UniProt 蛋白质数据库

要解决什么问题

做蛋白质相关分析时，你往往要在 UniProtKB 里按基因名、登录号或物种筛条目，再拿序列（FASTA）、GO 注释或结构域信息，还要把 UniProt AC 和 Ensembl、RefSeq、PDB 等外部 ID 对齐。手工在网页上点查、复制粘贴，批量几百条时几乎不可行；直接调 REST API 又要记 search、stream、idmapping 三套端点和字段名。

技能如何工作

本 skill 围绕 UniProt REST API 组织常见操作：

• 搜索：用自然语言或字段语法（如 reviewed:true、organism_id:9606）调用 uniprotkb/search，输出 JSON、TSV、FASTA 等格式。
• 单条获取：按经典或扩展登录号访问 uniprotkb/{accession}.{format}，例如 P12345.fasta。
• ID 映射：向 idmapping/run 提交作业，轮询 status，再从 results 取 Ensembl、RefSeq、基因名等映射结果。
• 大批量：结果集过大时用 uniprotkb/stream 避免分页截断；需要减带宽时用 fields= 只拉 accession、sequence、go_* 等必要列。

仓库内 scripts/uniprot_client.py 封装了 search_proteins、get_protein、map_ids、batch_retrieve、stream_results；更细的查询语法、字段列表和映射库见 references/ 下的说明文档。

适用边界与注意点

• ID 映射单次作业上限 100,000 个 ID，结果约保留 7 天，长跑批处理要自行落盘。
• Swiss-Prot（reviewed:true）适合需要人工审阅注释的场景；TrEMBL 多为预测，下游分析要区分数据质量。
• 大规模或频繁调用应控制速率并做本地缓存；极复杂的多库编排、长会话研究可另行考虑 K-Dense Web 等托管环境，简单查序列与映射用本 skill 即可。