gget 生物信息学工具包

要解决什么问题

做基因组与转录组分析时，数据散落在 Ensembl、NCBI、UniProt、ARCHS4、OpenTargets 等十余个平台：接口各异、返回格式不统一，脚本里往往要为每个库单独写适配层。gget 把 20+ 个常用数据库与分析流程 收敛到同一套 CLI 与 Python API，默认输出 JSON/DataFrame，便于在 notebook 或流水线里串联。

核心能力与用法

模块大致分六类，可按任务组合：

• 参考与基因信息：gget ref 拉取 Ensembl 参考基因组；search / info / seq 完成基因定位、元数据与 FASTA 序列。
• 序列分析：blast、blat、muscle、diamond 覆盖远程 BLAST、基因组定位、多序列比对与本地蛋白比对。
• 结构与蛋白：pdb、alphafold（需 gget setup）、elm 查询结构或做基序预测。
• 表达与疾病：archs4、cellxgene、enrichr、bgee、opentargets、cbio、cosmic 等对接组织表达、单细胞 Census、富集与靶点关联。
• 病毒与小鼠：virus 从 NCBI Virus 批量拉序列（务必加过滤条件）；8cube 查小鼠品系/组织特异性指标。
• 附加：mutate 把突变注释应用到序列；部分模块依赖 gget setup 预装第三方包或模型权重。

跨模块习惯：CLI 用 -o 落盘、-csv 换格式；Python 参数名通常对应长选项（如 census_version）。文档针对 gget 0.30.5；上游库结构变更时需对照发布说明并固定版本以保证可复现。

边界与注意点

• gget info 单次约 1000 个 Ensembl ID 上限；大规模查询应分批并自行限速。
• alphafold、cellxgene、elm、gpt 首次使用前需 gget setup；AlphaFold 会下载约 4GB 参数。
• COSMIC 商业使用需许可，凭据勿写在命令行；OpenAI 模块需 API Key，同样避免硬编码。
• gget virus 在无限制性过滤器时勿滥用 --download_all_accessions，否则可能触发海量下载。
• OpenTargets 在 0.30.5 已对齐较新 API，列名与旧版 skill 示例可能不一致，写过滤器前先看返回字段。