UniProt：蛋白信息检索的基础数据库

UniProt 是蛋白质序列与功能注释的权威数据库。做任何与蛋白相关的工作——结构预测、口袋分析、DTI 建模、抗体设计——第一步几乎都是从 UniProt 取序列和注释。它是整个蛋白信息生态的标识符枢纽。

两个子库的关键区别

子库	规模	注释方式	可靠性
Swiss-Prot	约 57 万条	人工审编	高，注释详尽可信
TrEMBL	逾 2.5 亿条	自动注释	覆盖广但未经审核

做人类蛋白相关工作，基本只需要 Swiss-Prot（人类蛋白约 2 万条，全部人工审编）。检索时加 reviewed:true 过滤，能避免大量自动注释的冗余条目。

检索语法

# REST API 检索
curl "https://rest.uniprot.org/uniprotkb/search?query=gene:EGFR+AND+organism_id:9606+AND+reviewed:true&format=json"

# 取单条 FASTA
curl "https://rest.uniprot.org/uniprotkb/P00533.fasta"

# 批量取序列
curl "https://rest.uniprot.org/uniprotkb/stream?query=organism_id:9606+AND+reviewed:true&format=fasta" -o human_proteome.fasta

# 只要特定字段（省流量、易处理）
curl "https://rest.uniprot.org/uniprotkb/search?query=accession:P00533&fields=accession,id,protein_name,ft_binding,ft_act_site,cc_subcellular_location,xref_pdb&format=tsv"

import requests

def get_protein(acc):
    r = requests.get(f"https://rest.uniprot.org/uniprotkb/{acc}.json")
    d = r.json()
    return {
        "accession": d["primaryAccession"],
        "name": d["proteinDescription"]["recommendedName"]["fullName"]["value"],
        "length": d["sequence"]["length"],
        "sequence": d["sequence"]["value"],
        "pdb": [x["id"] for x in d.get("uniProtKBCrossReferences", [])
                if x["database"] == "PDB"],
    }

p = get_protein("P00533")
print(p["name"], p["length"], "PDB 结构数:", len(p["pdb"]))

药物研发最该关注的注释字段

• Binding site / Active site：结合位点与催化残基的具体编号。做对接时用它确认口袋位置、验证结果是否落在正确位点。
• Domain / Region：结构域边界。做结构预测时按域切分，比直接预测全长更可靠。
• PTM（翻译后修饰）：磷酸化、糖基化位点。这些位点可能影响结合，也可能是设计的着眼点。
• Subcellular location：亚细胞定位。决定药物需要什么样的性质才能到达——胞内靶点需要膜通透性，分泌蛋白可用抗体。
• Isoform：可变剪接产生的不同蛋白形式。选错 isoform 会导致残基编号全错，这是很常见的踩坑点。
• Cross-references：到 PDB、AlphaFold DB、Pfam、Reactome、ChEMBL 等的链接，是打通各数据库的桥梁。
• Variant：已知的天然变异及其效应。

标识符映射

# UniProt 的 ID Mapping 服务，用于跨数据库转换
import requests, time

r = requests.post("https://rest.uniprot.org/idmapping/run",
                  data={"from": "Gene_Name", "to": "UniProtKB-Swiss-Prot",
                        "ids": "EGFR,BRAF,KRAS", "taxId": "9606"})
job_id = r.json()["jobId"]

while True:
    s = requests.get(f"https://rest.uniprot.org/idmapping/status/{job_id}").json()
    if s.get("results") or s.get("failedIds"):
        break
    time.sleep(2)
print(s["results"])

基因名、Ensembl ID、RefSeq、PDB、ChEMBL 之间的映射经常需要，这个服务是最可靠的途径——不要用手工维护的映射表，标识符变更比想象中频繁。

注意事项

• 规范序列 vs 全长：UniProt 给出「规范序列」（canonical），可能与某个特定 isoform 或 PDB 中的构建体不同。做残基编号对应时必须核对。
• 信号肽与前体：序列可能包含信号肽和前肽，成熟蛋白的编号不同。这在抗体与分泌蛋白工作中特别容易出错。
• 物种要指定：organism_id:9606 是人类。不指定会混入其他物种的同源蛋白。
• 版本记录：序列偶尔会修订，可复现的分析要记录 UniProt release 版本。

延伸资源

• 结构域注释：256《Pfam》、257《InterPro》；结构数据：236《PDB》、237《RCSB PDB》；
• 序列处理工具：210《Biopython》；蛋白语言模型：194《ESM》。