初识Uniprot API

Uniprot,全名Universal Protein,其整合了Swissprot、TrEMBL和PRI-PSD三大数据库,是目前使用非常广泛的蛋白质数据库

常规物种的蛋白质组学研究一般会使用Uniprot数据库的蛋白序列作为查库序列,因此蛋白组学的结果常以uniprot ID作为识别ID,而且Uniprot数据库还与其他公共库进行了关联,丰富了蛋白相关的信息

这里主要是对Uniprot的API进行一个小结。之前略微了解过KEGG的API,能非常方便的通过URL以及编程命令轻松访问KEGG数据库获取所需要的信息,Uniprot API也有相同的功能

根据我的使用,我觉得Uniprot的API的使用可以分为三个部分:

  1. 获取单个蛋白ID(uniprot accession id)所对应的所有信息
  2. ID mapping的API
  3. 查询访问性质的API

第一部分

可以理解为访问Uniprot数据的一个小技巧,虽然不是很实用,但是有时还是可以凑合用用的,可以粗略认为是通过编辑URL来访问数据库

如:我想获取Q9UM73这个蛋白的fasta序列,那么用下面这个URL即可

http://www.uniprot.org/uniprot/Q9UM73.fasta

如果想获取Q9UM73这个蛋白的全面信息,可以有以下形式展示:txt,xml以及GFF

http://www.uniprot.org/uniprot/Q9UM73.txt
http://www.uniprot.org/uniprot/Q9UM73.xml
http://www.uniprot.org/uniprot/Q9UM73.GFF

至于这个URL怎么用呢,可以通过perl/R(我现在只会这两个。。。)以访问网页的形式将上述URL的内容抓下来,perl的话用内置的get()函数即可,R的话用RCurl包;通过这个方法我们可以批量下载蛋白信息,避免手动去Uniprot网页上下载这一过程(虽然其网页操作做的很人性化,简单易操作)

第二部分

则是Uniprot的idmapping功能对应的API,这是我觉得在Uniprot中最好用的功能之一,对于这个API,Uniprot特别还对其用法进行的实例讲解,如http://www.uniprot.org/help/api_idmapping

从网页上我们就能看到Uniprot对于这个API的使用给了4种编程语言的例子,有Perl,Python,Ruby和Java,很可惜我只会第一种;点击即可查看例子,以Perl代码来说,其主要通过LWP::UserAgent模块对Uniprot这个API发送访问请求,基本原来就是爬虫,然后返回信息;只要按照其代码,模仿的写一下就能使用的,这里不再详细说明了

但是我更想了解如何用R来实用上述功能,虽然Uniprot没有给出R语言的例子,但是只要是基于爬虫的,R也是能实现的;可惜至今为止,我还未学习用R爬虫来抓取信息,所以只好求助于Github上的有无大神分享过相关代码,结果还真让我找到一个:https://github.com/sehanson/Uniprot_API_R/blob/master/Uniprot_API,代码简洁易懂,非常棒!

library(httr)
e_mail <- '' #Enter your email address here to help hosts troubleshoot issues
us_er <- paste0('R ', e_mail)
acc1 <- '' #Enter the starting accession id (e.g. 'ACC' for Uniprot accession)
acc2 <- '' #Enter the target accession id (e.g. 'HPA_ID' for Human Protein Atlas accession)
fmt <- '' #Enter format (e.g. 'tab' for TSV)
qry <- '' #Enter query term
user_agent(us_er)
r <- POST('http://www.uniprot.org/uploadlists/', body = list(from= acc1, to = acc2, format = fmt, query = qry), encode = "form")
print(r)

从上述代码中可以看到是使用httr包按照一定格式发送访问请求,然后返回数据;其返回的r变量是response格式,无法直接解读的,我也粗略找了下,先使用httr包的content()函数范围r变量中的内容,然后再使用readr包中的read_tsv()函数即可对上述数据解读为数据库形式

a <- content(r, type = "text")
b <- read_tsv(a)

