蛋白研究常用數(shù)據(jù)庫 | UniProt數(shù)據(jù)庫介紹及使用說明

鹿明生物

2022.5.10

UniProt簡介

目前較常用的蛋白組數(shù)據(jù)庫是UniProt和NCBI這2個公共庫，其中UniProt整合了Swiss-Prot、 TrEMBL 和 PIR-PSD 三個數(shù)據(jù)庫，主要優(yōu)勢在于添加了蛋白功能注釋信息。具有更新速度快、與其他數(shù)據(jù)庫聯(lián)系密切、分析工具齊全、使用便捷的特點(diǎn)，成為了目前信息最豐富、資源最廣的蛋白質(zhì)數(shù)據(jù)庫。

一般情況下，如果蛋白質(zhì)組所研究的物種已經(jīng)被測序，推薦使用Uniprot數(shù)據(jù)庫作為蛋白搜庫匹配的數(shù)據(jù)庫，如果所研究的物種在UniProt數(shù)據(jù)庫中蛋白數(shù)據(jù)較少，推薦使用NCBI數(shù)據(jù)庫進(jìn)行搜庫。

數(shù)據(jù)庫鏈接：https://www.uniprot.org/

UniProt的6個主要組成的介紹

UniProt主要分為6個主要部分，該6個部分的主要介紹如下：

1. UniProtKB（Universal?Protein Knowledge Base）

該部分為蛋白知識庫，分為兩部分，第一部分Swiss-Prot數(shù)據(jù)庫，此數(shù)據(jù)庫是高質(zhì)量的、人工注釋的、非冗余的數(shù)據(jù)庫，主要來自文獻(xiàn)報道以及E-value校驗(yàn)的數(shù)據(jù)。第二部分為TrEMBL數(shù)據(jù)庫，該部分是計(jì)算機(jī)對大量基因組數(shù)據(jù)進(jìn)行分析注釋、未經(jīng)人工校驗(yàn)的條目，其數(shù)據(jù)質(zhì)量低于Swiss-Prot。

2. Supporting Data

支撐數(shù)據(jù)，主要為相關(guān)模塊的說明，其包含Literature citations、Taxonomy、Keywords、Subcellular locations、Cross-referenced databases、Human diseases等。

3. UniRef（UniProt Reference Clusters）

蛋白序列參考集，分為三個數(shù)據(jù)集，分別為UniRef100、UniRef90和UniRef50，主要來自UniProtKB知識庫，同時也包括UniParc歸檔庫中部分條目。UniRef100序列將相同的序列和序列片段（來自任何生物）合并到一個UniRef條目中，用于顯示代表性蛋白質(zhì)的序列。

4. UNIParc (UniProt Sequence Archive)

蛋白質(zhì)序列歸檔庫，是目前數(shù)據(jù)最為齊全的非冗余蛋白質(zhì)序列數(shù)據(jù)庫。蛋白質(zhì)可能存在于幾個不同的來源數(shù)據(jù)庫中，并且在同一數(shù)據(jù)庫中存在多個副本。為了避免冗余，相同序列歸并到同一個記錄中，并賦予特定標(biāo)識符(Unique Identifier，UPI)。記錄包含特定標(biāo)識符UPI、序列、循環(huán)冗余校驗(yàn)碼和源數(shù)據(jù)庫名稱等信息。

5. Proteomes

蛋白組數(shù)據(jù)，主要是指已經(jīng)完成全基因組測序物種的核酸序列翻譯所得的蛋白質(zhì)序列。其由測序質(zhì)量較好、數(shù)據(jù)比較完整、注釋比較詳盡的蛋白組數(shù)據(jù)組成，但是其序列條目并非都是經(jīng)過人工審閱的。

6.搜索區(qū)

搜索區(qū)可以快速找到自己感興趣的蛋白質(zhì)，檢索方法可以按照蛋白質(zhì)的名稱、ID號、基因名、物種等。

UniProt搜索區(qū)域的應(yīng)用

下面主要介紹3種常用檢索方式的操作方法：

1.直接通過蛋白ID號搜索

(1）用瀏覽器登錄Uniprot數(shù)據(jù)庫官網(wǎng)：https://www.uniprot.org/；

(2）搜索框輸入蛋白ID號（以P22223為例），

(3）查看P22223蛋白的生物學(xué)信息；

(4）下載序列數(shù)據(jù)，

2.直接通過蛋白名搜索（我們只知道蛋白名，不清楚蛋白的ID號的時候使用該搜索功能）

(1）在搜索框輸入蛋白名（以Cystatin-C為例）之后search，進(jìn)入下圖界面；

①區(qū)域即為人物種的Cystatin-C蛋白結(jié)果。

(2)

