Interpro domain database

何时使用

适用：

• 按 UniProt accession（如 P04637）列出某蛋白的全部 InterPro 条目，得到结构域架构（domain/family/site 及位置）。
• 反查含某结构域/家族的蛋白列表（如 IPR000719 蛋白激酶域），可限 Swiss-Prot reviewed。
• 查某 InterPro 条目的物种分布（taxonomy），看哪些类群编码该结构域。
• 把结构域关联到 PDB 实验三维结构（cross-link）。
• 看某条目由哪些成员库覆盖（Pfam、PANTHER、SMART、CDD、PROSITE…）及其 GO 注释。
• 不知 accession 时按关键词（如 "serine kinase"）发现 InterPro 条目。

不该用（负边界）：

• 取蛋白序列、Swiss-Prot 功能注释（活性位点、PTM、疾病关联）、ID 映射——用 uniprot-protein-database。
• 下载实验三维结构文件——InterPro 只给关联的 PDB ID，下结构走结构数据库技能。
• 生成蛋白语言模型嵌入——用 protein-language-models。
• 下载结构域比对序列 / 建 HMM——直接用 Pfam；InterPro 是元层（meta-layer）。

InterPro 是 EBI 的整合库，把 13 个成员库（Pfam、PANTHER、PIRSF、PRINTS、PROSITE、SMART、CDD、NCBIfam…）的签名归并为统一 InterPro 条目。REST API：https://www.ebi.ac.uk/interpro/api/，免费、无需鉴权。

步骤 / 指令

1. 环境：仅需 requests、pandas、matplotlib。在 pixi/conda 环境用 pixi run python ...。

   pip install requests pandas matplotlib
   

2. 统一用 Accept: application/json 头与一个薄封装函数（见示例 interpro_get），base = https://www.ebi.ac.uk/interpro/api。
3. 取蛋白结构域用专门端点：protein/uniprot/{acc}/ 只返回 {metadata}（蛋白本身）；条目匹配在 entry/interpro/protein/uniprot/{acc}/，键为 results，每项含 metadata + 嵌套 proteins[0].entry_protein_locations（按蛋白的匹配位置）。
4. 路径反转避免 408：凡是「条目→蛋白/物种/结构」的列表查询，把 entry/... 放后面，否则慢 join 会超时（HTTP 408）：
   • 条目的蛋白列表：protein/{db}/entry/interpro/{IPR}/（不要 entry/interpro/{IPR}/protein/{db}/）
   • 条目的物种分布：taxonomy/uniprot/entry/interpro/{IPR}/
   • 条目的 PDB 结构：structure/pdb/entry/interpro/{IPR}/（不要 structure/pdb/?entry_interpro=...）
5. reviewed vs uniprot：db 取 reviewed（仅 Swiss-Prot，做家族分析/训练集首选，去噪）或 uniprot（全 UniProtKB，含 TrEMBL，量大 5–10×）。
6. 分页：列表响应含 count 与 next（耗尽为 null）。大家族（激酶 10000+ 蛋白）必须循环跟 next 游标，page_size 设 200，落盘中间结果。
7. 限流自律：EBI 共享基建无硬限流，批量翻页每页间 time.sleep(1.0)。
8. 优先用 InterPro accession 而非成员库号：PF00069（Pfam）与 PTHR24340（PANTHER）都建模激酶域但覆盖不同；用父级 IPR000719 一次拿到各成员库匹配的并集。
9. 判读位置看 type：只有 domain/repeat/site 的 entry_protein_locations 有意义；family/homologous_superfamily 通常跨全长，坐标信息有限。

示例

薄封装 + 取 TP53 结构域架构（核心范式）：

import requests
INTERPRO_BASE = "https://www.ebi.ac.uk/interpro/api"

def interpro_get(path, params=None):
    r = requests.get(f"{INTERPRO_BASE}/{path}", params=params,
                     headers={"Accept": "application/json"}, timeout=60)
    r.raise_for_status()
    return r.json()

# entry/interpro/protein/uniprot/{acc}/ 返回 {count,next,previous,results}
data = interpro_get("entry/interpro/protein/uniprot/P04637/")   # TP53
print(f"InterPro 条目数: {data.get('count')}")
for e in data["results"][:6]:
    m = e["metadata"]
    locs = e["proteins"][0].get("entry_protein_locations", []) if e.get("proteins") else []
    loc = ", ".join(f"{f['start']}-{f['end']}" for L in locs for f in L.get("fragments", []))
    print(f"  {m['accession']}  {m['type']:<22}  {m['name'][:32]:<32}  [{loc}]")

关键词搜索条目 + 按 accession 取详情（成员库、GO）：

hits = interpro_get("entry/interpro/",
                    {"search": "serine kinase", "type": "domain", "page_size": 20})["results"]
meta = interpro_get("entry/interpro/IPR000719/")["metadata"]
print(meta["accession"], meta["name"], meta["type"])
print("成员库:", list(meta.get("member_databases", {}).keys()))   # ['pfam','smart','cdd','ncbifam','panther']
print("GO:", [g["identifier"] for g in meta.get("go_terms", [])[:3]])

