如何批量获取蛋白质序列的所有结构域（domain）数据-2

纪伊路上盛名在2025-10-26 17:33

文章目录

本篇是系列2，系列1也就是上一篇文章，参考链接：https://blog.csdn.net/weixin_62528784/article/details/153889499?sharetype=blogdetail&sharerId=153889499&sharerefer=PC&sharesource=weixin_62528784&spm=1011.2480.3001.8118

二，结构域数据库的API接口：InterPro为例

正如上一个section所述，我们不好从unirprot这种综合性数据库去获取注释（当然，你当然可以只用uniprot数据库，实际使用或者写文献都可以，只是我个人认为不严谨），究其原因是因为综合性蛋白质数据库是一个大杂烩，一般我们第一次接触的就是这种数据库，但是信息太杂，其实不好统一，

我宁愿要一个统一地rule、结构域识别规则，

而不是在文献中说"unirprot数据库获取结构域数据"，毕竟uniprot只是收集数据，

结构域的注释有其rule规则，但是这个规则本身又不是uniprot数据库的。

我个人是倾向于用统一的数据注释rule，来规范我的数据来源的。

如section1中所述，其实我们一般所用的结构域注释数据库，也就那么几个：

有些并不单纯是结构域的，但是我还是统一归纳进来，最后一个MobiDB是无序区域数据库，因为此处我们是要找domain，不是IDR，所以不将其列入在内。

另外再补充一点Interpro数据库的成员子数据库，都是一些和蛋白质相关的：

参考https://www.ebi.ac.uk/interpro/，

其实一般用的多的，就是Interpro数据库和Pfam数据库，因为Pfam数据库已经归档到Interpro数据库里了，

所以我们按照Interpro的组成成员数据库（13个成员数据库，但是我们只对其中涉及到结构域的数据库进行分析）的顺序来展开介绍。

粗略归纳：

plain 复制代码 
CATH-Gene3D
CDD
HAMAP
NCBIFAM
PANTHER
Pfam
PIRSF
PRINTS
PROSITE profiles
PROSITE patterns
SFLD
SMART
SUPERFAMILY

其实大部分蛋白质数据库，我之前的博客都涉及到。

具体查询的时候，可以看一下数据库所被cite的文献，可以了解一下数据库具体是做什么的，具体更新了什么数据（某种程度上，看数据库发表的文献，和看数据库官方文档，其实从高屋建瓴概览的角度效果是一致的）

具体参考：
https://interpro-documentation.readthedocs.io/en/latest/databases.html

1，CATH-Gene3D（https://www.cathdb.info/）

本质是结构域分类的数据库：

Gene3D是基于蛋白质序列的结构域预测数据库，通过利用CATH分类的信息，使用序列比对和HMMs来预测蛋白质序列中的结构域。

2，CDD（https://www.ncbi.nlm.nih.gov/cdd/）

结构域注释以搜索的数据库：具体的一些条目细节

参考：https://www.ncbi.nlm.nih.gov/Structure/cdd/cdd.shtml

快速入门指南参考：https://www.ncbi.nlm.nih.gov/Structure/cdd/docs/cdd_how_to.html

常见类型的搜索、常见问题：

重点：如何使用&接口访问

（1）单个序列：

使用CD-Search：

https://www.ncbi.nlm.nih.gov/Structure/cdd/wrpsb.cgi

此处我还是以CTCF为例，我输入的是序列，并非任何ID，结构域注释结果界面主要内容如下：

可以发现，注释还是从推断序列的相似物身份开始的，

所以基本上所谓的注释，还是先从序列数据库搜索开始（类似Blast那一套），再给出高相似性序列hit的注释数据，

这一点对于有名有姓的蛋白质序列数据比较友好

这个NP_006556其实就是CTCF_human的"有名有姓"的注释

https://www.ncbi.nlm.nih.gov/protein/NP_006556

所以这个页面中接下来的结构域注释，其实就是直接调用CTCF这个"有名有姓"的蛋白质的数据了（再次强调，我是仅输入CTCF蛋白质序列，并没有给出ID提示，这一点在写脚本时比较重要-直接基于序列数据）

