Uniprot数据库dat文件转换为fasta文件【已转为非公开，有需求请付费】

发表于： 2022-09-17 分类于：归档

字数：1611 阅读：≈ 4分钟浏览：

Uniprot数据库

关于序列存储

Uniprot数据库中数据库存储方式之一是我们常用的fasta格式，方式之二是dat文件格式，方式之三是xml格式。

fasta格式，我只找到了complete 版本下的文件 uniprot_sprot.fasta.gz 。但是 Taxonomic divisions 下的生物分类的文件中，没找到fasta格式。

（以下内容为我个人思考内容给大家简单介绍下我的需求，没见别人这么搞过，不知道对错，也不知道有无必要，所以，大家学学代码就可以了。）

由于我做的是植物，论文里也是想用Uniprot数据库做个注释，但我强迫症，我就只想用Uniprot中的植物序列信息做注释。所以，这里我写了个perl脚本把dat格式的 uniprot_sprot_plants.dat.gz （目前只有4万多条序列）转换为fasta格式。其实本脚本也适用其它 uniprot_sprot*.dat.gz 文件。

下面介绍下FASTA序列信息、脚本使用方法、脚本内容、验证方法。

用到的目录链接

complete：https://ftp.uniprot.org/pub/databases/uniprot/current_release/knowledgebase/complete/

Taxonomic divisions：https://ftp.uniprot.org/pub/databases/uniprot/current_release/knowledgebase/taxonomic_divisions/

FASTA序列信息注解

https://ftp.uniprot.org/pub/databases/uniprot/current_release/knowledgebase/complete/uniprot_sprot.fasta.gz

1
2
3
4
5
6
7


>sp|P31237|ACCO_ACTDE 1-aminocyclopropane-1-carboxylate oxidase OS=Actinidia deliciosa OX=3627 GN=ACO PE=2 SV=1
MEAFPVIDMEKLNGEERAPTMEKIKDACENWGFFELVNHGISHELMDTVERLTKEHYNKC
MEQRFKEMVATKGLEAVQSEINDLDWESTFFLRHLPVSNISEIPDLEQDHRKAMKEFAEK
LEKLAEQLLDLLCENVGLEKGYLKKAFYGSKGPTFGTKVSNYPPCPRPELIKGLRAHTDA
GGIILLFQDNKVSGLQLLKDGEWIDVPPMKHSIVINIGDQLEVITNGKYKSVMHRVIAQP
DGNRMSIASFYNPGSDAVMYPAPALVDKEEDQQKQVYPKFVFEDYMKLYAGLKFQAKEPR
FEAMKAMENAVNLGPIATI

> 后的注释信息进行简单说明。

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。

那Trembl数据库呢？未下载过，没看过。

P31237：UniProt ID号对应dat文件中的AC P31237; dat文件中的编号可能有多个，并以; 分割，而在fasta序列中只包含第一个ID号。
ACCO_ACTDE 1-aminocyclopropane-1-carboxylate oxidase：蛋白质名称。ACCO_ACTDE对应dat文件中的ID，1-aminocyclopropane-1-carboxylate oxidase是dat文件中的DE RecName: Full=1-aminocyclopropane-1-carboxylate oxidase;。
OS=Actinidia deliciosa ：OS是Organism简称，Actinidia deliciosa是美味猕猴桃的拉丁文名称，说明该蛋白是来自美味猕猴桃。对应dat文件中的OS 。
OX=3627：Organism Taxonomy，也就是物种分类数据库Taxonom y ID。对应dat文件中的OX NCBI_TaxID=3627;
GN=ACO ：Gene name，基因名为ACO 。对应dat文件中的GN Name=ACO; 。部分序列无GN项，如108_SOLLC (一种植物蛋白)。部分蛋白中可能没有GN 项。
PE=2 ：Protein Existence，蛋白质可靠性，对应5个数字，数字越小越可靠：对应dat文件中的PE 2: Evidence at transcript level; 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。对应dat文件中的DT 01-JUL-1993, sequence version 1.

脚本使用方法

1

perl dat2fa_swiss_prot.pl -i uniprot_sprot_plants.dat.gz -o output.fasta

-i 输入文件，是必需参数。允许解压后的dat文件，也允许gzip压缩的.gz 后缀文件。
-o 指定输出文件。如果未指定，则根据输入文件进行定义，且输出路径与输入文件相同。如果结果文件已经存在，则无法运行，必须更换或者删除输出文件名称。

注意：脚本有部分内容（序列ID中的’sp|’）写死，只能用于 Taxonomic divisions 下的uniprot_sprot文件uniprot_sprot*.gz ，不能用于 uniprot_trembl 文件。

脚本内容

保留了脚本内注释，也在学perl脚本的注意看一眼吧。

1

# 已转为非公开脚本

验证方法

手动验证，由于 Taxonomic divisions 下的文件序列均存在于complete 版本下的文件 uniprot_sprot.fasta.gz 。所以，可以复制下你得到的fasta文件ID到uniprot_sprot.fasta.gz 中进行搜索核对对应序列。

目前只有这种方法，不够高明。

讨论

如果这个 Taxonomic divisions 目录下的uniprot_sprot*.dat.gz 文件转换有问题，欢迎给我报错。