Gget genomic databases

何时使用

需要用一个统一接口（gget，CLI 与 Python 同构）跨 20+ 基因组数据库取数与做轻量分析时使用，典型场景：

• 跨物种从 Ensembl 按关键词搜基因、查基因元数据（名称/ID/描述，融合 Ensembl+UniProt+NCBI）。
• 取 Ensembl 基因/转录本的核酸或蛋白序列；下载某物种参考基因组与注释（GTF/cDNA/DNA/CDS/PEP）。
• 对参考库跑 BLAST/BLAT 远程检索，或做多序列比对（Muscle5）与本地快速比对（DIAMOND）。
• 用 AlphaFold2 从氨基酸序列预测 3D 结构；下载 PDB 结构；找线性基序（ELM）。
• 用 Enrichr 做基因集富集（GO/KEGG/疾病等）；用 OpenTargets 查靶点的疾病/药物/成药性关联。
• 查 CELLxGENE 单细胞数据、ARCHS4 组织表达与共表达基因、Bgee 直系同源。
• 经 cBioPortal/COSMIC 查癌症突变与拷贝数变异。

不该用的边界：

• 大批量处理或高级 BLAST 参数 → 用 biopython（本技能的 BLAST 是远程便捷封装）。
• 带内建限速的多数据库 SDK 编排（UniProt/KEGG/ChEMBL 等程序化工作流）→ 用 bioservices。
• 只需对单个公开库发 REST 请求取原始 JSON、不想装 gget → 用 scientific-database-lookup。
• 深度富集/自定义基因集库分析、上游差异表达计算不在此 → 见 gene-set-enrichment-analysis。
• gget 查的是远程库，不做大规模本地数据集统计建模。

步骤 / 指令

1. 装包：pip install gget（建议干净虚拟环境）。部分模块首次用前需 gget setup <module>：alphafold（约 4GB 参数 + OpenMM）、cellxgene、elm。
2. 按域选模块（Python 调 gget.<module>()，CLI 调 gget <module>）：

域	模块	主要数据库
基因参考/检索	ref search info seq	Ensembl, UniProt, NCBI
序列比对	blast blat muscle diamond	NCBI BLAST, UCSC, 本地
蛋白结构	pdb alphafold elm	RCSB PDB, AlphaFold2, ELM
表达	archs4 cellxgene bgee	ARCHS4, CZ CELLxGENE, Bgee
疾病/药物	opentargets enrichr	OpenTargets, Enrichr
癌症	cbio cosmic	cBioPortal, COSMIC
工具	mutate setup	本地

3. 校正标识符：基因检索用 gget.search(...) 得 Ensembl ID（ENSG...），下游 info/seq/opentargets 复用之。注意物种：默认 homo_sapiens，可用 species="mouse" 等简写。
4. 调用取数：Python 返回 DataFrame/dict（加 json=True 出 JSON、save=True 落盘）；CLI 默认 JSON（-csv 出 CSV、-o file 存盘）。序列出 FASTA，结构出 PDB，单细胞出 AnnData。
5. 限速：远程库（BLAST/BLAT/info）批量调用要在循环里 time.sleep(2)；gget.info() 单次 ≤ 约 1000 个 Ensembl ID。
6. 钉版本保证可复现：gget.ref(..., release=112)、gget.cellxgene(..., census_version="2023-07-25")，并记录 gget.__version__。

Enrichr 库简写：'pathway'=KEGG_2021_Human、'transcription'=ChEA_2016、'ontology'=GO_Biological_Process_2021、'diseases_drugs'=GWAS_Catalog_2019、'celltypes'=PanglaoDB_Augmented_2021；也可直接传任意 Enrichr 库名（如 "Jensen_TISSUES"）。

OpenTargets resource：diseases / drugs / tractability / pharmacogenetics / expression / depmap / interactions。

示例

基因检索 → 信息 → 序列 → 富集（Python）：

import gget

# 1. 按关键词搜基因
results = gget.search(["BRCA1", "tumor suppressor"], species="homo_sapiens")
gene_ids = results["ensembl_id"].tolist()[:10]

# 2. 取详细信息（Ensembl + UniProt + NCBI），单次 ≤ ~1000 ID
info = gget.info(gene_ids)

# 3. 取蛋白序列
seqs = gget.seq(gene_ids, translate=True)

# 4. 富集分析（GO 生物学过程）
enr = gget.enrichr(["ACE2", "AGT", "AGTR1", "TMPRSS2", "DPP4"], database="ontology")
print(enr[["Term", "Adjusted P-value"]].head())

远程比对加限速、靶点验证（Python）：

import gget, time

# BLAST 对 SwissProt（远程，批量循环里要 sleep）
hits = gget.blast("MKWMFKEDHSLEHRCV...", database="swissprot", limit=10)
time.sleep(2)

# 靶点的疾病/药物/成药性关联
g = "ENSG00000169194"
diseases = gget.opentargets(g, resource="diseases", limit=20)
drugs    = gget.opentargets(g, resource="drugs")

下载 RNA-seq 参考文件（CLI，钉 release）：

gget ref -w gtf -w cdna -d -r 112 homo_sapiens   # GTF + cDNA
gget ref -w dna -d homo_sapiens                   # 基因组 DNA

结构预测前先查 PDB（gget.pdb() 秒级，AlphaFold 需数分钟到数小时）：

import gget
pdb = gget.pdb("7S7U", save=True)  # 已有就别白跑 AlphaFold
structure = gget.alphafold("MKWMFK...", plot=True, show_sidechains=True, relax=True)

注意事项

• 先查 PDB 再跑 AlphaFold：pdb() 即时，AlphaFold 耗时极长；蛋白过长会 GPU OOM，拆结构域或缩短序列。gget setup alphafold 需 Python 3.8–3.10。
• 限速与上限：远程库批量调用要 time.sleep()；gget.info() 超量会超时，单次 ≤ 约 1000 ID 并分批。
• 保持更新：数据库约每两周变结构，定期 pip install --upgrade gget 防 schema 变更导致报错；同一查询不同时间结果可能不同——钉版本（release=112 / census_version）。
• CELLxGENE 基因符号大小写敏感：人用 'ACE2'、鼠用 'Ace2'，须精确匹配。
• COSMIC 需账号 + 本地库：首次 gget.cosmic(..., download_cosmic=True, email=..., password=...)；认证报错时重填凭据并查账号状态。
• BLAST 空结果：序列太短或无匹配——换更长序列、换库或 megablast_off=True。
• 接口选择：流水线用 Python（返回可链式处理的 DataFrame），快速探查用 CLI（-csv）。
• cBioPortal 缓存：重复分析用 data_dir="./cache" 避免重复下载大数据集。

互见

• related：scientific-database-lookup —— 不想装 gget、只需对公开库发 REST 请求取原始 JSON 时。
• related：single-cell-rnaseq-analysis、genomic-file-toolkit、protein-language-models
• combines_with：gene-set-enrichment-analysis —— gget 取基因列表/共表达基因后做深度通路富集。
• combines_with：nextflow-pipeline-builder —— 用 gget ref 下载参考文件喂入 RNA-seq 比对流水线。

---

本条采编自 jaechang-hits/SciAgent-Skills（CC-BY-4.0）。