可以看到，有11个ZF结构域，和前面Uniprot中

（2）多个序列：

使用Batch CD-Search，

web server界面参考：https://www.ncbi.nlm.nih.gov/Structure/bwrpsb/bwrpsb.cgi

自动化脚本下载：

如果要整合到数据分析流程中，也就是python pipeline中，也就是脚本化下载，本博客的重点，

参考：https://www.ncbi.nlm.nih.gov/Structure/cdd/cdd_help.shtml#BatchRPSBWebAPI

按照官方提示，我们主要使用HTTP POST request

其中参数设置方面参考：

https://www.ncbi.nlm.nih.gov/Structure/cdd/cdd_help.shtml#BatchRPSBWebAPI

具体解释参考：https://www.ncbi.nlm.nih.gov/Structure/cdd/cdd_help.shtml#TOC_BatchCDSearch

官方提供了一个Perl脚本实例，来进行数据申请分析：

plain 复制代码 
#!/usr/bin/perl -w

use strict;
use LWP::UserAgent;
use Getopt::Std;

###############################################################################
# URL to the Batch CD-Search server
###############################################################################

my $bwrpsb = "/Structure/bwrpsb/bwrpsb.cgi";

###############################################################################
# read list of queries and parameters supplied; queries specified in list piped
# from stdin
###############################################################################

my @queries = <STDIN>;
my $havequery = 0;

###############################################################################
# do some sort of validation and exit if only invalid lines found
###############################################################################

foreach my $line (@queries) {
  chomp($line);
  if ($line =~ /[a-zA-Z0-9_]+/) {
    $havequery = 1;
  }
}
if ($havequery == 0) {
  die "No valid queries!\n";
}

###############################################################################
# set default values
###############################################################################
my $cdsid = "";
my $cddefl = "false";
my $qdefl = "false";
my $smode = "auto";
my $useid1 = "true";
my $maxhit = 250;
my $filter = "true";
my $db = "cdd";
my $evalue = 0.01;
my $dmode = "rep";
my $clonly = "false";
my $tdata = "hits";

###############################################################################
# deal with command line parameters, change default settings if necessary
###############################################################################

our($opt_d, $opt_e, $opt_F, $opt_b, $opt_t, $opt_s, $opt_a, $opt_q);

getopts('d:e:F:b:t:s:a:q');

if ($opt_d) {
  $db = $opt_d;
  print "Database option set to: $db\n";
}
if ($opt_e) {
  $evalue = $opt_e;
  print "Evalue option set to: $evalue\n";
}
if ($opt_F) {
  if ($opt_F eq "F") {
    $filter = "false"
  } else {
    $filter = "true";
  }
  print "Filter option set to: $filter\n";
}
if ($opt_b) {
  $maxhit = $opt_b;
  print "Maxhit option set to: $maxhit\n";
}
if ($opt_t) {
  $tdata = $opt_t;
  print "Target data option set to: $tdata\n";
}
if ($opt_s) {
  $clonly = "true";
  print "Superfamilies only will be reported\n";
}
if ($opt_a) {
  $dmode = "all";
  print "All hits will be reported\n";
}
if ($opt_q) {
  $qdefl = "true";
  print "Query deflines will be reported\n";
}

###############################################################################
# submitting the search
###############################################################################
my $rid;
{
  my $browser = LWP::UserAgent->new;
  my $response = $browser->post(
    $bwrpsb, Content_Type => 'multipart/form-data',
    Content => [
      'useid1' => $useid1,
      'maxhit' => $maxhit,
      'filter' => $filter,
      'db'     => $db,
      'evalue' => $evalue,
      'cddefl' => $cddefl,
      'qdefl'  => $qdefl,
      'dmode'  => $dmode,
      'clonly' => $clonly,
      'tdata'  => "hits",
      ( map {; queries => $_ } @queries )
    ], 
  );
  die "Error: ", $response->status_line
    unless $response->is_success;

  if($response->content =~ /^#cdsid\s+([a-zA-Z0-9-]+)/m) {
    $rid =$1;
    print "Search with Request-ID $rid started.\n";
  } else {
    die "Submitting the search failed,\n can't make sense of response: $response->content\n";
  }
}
###############################################################################
# checking for completion, wait 5 seconds between checks
###############################################################################

