如何使用 entrez.efetch 获取特定的蛋白质序列？答案

【问题标题】：how to get a specific protein sequence using entrez.efetch?如何使用 entrez.efetch 获取特定的蛋白质序列？
【发布时间】：2013-11-14 19:18:05
【问题描述】：

我正在尝试使用 Biopython 的 Entrez.fetch() 函数通过基因 id (GI) 号从 NCBI 获取蛋白质序列。

proteina = Entrez.efetch(db="protein", id= gi, rettype="gb", retmode="xml").

然后我使用以下方法读取数据：

proteinaXML = Entrez.read(proteina).

我可以打印结果，但是我不知道如何单独获得蛋白质序列。

结果显示后，我可以手动到达蛋白质。或者我使用以下命令检查 XML 树：

proteinaXML[0]["GBSeq_feature-table"][2]["GBFeature_quals"][6]['GBQualifier_value'].

但是，根据提交的蛋白质的 GI，XML 树可能会有所不同。使这一过程难以稳健地自动化。

我的问题：是否可以只检索蛋白质序列，而不是整个 XML 树？或者：如何从 XML 文件中提取蛋白质序列，因为 XML 文件的结构可能因蛋白质而异？

谢谢

【问题讨论】：

标签： xml sequence bioinformatics biopython ncbi

【解决方案1】：

好点，XML 中的数据库条目确实因不同作者提交的蛋白质而异。

我已经制定了一个算法来从 XML 树中“寻找”蛋白质序列：

import os
import sys
from Bio import Entrez
from Bio import SeqIO

gi          = '1293613'         # example gene id                   
Entrez.email= "you@email.com"   # Always tell NCBI who you are
protina     = Entrez.efetch(db="protein", id=gi, retmode="xml") # fetch the xml
protinaXML  = Entrez.read(protina)[0]

seqs = []           # store candidate protein seqs
def seqScan(xml):   # recursively collect protein seqs
    if str(type(xml))=="<class 'Bio.Entrez.Parser.ListElement'>":
        for ele in xml:
            seqScan(ele)
    elif str(type(xml))=="<class 'Bio.Entrez.Parser.DictionaryElement'>":
        for key in xml.keys():
            seqScan(xml[key])
    elif str(type(xml))=="<class 'Bio.Entrez.Parser.StringElement'>":
        #   v___THIS IS THE KEYWORD FILTER_____v
        if (xml.startswith('M') and len(xml))>10: # 1) all proteins start with M (methionine)
            seqs.append(xml)                      # 2) filters out authors starting with M

seqScan(protinaXML) # run the recursive sequence collection
print(seqs)         # print the goods!

注意：在极少数情况下（取决于“关键字过滤器”），它可能会幽默地抓取不需要的字符串，例如以“M”开头的作者姓名，其缩写名称长度超过 10 个字符（下图):

希望有帮助！

【讨论】：