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-search和http://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