$|++;
my $done = 0;
my $status = -1;
while ($done == 0) {
  sleep(5);
  my $browser = LWP::UserAgent->new;
  my $response = $browser->post(
    $bwrpsb,
    [
      'tdata' => "hits",
      'cdsid' => $rid
    ],
  );
  die "Error: ", $response->status_line
    unless $response->is_success;

  if ($response->content =~ /^#status\s+([\d])/m) {
    $status = $1;
    if ($status == 0) {
      $done = 1;
      print "Search has been completed, retrieving results ..\n";
    } elsif ($status == 3) {
      print ".";
    } elsif ($status == 1) {
      die "Invalid request ID\n";
    } elsif ($status == 2) {
      die "Invalid input - missing query information or search ID\n";
    } elsif ($status == 4) {
      die "Queue Manager Service error\n";
    } elsif ($status == 5) {
      die "Data corrupted or no longer available\n";
    }
  } else {
    die "Checking search status failed,\ncan't make sense of response: $response->content\n";
  }

}
print "===============================================================================\n\n";

###############################################################################
# retrieve and display results
###############################################################################
{
  my $browser = LWP::UserAgent->new;
  my $response = $browser->post(
    $bwrpsb,
    [
        'tdata'  => $tdata,
        'cddefl' => $cddefl,
        'qdefl'  => $qdefl,
        'dmode'  => $dmode,
        'clonly' => $clonly,
        'cdsid'  => $rid
    ],
  );
  die "Error: ", $response->status_line
    unless $response->is_success;

  print $response->content,"\n";
}

上述bwrpsb.pl脚本，直接在终端中运行

plain 复制代码 
./bwrpsb.pl < samplefile.in

能够获取数据，但是没法整合到目前项目的python pipeline中。

无法简单调用api接口，对于任意一条序列进行call domain，虽然能够获取数据，但是更想把数据获取方法整合到流程中，而不是单独一个py或者pl单独处理一个大型文件就能够直接完成，个人是更倾向于在整体流程中用循环来处理批量数据，对于单个序列注释的domain能够做一点中间其他的分析。

可以参考：https://github.com/qeubic/protein_features

https://github.com/xpolak37/output_merger

3，结构域绘制：结构域可视化/结构域绘制

以边界和蛋白质长度为输入，绘制蛋白质结构域

（1）PROSITE结构域数据库server：

https://prosite.expasy.org/mydomains/

（2）Perl脚本大户DomainDraw

https://github.com/doktor-nick/DomainDraw

参考：https://www.biostars.org/p/11187/

TED：

https://ted.cathdb.infohttps://www.cathdb.info/

总结：

个人不是很喜欢CDD数据库，印象中NCBI系的可视化界面都挤在一起，而且基本上蛋白质数据库很少使用NCBI系，印象中基本上都使用EMBL-EBI欧洲那边数据库多点，

