 提取竖线之间的内容
UniqueId = re.findall(pattern1, header_info)[0]
# 提取以'GN='开头的内容
gene_name = re.search(pattern2, header_info)
if gene_name:
GeneName = gene_name.group(1)
else:
GeneName = ''
results.append([UniqueId, EntryName, Name, GeneName, sequence, sequence_length])
with open(current_dir + UniqueId + ".fasta", "w") as output_handle:
output_handle.write(f">{UniqueId}\n")
output_handle.write(f"{sequence}\n")
col_names = ['UniprotID', 'EntryName','Name','GeneName','Sequence', 'Length']
prot_df = pd.DataFrame(results, columns=col_names)
prot_df.to_csv('uniprotkb_2025_02_13/fasta_information.csv', index=False)
print('Done!')
下载好/处理好的数据可在uniprotkb_2025_02_13下载。