③區(qū)域主要是蛋白名、基因名、物種信息、蛋白研究水平等

(3)紅框?yàn)榈鞍淄暾被嵝蛄校?/p>

(4）下載蛋白序列。

sp：Swiss-Prot數(shù)據(jù)庫的蛋白，說明該蛋白是經(jīng)過人工檢查、校驗(yàn)的條目，是高質(zhì)量的、人工注釋的、非冗余的蛋白質(zhì)。

P01034：蛋白在uniprot上的ID號，即蛋白的識別號（Accession號）。

CYTC_HUMAN：蛋白在uniprot上的登錄名。

Cystatin-C：蛋白名稱。

OS：Organism，表示物種來源，一般是物種的拉丁名，這里Homo sapiens為人的拉丁文。

GN：gene name，即基因名稱。

PE：Protein Existence，即蛋白的可靠性。

SV：SequenceVersion，即序列版本號。

PE：分別有1、2、3、4、5這5個等級，數(shù)字越小可靠性越高，具體可靠性說明如下：

1. Experimental evidence at protein level 蛋白質(zhì)水平驗(yàn)證的蛋白

2. Experimental evidence at transcript level 轉(zhuǎn)錄水平驗(yàn)證的蛋白

3. Protein inferred from homology 同源推斷的蛋白

4. Protein predicted 預(yù)測的蛋白

5. Protein uncertain 未知蛋白

3.通過物種拉丁文（或者物種的編號）檢索整個物種數(shù)據(jù)庫。

（注：很多時候我們需要了解整個物種庫的情況，此時就需要用到物種拉丁文搜索）

(1）在Uniprot數(shù)據(jù)庫官網(wǎng)選擇Proteomes子庫，然后在搜索框輸入物種拉丁名（以mus musculus為例，選擇Organism ID為10090的小鼠為例）；

(2）輸入mus musculus，

(3）

如下所示：

(4）

(5）如果是序列文件，我們選擇下載FASTA格式的文件（FASTA格式的文件可以直接用于數(shù)據(jù)庫匹配，表格格式方便查看）。

Uniprot交叉引用數(shù)據(jù)庫

UniProtKB條目的交叉引用部分顯示了與核苷酸序列數(shù)據(jù)庫、模型生物數(shù)據(jù)庫、基因組和蛋白質(zhì)組學(xué)資源等數(shù)據(jù)庫的顯式和隱式鏈接。一個條目可以交叉引用幾十個不同的數(shù)據(jù)庫，并有幾百個單獨(dú)的鏈接。如果感興趣，直接

5總結(jié)

以上為UniProt數(shù)據(jù)庫介紹及常用功能使用指南，該數(shù)據(jù)庫與其他數(shù)據(jù)庫資源相互聯(lián)系，實(shí)現(xiàn)最廣覆蓋度、最全注釋，終極目標(biāo)是為科研工作者提供高質(zhì)量的蛋白開源數(shù)據(jù)庫，也希望本說明書能夠幫助到大家。

隨著上期鹿明生物推出代謝組學(xué)干貨 | METLIN：一個強(qiáng)大的代謝物鑒定及查詢的數(shù)據(jù)庫后，本期的蛋白組學(xué)UniProt數(shù)據(jù)庫希望能助力各位老師蛋白搜庫、檢索感興趣的蛋白有所幫助。鹿明生物多年來，一直專注于生命科學(xué)和生命技術(shù)領(lǐng)域，是國內(nèi)早期開展以蛋白組學(xué)和代謝組學(xué)為基礎(chǔ)的多層組學(xué)整合實(shí)驗(yàn)與分析的團(tuán)隊(duì)。小鹿后期會持續(xù)推出蛋白組學(xué)及代謝組學(xué)的"庫"系類文章，請各位老師持續(xù)關(guān)注... ...

重大活動關(guān)注

空代千萬醫(yī)學(xué)支持計(jì)劃

活動超長周期：

2022.5.09~2022.8.09

深度交流：1v1技術(shù)交流探討課題組，空間代謝組學(xué)講座預(yù)約；

針對方向：鹿明生物空間代謝組學(xué)

申請方法：只需在線提交800字研究目的、思路及意義；即可參與活動~~