没怎么在文献中看到有用这个数据库的，接口也不是我喜欢的，虽然能够获取数据。

3，HAMAP（https://hamap.expasy.org/）

也是一个蛋白质注释数据库

重点：如何使用&接口访问

（1）单个序列

使用HAMAP-Scan，注意这是一个web interface，也就是网页版在线工具；

单个序列的话，直接输入

（2）多个序列：使用HAMAP-Scan

参考https://hamap.expasy.org/hamap-scan/hamap_scan_userman.html

多个序列的话，直接上传fasta文件，

其中注释规则、配置文件和比对结果，可以从https://ftp.expasy.org/databases/hamap/中下载，

一旦工作提交到服务器上之后，后续就是等待的时间，

比如说我提交了这么一个数据集，

可以看到，暂时没有找到api接口，可以从中干预或者是整合到python 流程中，

还是鸡肋的输入批量文件+直接等结果，不能够个性化分析。

下面是我的测试结果，可以看到800条序列接近1k条序列，大概30mins左右就能够完成分析；

但是分析结果一言难尽：

总结：

暂时没看到api接口，更别提流程整合了，虽然操作很傻瓜式，但是不能个性化分析，不爽，暂时不是一个合格的数据来源。

4，NCBIFAM（https://www.ncbi.nlm.nih.gov/genome/annotation_prok/evidence/）

看起来更像是蛋白质注释数据库（蛋白质名称id分配+属性分配），而不是单一的结构域注释，

主要使用3种类型的数据来进行辅助注释：

Hidden Markov Models (HMMs), BlastRules, and domain architectures.

1. 隐马尔可夫模型（HMMs）

  • 是什么？
    HMMs 是一种数学模型，用来判断一个蛋白质是否属于某个特定的蛋白质家族。简单来说，它就像是一个"家族鉴定器"。
  • 怎么用？
    研究人员会收集已知功能的蛋白质序列，然后通过复杂的计算生成一个模型（HMM）。当一个新的蛋白质序列出现时，就可以用这个模型来判断它是否属于某个家族。如果匹配度很高，就可以给这个新蛋白质一个名字和相关的功能描述。
  • 例子
    比如有一个蛋白质家族是"阳离子转运蛋白家族"。科学家们通过 HMM 模型，可以判断一个新的蛋白质是否属于这个家族，并给它命名为"阳离子转运蛋白"。

关于更一般的HMM的一些简单拓展，可以参考之前的博客：

https://blog.csdn.net/weixin_62528784/article/details/150872038?spm=1001.2014.3001.5502

2. BlastRules

  • 是什么？
    BlastRules 是一种基于序列比对的规则。它通过比较蛋白质序列之间的相似性来判断功能。
  • 怎么用？
    同样挑选一些已知功能的"模型蛋白质"，然后设定一些比对的阈值（比如序列相似度和覆盖率）。如果一个新的蛋白质和这些模型蛋白质在序列上非常相似，就可以认为它具有类似的生物学功能。
  • 例子
    比如有一个模型蛋白质是"锌外排转运蛋白"，如果一个新的蛋白质在序列上和它非常相似（比如相似度超过 90%），就可以把它命名为"锌外排转运蛋白"。

3. 结构域架构

  • 是什么？
    结构域架构是指蛋白质中保守的结构域（功能区域）的排列顺序。蛋白质可以由多个结构域组成，这些结构域的组合方式可以帮助判断蛋白质的功能。
  • 怎么用？
    根据已知的结构域组合来分类蛋白质。如果一个新的蛋白质有特定的结构域组合，就可以根据这个组合来推断它的功能。
  • 例子
    比如一个蛋白质包含两个特定的结构域 A 和 B，而这种组合通常与"信号传导功能"相关，那么这个新蛋白质就可以被命名为"信号传导蛋白"。