反查家族成员蛋白（路径反转 + 游标分页）：

import time
def get_all_entry_proteins(ipr, reviewed=True):
    db = "reviewed" if reviewed else "uniprot"
    url = f"{INTERPRO_BASE}/protein/{db}/entry/interpro/{ipr}/"
    out, params = [], {"page_size": 200}
    while url:
        d = requests.get(url, params=params, headers={"Accept": "application/json"},
                         timeout=60); d.raise_for_status(); d = d.json()
        out.extend(d.get("results", []))
        url, params = d.get("next"), None      # next 已编码好参数
        if url: time.sleep(1.0)
    return out

proteins = get_all_entry_proteins("IPR000719")   # 蛋白激酶域，reviewed

物种分布（小条目；激酶 IPR000719 太大会 408，回退到子家族）：

taxa = interpro_get("taxonomy/uniprot/entry/interpro/IPR011615/",   # p53 DNA 结合域
                    {"page_size": 50})["results"]
for t in taxa[:8]:
    m = t["metadata"]   # accession=taxId, name, rank
    print(f"  taxId={m['accession']:>8}  {m.get('name',''):<28}  rank={m.get('rank') or 'n/a'}")

关联 PDB 结构（按分辨率排序）：

import pandas as pd
structs = interpro_get("structure/pdb/entry/interpro/IPR011009/",   # 激酶样超家族
                       {"page_size": 200})["results"]
df = pd.DataFrame({"pdb": s["metadata"]["accession"].upper(),
                   "resolution": s["metadata"].get("resolution"),
                   "exp": s["metadata"].get("experiment_type","")} for s in structs)
df = df.dropna(subset=["resolution"]).sort_values("resolution")
print(df.head(10).to_string(index=False))

工作流：多蛋白结构域矩阵：

rows = []
for acc in ["P04637", "P38398", "Q00987", "P10415"]:   # TP53,BRCA1,MDM2,BCL2
    d = interpro_get(f"entry/interpro/protein/uniprot/{acc}/")
    for e in d.get("results", []):
        m = e["metadata"]
        rows.append({"protein": acc, "accession": m["accession"], "type": m["type"]})
    time.sleep(1.0)
df = pd.DataFrame(rows)
pivot = df[df.type=="domain"].pivot_table(index="protein", columns="accession",
                                          aggfunc="size", fill_value=0)
pivot.to_csv("domain_architecture_matrix.csv")

注意事项

InterPro 五种条目类型（type 决定匹配的生物学含义）：family（共同祖先+功能的同源蛋白组，如 IPR000719 蛋白激酶）、domain（可在多蛋白语境出现的结构功能单元，如 IPR011009 激酶样超家族）、homologous_superfamily（结构相似但序列已分化）、repeat（蛋白内多次重复的短单元，如 IPR001440 TPR）、site（活性/结合/PTM 短保守 motif，如 IPR008271）。

成员库前缀：Pfam=PF（profile HMM）、PANTHER=PTHR、PIRSF=PIRSF、PRINTS=PR、PROSITE=PS（pattern/profile）、SMART=SM、CDD=cd（PSSM）、NCBIfam=NF。InterPro 号（IPR…）是统一元条目。

关键参数：search（关键词，仅 entry/interpro/）、type（family/domain/homologous_superfamily/repeat/site）、page_size（1–200，默认 20）、source_database（reviewed/uniprot/trembl）、next（游标，用响应里的完整 URL）、relations（contains/contained_by/child_of/parent_of，遍历层级）。

常见排错：

• 蛋白查询 HTTP 404：accession 在 InterPro 不存在；isoform（P12345-2）可能未单独索引。
• 蛋白条目列表为空：该蛋白无 InterPro 匹配（如内在无序蛋白），属正常，去 UniProt 核对。
• protein/uniprot/{acc}/ 只返回 metadata 没条目：用错端点——改 entry/interpro/protein/uniprot/{acc}/ 读 results。
• entry/interpro/{IPR}/protein/... 或 structure/pdb/?entry_interpro=... 408/卡死：join 顺序问题——反转为 protein/{db}/entry/interpro/{IPR}/、structure/pdb/entry/interpro/{IPR}/。
• 物种端点对超大家族（IPR000719 激酶 ~270k taxa）仍 408：回退到更具体的子家族条目（如 IPR011615）。
• 条目搜索 HTTP 400：type 值非法——只能用上述五种。
• 分页提前停（next 早于预期为 null）：正常，结果已取完。
• ConnectionError/Timeout：EBI 偶有短暂宕机——指数退避重试。

参考：InterPro REST API 文档、InterPro 门户、Blum et al., NAR 2021、Paysan-Lafosse et al., NAR 2023。

互见

• uniprot-protein-database — 蛋白序列、Swiss-Prot 功能注释、ID 映射；与本技能互为输入输出。
• protein-language-models — 用 InterPro 锁定蛋白家族后，生成序列嵌入做下游分析。
• alphafold-database-access — InterPro 给的 UniProt accession 可直接拉 AlphaFold 预测结构。
• scientific-database-lookup — 通用科学数据库检索入口，不确定查哪个库时先走它。

---

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