不仅会使用代码,而且还需了解Uniprot这个API提供了哪些功能,所有ID mapping的功能可见网站http://www.uniprot.org/help/api_idmapping下面的表格,其展示了所有能进行的ID转化(其实也就是这个网址http://www.uniprot.org/uploadlists/下所对应的所有功能)

一般来说我们是希望找出accession id所对应的其他数据库的ID,如:想将找出P31946和P62258这个两个蛋白对应的KEGG数据的K号,那么代码如下所示

e_mail <- 'gukai1212@163.com' #Enter your email address here to help hosts troubleshoot issues
us_er <- paste0('R ', e_mail)
acc1 <- 'ACC' #Enter the starting accession id (e.g. 'ACC' for Uniprot accession)
acc2 <- 'KO_ID' #Enter the target accession id (e.g. 'HPA_ID' for Human Protein Atlas accession)
fmt <- 'tab' #Enter format (e.g. 'tab' for TSV)
qry <- "P31946,P62258" #Enter query term
user_agent(us_er)
r <- POST('http://www.uniprot.org/uploadlists/', body = list(from= acc1, to = acc2, format = fmt, query = qry), encode = "form")

a <- content(r, type = "text")
b <- read_tsv(a)

结果如下:

# A tibble: 2 x 2
From     To
   <chr>  <chr>
1 P31946 K16197
2 P62258 K06630

其他ID的转化也是类似的,但是每次只支持一类ID转化为另一类ID,不支持一类转化为多类;但总体上还是蛮实用的,能够批量的进行ID转化,而且能写入其他程序和脚本中,只要能爬虫的编程语言都能实现其功能


第三部分

个人觉得其功能非常强大,可以先看几个Uniprot给的例子http://www.uniprot.org/help/api_queries

从其例子上可看出,这个API覆盖了Unirpot查询的所有功能,只要你懂得起URL的规则,就可以定制出你所想要的结果对应的URL

上述网站给出了URL书写的格式,最主要的就是query,format和columns,对于query可包含的内容,又可以分出好多个fields,如http://www.uniprot.org/help/text-searchhttp://www.uniprot.org/help/query-fields

对于columns可包含的内容,可以查看http://www.uniprot.org/help/uniprotkb_column_names

如果你需要查询的信息来自外部数据库,Uniprot也是支持的,具体数据库信息可以查看http://www.uniprot.org/database/

我也是花了不少时间才搞清楚了点,信息量还是蛮大的。比如我一个比较简单的需求,想列出所有Uniprot数据库中所有人类swissprot蛋白对应的KEGG的K号和GOid,那么URL则可以这样写:

http://www.uniprot.org/uniprot/?query=organism:9606&format=tab&columns=id,reviewed,database(KO),go-id

获取URL后,我们就可以用脚本将内容从网页上抓下来,比如R的话,还是用RCurl包(因为我暂时只会这个。。。)

library(RCurl)
library(readr)
url.exists(http://www.uniprot.org/uniprot/?query=organism:9606&format=tab&columns=id,reviewed,database(KO),go-id)
d <- debugGatherer()
tmp <- getURL(url="http://www.uniprot.org/uniprot/?query=organism:9606&format=tab&columns=id,reviewed,database(KO),go-id", debugfunction = d$update, verbose = TRUE)
tmp2 <- read_tsv(tmp)

查看下结果(GOID数目有点多,这里没显示出来。。。)

> head(tmp2)
# A tibble: 6 x 4
   Entry   Status `Cross-reference (KO)`
   <chr>    <chr>                  <chr>
1 P62258 reviewed                K06630;
2 Q04917 reviewed                K16198;
3 P27348 reviewed                K16197;
4 P30443 reviewed                K06751;
5 P04439 reviewed                   <NA>
6 P01889 reviewed                K06751;
# ... with 1 more variables: `Gene ontology IDs` <chr>

总之,Uniprot的API个人觉得功能还是蛮好使的,值得记录下来

本文出自于http://www.bioinfo-scrounger.com转载请注明出处