总的来说，我们大概能够理解这个数据库构建的一些原理。

但是我暂时没有找到这个数据库的api接口，或者是能够利用上这个数据库的interface。

5，PANTHER（https://pantherdb.org/）

更像是一个蛋白质分类数据库（更加侧重于蛋白质进化关系，可能结构、结构域只是辅助分类的一部分信息）

同样是人工编辑+算法预测收集：

至于序列分类，其实和结构域注释，都可以用于蛋白质识别。

重点：如何使用&接口访问

我们先试一下下面的这个"sequence search"：

同样的，我还是以CTCF human为例，只输入其氨基酸序列：

可以发现，基本上都是先识别该序列（所以有一个hit），其实并非结构域注释，顶多在确定"有名有姓"之后再援引蛋白质注释数据库。

并没有达到从头注释序列结构域的目的，pass。

还有一个是对gene list做的分析，不符合我们的目的，pass。

总结：

暂时没有找到API接口，这个数据库其实更侧重于与gene数据的联动，个人用的比较少。

6，PIRSF（https://proteininformationresource.org/pirsf/）

分类的基础，包含结构域注释。

对于PIR和其他数据库的关系，比如说Uniprot：

重点：如何使用&接口访问

参考界面：https://proteininformationresource.org/pirwww/search/

比如说下面的"search & analysis tools"，

其实更像是蛋白质id注释，序列匹配（Blast那一套），基本上和前面的思路没什么区别，都是先序列匹配之后，获取hit也就是id注释，再对id进行结构域注释数据库引用，但其本身并没有做结构域注释。

另外主页面上也有搜索链接：

Batch链接见：https://proteininformationresource.org/pirwww/search/batch_sf.shtml

但是实测无法正常使用：

下面那个predict的链接，见：https://research.bioinformatics.udel.edu/PIRSitePredict/

也是直接无法使用，感觉都像是很久没有经过维护。

总结：

API接口并没有找到，一些web server甚至也不能正常访问，不过好在这部分数据如果是整合到Uniprot中的话，其实就是前面（一）中尝试的内容。

7，PRINTS（https://interpro-documentation.readthedocs.io/en/latest/prints.html）

可以看得出来，是存储蛋白质分类所需的motif数据，类似于HMM profile，PSSM之类，

存储分类、注释的特征数据。

上面这里的最后一行我们可以看到，该数据库已经停用了，已经归档在InterPro中，类似于Github中归档的仓库，已经没有人再持续维护更新了，

包括这个标题里的链接，其实只能传送到InterPro文档指南，确实没有实际的数据库Url，所以确实是停止更新了。

所以直接pass，但是这个fingerprints和motifs的关系倒是挺有意思的。

8，Pfam（https://pfam.xfam.org/）

新址：https://www.ebi.ac.uk/interpro/entry/pfam/#table

这个在我印象中，看到文献里用的其实比较多，包括一些深度学习序列分析，在数据集处理的时候。

从上面最后一行，我们可以看到，这个数据库Pfam已经归并到InterPro中了。

我在本节标题中给出的链接是旧址： https://pfam.xfam.org/

其实看被引用的文献：

还在2021年，这是一个好消息，5年之内，至少这个数据库的时效性还是有一定参考价值的。

在旧址上，我还是以CTCF为例（此处输入Uniprot的ID号），

跳转界面如下：

https://www.ebi.ac.uk/interpro/search/text/P49711/#table

分别是各个成员数据库的hit记录，

我们以上面的这个Pfam数据库hit为例，因为我们这一节要看的就是Pfam数据库：

界面链接参考：https://www.ebi.ac.uk/interpro/entry/pfam/PF00096/

我们可以看到，这个其实就可以算是C2H2 Zinc Finger的domain注释了，

就是在Pfam数据库中，检索到了C2H2 ZF的domain特征谱的hit。

另外新址：https://www.ebi.ac.uk/interpro/entry/pfam/#table

总结：

在旧址中没有找到API接口，但是因为整合到InterPro中了，所以其实可以调用后者的API来解决问题，后者的API放后面讲，此处忽略。

9，PROSITE profiles/PROSITE patterns（https://prosite.expasy.org/）

这两个数据库，其实Url链接是一致的，都是指向PROSITE数据库。

总的来说，其实和前面数据库大差不差，前面有的数据库存fingerPrints，有的存motif，

有的存多序列比对MSA文件、以及HMM谱，

这个数据库存储的是广义domain（功能性位点）的一些特征谱，比如说如何定义的rules（其实涉及到rules，就是一个好消息了，表明这个是底层原理部分，我们是可以直接用于序列分析的，而不是调用其他人数据库的二手资料）。

