如何利用entrez.efetch获得特定的蛋白质序列？

Question

我试图通过一个基因id (GI)号从NCBI中获取蛋白质序列，使用Biopython的Entrez.fetch()函数。

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序列。

一旦结果显示出来，我就可以手动到达蛋白质。或者我使用以下方法检查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。使这一过程难以可靠地自动化。

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

谢谢

Answer 1

好的一点是，XML中的数据库条目在不同作者提交的蛋白质中确实有所不同。

I已经制定了一种算法来“搜索”来自XML树的蛋白质序列：

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:在罕见的情况下(取决于“关键字筛选器”)，它可能幽默地抓取不想要的字符串，比如作者名，以'M‘开头，其缩写名称超过10个字符长(下图)：

​

​

希望这能帮上忙！