Uniprot （Universal Protein ）是包含蛋白质序列，功能信息，研究论文索引的蛋白质数据库，整合了包括EBI（ European Bioinformatics Institute），SIB（the Swiss Institute of Bioinformatics），PIR（Protein Information Resource）三大数据库的资源。

  • EBI（ European Bioinformatics Institute）：欧洲生物信息学研究所（EMBL-EBI）是欧洲生命科学旗舰实验室EMBL的一部分。位于英国剑桥欣克斯顿的惠康基因组校园内，是世界上基因组学领域最强地带之一。
  • SIB（the Swiss Institute of Bioinformatics）：瑞士日内瓦的SIB维护着ExPASy（专家蛋白质分析系统）服务器，这里包含有蛋白质组学工具和数据库的主要资源。
  • PIR（Protein Information Resource）：PIR由美国国家生物医学研究基金会（NBRF）于1984年成立，旨在协助研究人员识别和解释蛋白质序列信息。

目前，UniProt主要由以下子库构成：

蛋白质组学数据挖掘 蛋白组学数据库_蛋白质组学数据挖掘

他们的关系如下：

通过EMBL，GenBank，DDBJ等公共数据库得到原始数据，处理后存入UniParc的非冗余蛋白质序列数据库。UniProt作为数据仓库，再分别给UniProtKB，Proteomes，UNIRef提供可靠的数据集。其中在UniProtKB数据库中Swiss-Prot是由TrEMBL经过手动注释后得到的高质量非冗余数据库，也是我们今后常用的蛋白质数据库之一。

蛋白质组学数据挖掘 蛋白组学数据库_蛋白质组学数据挖掘_02

UniProtKB/Swiss-Prot

高质量的、手工注释的、非冗余的数据集

Swiss-Prot旨在提供与高水平注释（例如，蛋白质功能，其域结构，翻译后修饰，变体等的描述）相关的可靠蛋白质序列，最小程度的冗余和高水平与其他数据库的集成级别。注释主要来自文献中的研究成果和E-value校验过计算分析结果，有质量保证的数据才被加入该数据库 。

Swiss-Prot由Amos Bairoch博士在1986年创建，由瑞士生物信息学研究所开发，随后由欧洲生物信息学研究所的Rolf Apweiler开发。也是说EBI和SIB共同制作了Swiss-Prot和TrEMBL数据库。

Swiss-Prot条目的注释中使用了一系列序列分析工具。包括手动评估，计算机预测，并选择结果包含在相应的条目中。这些预测包括翻译后修饰，跨膜结构域和拓扑，信号肽，结构域识别和蛋白质家族分类。

来自相同基因和相同物种的序列合并到相同的数据库条目中。确定序列之间的差异包含：可变剪接，自然变异，错误的起始位点，错误的外显子边界，移码，未识别的冲突。

注释会用相关出版物通过搜索数据库（例如PubMed）进行识别。阅读每篇论文的全文，然后提取信息并将其添加到条目中。科学文献中的注释包括但不限于：

  • 蛋白质和基因名称
  • 功能
  • 特定于酶的信息，例如催化活性，辅因子和催化残基
  • 亚细胞定位
  • 蛋白质相互作用
  • 表达方式
  • 重要域和站点的位置和角色
  • 离子，底物和辅因子结合位点
  • 通过自然遗传变异，RNA编辑，替代剪接，蛋白水解加工和翻译后修饰产生的蛋白质变异形式

常用的操作

蛋白质组学数据挖掘 蛋白组学数据库_数据库_03

<1>：这里输入基因名，UniProt ID，或者感兴趣的关键字

<2>：筛选：Reviewed：存储在Swiss-Prot数据库中经过验证的蛋白数据，Unreviewed：存储在TrEMBL数据库中没有经过验证的蛋白数据

<3>：筛选某个物种，点击就好切换到该物种

<4>：通过基因名或蛋白名来筛选

<5>：依次是Unprot ID，该蛋白数据库命名，蛋白质名，基因名，物种，序列长

<6>：如果需要Blast来查看某个蛋白有哪些序列相似的蛋白序列，先选中感兴趣蛋白前的方框，点击Blast

<7>：如果需要多序列比对，先选中感兴趣蛋白前的方框，点击Align

<8>：如果要下载信息，先选中感兴趣蛋白前的方框，点击Download下载。这里不选择序列，默认会下载全部序列

下面以 PO5F1_HUMAN 为例，下载对应的fasta序列来看看：

蛋白质组学数据挖掘 蛋白组学数据库_生物信息学_04

下载到的序列：

>sp|Q01860|PO5F1_HUMAN POU domain, class 5, transcription factor 1 OS=Homo sapiens OX=9606 GN=POU5F1 PE=1 SV=1
  MAGHLASDFAFSPPPGGGGDGPGGPEPGWVDPRTWLSFQGPPGGPGIGPGVGPGSEVWGI
  PPCPPPYEFCGGMAYCGPQVGVGLVPQGGLETSQPEGEAGVGVESNSDGASPEPCTVTPG
  AVKLEKEKLEQNPEESQDIKALQKELEQFAKLLKQKRITLGYTQADVGLTLGVLFGKVFS
  QTTICRFEALQLSFKNMCKLRPLLQKWVEEADNNENLQEICKAETLVQARKRKRTSIENR
  VRGNLENLFLQCPKPTLQQISHIAQQLGLEKDVVRVWFCNRRQKGKRSSSDYAQREDFEA
  AGSPFSGGPVSFPLAPGPHFGTPGYGSPHFTALYSSVPFPEGEAFPPVSVTTLGSPMHSN

首先看 > 后的注释信息

  • sp：Swiss-Prot数据库的简称，也就是上面说的验证后的蛋白数据库
  • Q01860：UniProt ID号
  • PO5F1_HUMAN：是UniProt 的登录名
  • POU domain, class 5, transcription factor 1：蛋白质名称
  • OS=Homo sapiens：OS是Organism简称，Homo sapiens为人的拉丁文分类命名，也就是这是人的蛋白质
  • OX=9606：Organism Taxonomy，也就是物种分类数据库Taxonomy ID
  • GN=POU5F1：Gene name，基因名为POU5F1
  • PE=1：Protein Existence，蛋白质可靠性，对应5个数字，数字越小越可靠：
  • 1：Experimental evidence at protein level
  • 2：Experimental evidence at tranlevel
  • 3：Protein inferred from homology
  • 4：Protein predicted
  • 5：Protein uncertain
  • SV=1：Sequence Version，序列版本号

UniProtKB/TrEMBL

在认识到序列数据的生成速度超过了Swiss-Prot的注释能力时，为了给不在Swiss-Prot中的那些蛋白质提供自动注释，UniProt创建了TrEMBL（翻译的EMBL核苷酸序列数据库）。在三大核酸数据库（EMBL-Bank/GenBank/DDBJ）中注释的编码序列都会被自动翻译并加入该数据库中。它也有来自PDB数据库的序列，以及Ensembl、Refeq和CCDS基因预测的序列。之前提到的PIR组织制作了蛋白质序列数据库（PIR-PSD）。

Interpro

最全的蛋白数据库

nr

基于ncbi的蛋白数据库

cazy

酶数据库