就是引用文献有点老了：

关于Prorule，参考链接：https://prosite.expasy.org/prorule_details.html

重点：如何使用&接口访问

我们先看一下该数据库中所提供的web server：

链接见：https://prosite.expasy.org/scanprosite/

此处我还是以CTCF为例子，以fasta格式仅输入序列数据（id是我自己编的）

当然也可以输入其他格式数据，输出结果如下：

我们可以看到有19 hits，而Zn Finger是11 hits（符合前面的结论）：

首先是11个PS50157 profile的hit，其实就是Zn Finger

具体PS50157规则的细节，链接参考：https://prosite.expasy.org/cgi-bin/prosite/nicedoc.pl?PS50157

具体的生物学背景：描述、起源、以及发现历史，援引文献都有，暂不赘述，pass。

一些计算手段与真实匹配检测的注意点：

当然，我们再仔细查看一下：

除了这个界面中所hit到的PS50157结构域轮廓（matrix rule），

其实还有另外一个规则rule，也就是下面的PS00028

所以这里有一个问题：对于同一个domain，其实Prosite数据库中也有不同的Rule来call识别，

并且可能hit注释的数据也有可能不一样：
这里，我们再次回到最前面Uniprot数据库中CTCF的注释：

每一个注释我都点进去看了，指向的其实并不是简单的matrix或者是pattern，而是ProRule文件，链接见https://prosite.expasy.org/unirule/PRU00042

可以看的出来，这里用的就是Prosite注释规则（或者说用了Prosite数据库），来注释锌指结构域，问题就是为什么没有使用其他数据库？

我们再仔细比对一下数据：

确定了是一样的坐标，就是注释数据的来源。

另外的8个hits，是pattern，也是C2H2 ZF的，但是数目比matrix识别出来的少，

而且我们可以看到就算是识别出来的，在坐标数据上也不一定对应：

这个是matrix识别出来的第2个ZF

这个是pattern识别出来的第2个ZF

我们可以看到数据上是有区别的，坐标index不同、数目也不同，一个识别出来了11个，另外一个只识别出来了8个。

现在再次回到我们最前面CTCF蛋白的Uniprot数据库注释部分：

https://www.uniprot.org/uniprotkb/P49711/entry#family_and_domains

确实就能够理解这里的（11,8）hits数据了。

输出也有很多格式，具体可以参考：

https://prosite.expasy.org/scanprosite/scanprosite_doc.html#of_graphical

总结：

暂时没有找到API接口，但是鉴于这个数据库也是整合在InterPro中，同理Pfam，我们可以放到InterPro的接口中去叙述。

题外话：关于PROSITE数据库的探究，可以参考之前的博客：

https://blog.csdn.net/weixin_62528784/article/details/146487094?ops_request_misc=%257B%2522request%255Fid%2522%253A%25224b6aa19fdd9d575f54c2abc6819e7e27%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=4b6aa19fdd9d575f54c2abc6819e7e27&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2blogfirst_rank_ecpm_v1~rank_v31_ecpm-1-146487094-null-null.nonecase&utm_term=PROSITE&spm=1018.2226.3001.4450

https://blog.csdn.net/weixin_62528784/article/details/150921751?ops_request_misc=%257B%2522request%255Fid%2522%253A%25224b6aa19fdd9d575f54c2abc6819e7e27%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=4b6aa19fdd9d575f54c2abc6819e7e27&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2blogfirst_rank_ecpm_v1~rank_v31_ecpm-2-150921751-null-null.nonecase&utm_term=PROSITE&spm=1018.2226.3001.4450

