Disponibilidade de Material de Apoio

Este texto do catálogo contém as orientações inline abaixo, mas não inclui os seguintes caminhos de suporte. Eles são pré-requisitos externos, não arquivos agrupados:

• <support-root>/scripts/uniprot_client.py

Solicite o material de suporte original ou uma instalação existente antes de usar uma etapa que dependa desses caminhos; este catálogo não identifica uma fonte de download verificada para eles. Resolva cada caminho em relação a essa instalação, inspecione seu conteúdo e verifique quaisquer licenças e pré-requisitos de execução aplicáveis. Não execute um comando ou afirme que um procedimento referenciado foi seguido até que seu arquivo necessário exista. Não fabrique os scripts ausentes nem trate um arquivo não relacionado com o mesmo nome como equivalente. Etapas independentes totalmente documentadas aqui podem prosseguir dentro do escopo autorizado do usuário; relate qualquer etapa dependente como indisponível.

Banco de Dados UniProt

Visão Geral

O UniProt é o principal recurso global de informações funcionais e de sequências de proteínas. Pesquise proteínas por nome, gene ou acesso, recupere sequências no formato FASTA, realize mapeamento de IDs entre bancos de dados, acesse anotações Swiss-Prot/TrEMBL via API REST para análise de proteínas.

Quando Usar Esta Habilidade

Esta habilidade deve ser usada quando:

• Pesquisar entradas de proteínas por nome, símbolo de gene, acesso ou organismo
• Recuperar sequências de proteínas em formato FASTA ou outros formatos
• Mapear identificadores entre o UniProt e bancos de dados externos (Ensembl, RefSeq, PDB, etc.)
• Acessar anotações de proteínas, incluindo termos GO, domínios e descrições funcionais
• Recuperar lotes de múltiplas entradas de proteínas de forma eficiente
• Consultar dados de proteínas revisados (Swiss-Prot) vs. não revisados (TrEMBL)
• Transmitir grandes conjuntos de dados de proteínas
• Construir consultas personalizadas com sintaxe de busca específica por campo

Capacidades Principais

1. Pesquisando Proteínas

Pesquise o UniProt usando consultas em linguagem natural ou sintaxe de busca estruturada.

Padrões de busca comuns:

# Search by protein name
query = "insulin AND organism_name:\"Homo sapiens\""

# Search by gene name
query = "gene:BRCA1 AND reviewed:true"

# Search by accession
query = "accession:P12345"

# Search by sequence length
query = "length:[100 TO 500]"

# Search by taxonomy
query = "taxonomy_id:9606"  # Human proteins

# Search by GO term
query = "go:0005515"  # Protein binding

Use o endpoint de busca da API: https://rest.uniprot.org/uniprotkb/search?query={query}&format={format}

Formatos suportados: JSON, TSV, Excel, XML, FASTA, RDF, TXT

2. Recuperando Entradas de Proteínas Individuais

Recupere entradas de proteínas específicas por número de acesso.

Formatos de número de acesso:

• Clássico: P12345, Q1AAA9, O15530 (6 caracteres: letra + 5 alfanuméricos)
• Estendido: A0A022YWF9 (10 caracteres para entradas mais novas)

Endpoint de recuperação: https://rest.uniprot.org/uniprotkb/{accession}.{format}

Exemplo: https://rest.uniprot.org/uniprotkb/P12345.fasta

3. Recuperação em Lote e Mapeamento de IDs

Mapeie identificadores de proteínas entre diferentes sistemas de banco de dados e recupere várias entradas de forma eficiente.

Fluxo de trabalho de mapeamento de IDs:

1. Envie o trabalho de mapeamento para: https://rest.uniprot.org/idmapping/run
2. Verifique o status do trabalho: https://rest.uniprot.org/idmapping/status/{jobId}
3. Recupere os resultados: https://rest.uniprot.org/idmapping/results/{jobId}

Bancos de dados suportados para mapeamento:

• UniProtKB AC/ID
• Nomes de genes
• Ensembl, RefSeq, EMBL
• PDB, AlphaFoldDB
• KEGG, termos GO
• E muitos outros (veja /references/id_mapping_databases.md)

Limitações:

• Máximo de 100.000 IDs por trabalho
• Resultados armazenados por 7 dias

4. Transmitindo Grandes Conjuntos de Resultados

Para consultas grandes que excedem os limites de paginação, use o endpoint de stream:

https://rest.uniprot.org/uniprotkb/stream?query={query}&format={format}

O endpoint de stream retorna todos os resultados sem paginação, adequado para download de conjuntos de dados completos.

5. Personalizando Campos Recuperados

Especifique exatamente quais campos recuperar para transferência de dados eficiente.

Campos comuns:

• accession - Número de acesso UniProt
• id - Nome da entrada
• gene_names - Nome(s) do gene
• organism_name - Organismo
• protein_name - Nomes das proteínas
• sequence - Sequência de aminoácidos
• length - Comprimento da sequência
• go_* - Anotações do Gene Ontology
• cc_* - Campos de comentários (função, interação, etc.)
• ft_* - Anotações de características (domínios, sítios, etc.)

Exemplo: https://rest.uniprot.org/uniprotkb/search?query=insulin&fields=accession,gene_names,organism_name,length,sequence&format=tsv

…