10，SFLD（http://sfld.rbvi.ucsf.edu/archive/django/index.html）

新址：https://www.ebi.ac.uk/interpro/entry/sfld/#table

这也是一个旧址，

参考：https://interpro-documentation.readthedocs.io/en/latest/sfld.html

该数据也是归档到InterPro中，并不再维护更新了，旧数据倒是还可以通过InterPro访问。

11，SMART（https://smart.embl.de/）

重点：如何使用&接口访问

序列分析：同样的我还是以CTCF为例，仅输入序列数据，并没有输入指定"已知有名有姓"蛋白质的其他数据库ID，

链接参考：https://smart.embl.de/smart/show_motifs.pl

从上面结果可以看到，搜索结果其实还是先识别，先识别出极有可能是什么蛋白（这里就是CTCF human，给出了Uniprot数据库中有名有姓的ID）；

可以看到，结果中给出了11个ZF 的hit，是和前面部分数据库预测结果吻合的；

除了ZF锌指，还给出了低复杂度区域的hit，

此处的低复杂度区域，其实注释倒是出我意外，因为低复杂区域和disorder注释其实还有有点区别的，

我知道Uniprot中的disorder无序区域其实使用了MobiDB数据库的注释，

对于低复杂度区域其实少注释的，但SMART数据库能够给出这个注释。

刚才我们看的只是"information"部分，其实还可以看一看其他的部分

结构域架构分析：

这个功能其实很好，可以从结构域的排列组合，也就是pattern的角度去分析进化、亲缘关系，然后获取其他相关的蛋白质数据。

蛋白质互作分析：

这个其实就没什么好说的了，也是数据库套娃，援引了STRING蛋白质互作（PPI）数据库，后者是大家都熟悉的。

通路分析

这个就一般般了，而且看着也没有KEGG、GO那样规范，暂时没有深入。

PTM翻译后修饰：

这个其实有很多工具、数据库都有做，

Uniprot界面其实也有专门收集翻译后修饰位点+文献参考的条目：

在描述里能够看到具体是什么修饰，以及该修饰的数据来源，也就是文献参考。

文献有好有坏，有些是生化实验（就是手工作坊那一套，一个一个精修发现的），有些修饰就是高通量蛋白质组学实验获取的数据，

而且预测修饰的深度学习工具，现在也有很多，要注意是实际修饰存在（什么细胞中），还是经过预测获得的数据。

关于如何获取Uniprot中蛋白质的PTM数据的脚本化方法，可以参考之前的博客：

https://blog.csdn.net/weixin_62528784/article/details/148046046?ops_request_misc=%257B%2522request%255Fid%2522%253A%25224b6aa19fdd9d575f54c2abc6819e7e27%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=4b6aa19fdd9d575f54c2abc6819e7e27&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2blogfirst_rank_ecpm_v1~rank_v31_ecpm-3-148046046-null-null.nonecase&utm_term=PROSITE&spm=1018.2226.3001.4450

系统发生分析（进化分析）

能够看到是按照分类单元一层一层往下，直到CTCF human。

12，SUPERFAMILY（https://supfam.org/SUPERFAMILY/）

主要功能：

SUPFAM提供的web server：

参考：https://supfam.org/SUPERFAMILY/web_services.html

可以使用分布式注释系统请求，通过URL格式向SUPFAM等DAS服务器发起请求，获取生物序列相关的注释数据，无需下载安装数据库转储即可实时更新信息。

13，总结：从InterPro出发

其实看了一圈之后，个人感觉能用于底层预测的数据库，而非只是简单引用，主要有Pfam/Prosite/SMART。

而这些数据库其实都是InterPro的成员数据库，

那么我们的目的，就是使用InterPro数据库来访问，或者是预测我们需要的蛋白质结构域domain注释数据。

InterPro的文档参考：

https://interpro-documentation.readthedocs.io/en/latest/index.html

现在，我们回过头来，再正式地认识一下InterPro数据库：

可以看到，InterPr其实是一个蛋白质数据库联盟，集成了一共13个蛋白质分析相关的数据库（我们前面探究的其实只是我个人认为涉及到结构域的部分数数据库）；

下面的这个图片其实就很明显了：

具体使用web server时展示的各种注释，参考：https://interpro-documentation.readthedocs.io/en/latest/protein_viewer.html

此处我们先展示一下效果：

还是以CTCF human为例，此处展示的是按照其uniprot id也就是P49711交叉参考的数据，

链接参考：https://www.ebi.ac.uk/interpro/protein/UniProt/P49711/

我们可以只看其中结构域部分数据：

确实interpro就是整合其13个子数据库的数据，

而且我们肉眼不能够发现红框中domain部分，不同数据库注释出来结果有差异。

重点：如何使用&接口访问

我们的重点是如何使用、下载（并且最好是能够脚本化、整合进流程）InterPro数据，

参考链接：https://interpro-documentation.readthedocs.io/en/latest/download.html。

我们的目的更多的是，直接从InterPro API下载过滤后的数据，并集成到自己的程序中。

（1）InterProScan软件：

官方文档链接，参考：https://interpro-documentation.readthedocs.io/en/latest/interproscan.html

详细软件文档说明，参考：https://interproscan-docs.readthedocs.io/en/v5/

（2）InterPro API（应用程序编程接口）

官方仓库文档链接，见https://github.com/ProteinsWebTeam/interpro7-api/tree/master/docs

可以按照官方文档中的实例一步一步来实现。

（3）官方调用API的脚本生成器

参考链接：https://interpro-documentation.readthedocs.io/en/latest/faq.html

具体界面，参考：https://www.ebi.ac.uk/interpro/result/download/#/entry/InterPro/|accession

在前面设置完之后，会有一个code example代码示例，

按照这个实例照葫芦画瓢，就可以批量处理自己的数据了，也就能够写出批量提取结构域的数据脚本了。

三，to-do

● （一）中，对于uniprot结构域数据的api query挖掘，参考：https://www.uniprot.org/help/sequence_annotation，以及如何通过xref补全其他数据库注释，主要是InterPro

● （二）中，对于InterPro数据库其实我没怎么讲API的调用，但这个数据库其实是比Uniprot更加丰富的，至少从结构域分析方面，另外InterProScan的示例我也还没有整理完毕

相关推荐
这张生成的图像能检测吗3 小时前
（论文速读）InteractVLM: 基于2D基础模型的3D交互推理
人工智能·计算机视觉·交互·生成模型·图像生成·视觉语言模型·3d重建
浣熊-论文指导3 小时前
人工智能与生物医药融合六大创新思路
论文阅读·人工智能·深度学习·计算机网络·机器学习
文火冰糖的硅基工坊4 小时前
[人工智能-大模型-48]：模型层技术 - 大模型与大语言模型不是一回事
人工智能·语言模型·自然语言处理
居7然4 小时前
DeepSeek OCR：重新定义AI文档处理的“降本增效”新范式
人工智能·算法·语言模型·自然语言处理·大模型·ocr
yubo05094 小时前
自动化模型学习器——autoGluon
机器学习·自动化
xingxing_F4 小时前
Topaz Video AI for Mac AI视频无损放大 视频画质增强
人工智能·macos·音视频
普蓝机器人4 小时前
面向智慧农业的自主移动果蔬采摘机器人：融合视觉识别与自动驾驶的智能化农作系统研究
人工智能·学习·机器人·移动机器人·三维仿真导航
卷福同学4 小时前
AI浏览器comet拉新，一单20美元（附详细教程）
人工智能·后端
2301_772093564 小时前
高并发webserver_interview
运维·服务器·数据库·后端·网络协议·mysql·wireshark
热门推荐
01BongoCat - 跨平台键盘猫动画工具02GitHub 镜像站点03UV安装并设置国内源04Linux下V2Ray安装配置指南05jdk21下载、安装（Windows、Linux、macOS）06GitLab 零基础入门指南：从安装到项目管理全流程07KGG转MP3工具|非KGM文件|解密音频08NVIDIA显卡驱动、CUDA、cuDNN 和 TensorRT 版本匹配指南09安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）10Labelme从安装到标注：零基础完整指南