Jaspar tfbs database

何时使用

适用：

• 按 TF 名（如 CTCF、SP1、GATA1）或 JASPAR ID（如 MA0139.1）取该转录因子的 PFM/PWM，作为扫描工具的 motif 输入。
• 拉取某物种（人 9606、小鼠 10090）全部 CORE 谱，构建富集分析用 motif 库。
• 在启动子/调控序列上滑窗扫描，预测潜在 TF 结合位点（TFBS）。
• 按结构类（bHLH、锌指、同源域）或家族（C2H2 ZF、bZIP）汇集一类 TF 的结合谱。
• 取矩阵元数据：结合位点数、信息量、实验类型；或批量导出 CORE/CNE 集为 JASPAR / MEME 格式。

不该用（负边界）：

• 要从 ChIP-seq/ATAC-seq peak 做 de novo motif 发现 → 用 homer-motif-analysis；JASPAR 只提供已知矩阵。
• 要对调控变异打分或取调控元件注释 → 用 regulomedb-database / encode-database。
• 生产级批量扫描别用本文手写滑窗（仅教学用），改导出 MEME 格式后跑 FIMO。

步骤 / 指令

1. 装依赖：pip install requests pandas matplotlib numpy；可选 pip install pyJASPAR（自带 biopython 的 motif 对象封装）。
2. API 基址 https://jaspar.elixir.no/api/v1，无需鉴权；批量请求间隔 time.sleep(0.3~0.5)。
3. 检索矩阵：GET /matrix/，参数 search/collection/tax_id/tax_group/tf_class/tf_family/page_size(≤100)/format=json。务必沿响应 next 字段翻页，否则只拿到一页。
4. 取单矩阵：GET /matrix/{id}/；pfm 是 {位置str → {A,C,G,T:计数}}。
5. PFM→PWM：加伪计数后取 log2 odds（见示例）。扫描时阈值按最大得分的百分比（threshold_pct 默认 0.80）。
6. 大批量导出 MEME 格式 → 交 FIMO/AME/TOMTOM。

关键约束：

• 矩阵 ID 格式 MA{4 位数}.{版本}（如 MA0139.1）；脚本/论文中固定带版本号保证可复现，按名搜索返回全部版本，取版本号最高者最新。
• 标准分析用 CORE 集；UNVALIDATED 未人工校正，仅探索性使用。
• 必加伪计数：原始 PFM 含 0 计数，log 空间会出 -inf；用 pseudocount=0.8（JASPAR 推荐）或 sqrt(sites)/4。
• JASPAR 恒返回 {A,C,G,T} 键，勿假设行序；部分谱位置键是整型，需 {str(k):v} 规整。

JASPAR 集合速查

集合	说明	谱数(2024)
CORE	人工校正、非冗余、高质量（默认）	~1200
CNE	源自保守非编码元件	~100
UNVALIDATED	未人工校正	~1000
PHYLOFACTS	系统发育约束位点	~100
POLII	RNA 聚合酶 II 结合谱	~10

示例

检索 CTCF 谱（CORE 脊椎动物）：

import requests
JASPAR_API = "https://jaspar.elixir.no/api/v1"
r = requests.get(f"{JASPAR_API}/matrix/", params={
    "search": "CTCF", "collection": "CORE",
    "tax_group": "vertebrates", "format": "json"}, timeout=15)
r.raise_for_status()
for m in r.json()["results"][:3]:
    print(m["matrix_id"], m["name"], "sites=", m["sites"], m["type"])
# MA0139.1 CTCF sites=190 type=ChIP-seq

带翻页的通用检索（批量必用）：

import requests, time
def jaspar_search(**params):
    params.setdefault("format", "json"); params.setdefault("page_size", 100)
    out, url = [], f"{JASPAR_API}/matrix/"
    while url:
        r = requests.get(url, params=params if url.endswith("/matrix/") else None, timeout=15)
        r.raise_for_status(); data = r.json()
        out.extend(data["results"]); url = data.get("next"); time.sleep(0.3)
    return out
human = jaspar_search(tax_id=9606, collection="CORE")   # 人 CORE 全谱

PFM→PWM + 序列扫描：

import requests, numpy as np
BASE_IDX = {"A":0,"C":1,"G":2,"T":3}
def pfm_to_pwm(pfm, pseudocount=0.8, bg=0.25):
    bases = ["A","C","G","T"]; L = len(pfm)
    counts = np.array([[pfm[str(i)][b] for i in range(L)] for b in bases], float)
    counts += pseudocount
    freqs = counts / counts.sum(axis=0, keepdims=True)
    return np.log2(freqs / bg)                # shape (4, L)

def scan(seq, pwm, pct=0.80):
    seq = seq.upper(); L = pwm.shape[1]
    mx, mn = pwm.clip(min=0).sum(), pwm.clip(max=0).sum()
    thr = mn + pct*(mx-mn); hits = []
    for i in range(len(seq)-L+1):
        w = seq[i:i+L]
        if "N" in w: continue
        s = sum(pwm[BASE_IDX[w[j]], j] for j in range(L))
        if s >= thr: hits.append((i, round(s,3), "+"))
    return hits, mx, thr

pfm = requests.get(f"{JASPAR_API}/matrix/MA0139.1/",
                   params={"format":"json"}, timeout=15).json()["pfm"]
pwm = pfm_to_pwm(pfm)
hits, mx, thr = scan("...你的 DNA 序列...", pwm, 0.80)

信息量 IC（位点特异性）：

def information_content(pfm, pseudocount=0.8):
    bases=["A","C","G","T"]; L=len(pfm)
    c=np.array([[pfm[str(i)][b] for i in range(L)] for b in bases],float)+pseudocount
    f=c/c.sum(axis=0,keepdims=True)
    ic=2-(-np.sum(f*np.log2(f+1e-12),axis=0))
    return ic, ic.sum()      # 总 IC 越高=结合越特异

导出 MEME 最简格式（交 FIMO）：表头 MEME version 4 / ALPHABET= ACGT / Background letter frequencies + 每个 motif 一行 MOTIF {id} {name} + letter-probability matrix: alength= 4 w= {L} nsites= {sites} + L 行频率。生产扫描用 fimo --thresh 1e-4 motifs.meme seq.fa。

pyJASPAR 快取（需要 BioPython motif 对象时）：

import pyJASPAR
db = pyJASPAR.JASPAR2024(auto_reverse_complement=True)
m = db.fetch_motif_by_id("MA0139.1")
print(m.name, m.matrix_id, len(m), m.consensus)
motifs = db.fetch_motifs(collection="CORE", tax_id=9606, tf_family="bHLH")

JASPAR 平面文件格式：GET /matrix/{id}/?format=jaspar 取 r.text。

注意事项

• 翻页：JASPAR 每页 ≤100，务必沿 next 取完；用首响应 count 校验 len(results) 是否抓全。
• 伪计数不可省，否则 PWM 出 -inf 抹掉含该碱基的所有序列。
• 扫描无命中多因阈值过严或序列过短：降 threshold_pct 到 0.70，并核对序列长度 ≥ motif 长度。
• 矩阵 ID 固定版本号保可复现；按名搜返回多版本，取版本号最大者。
• 常见错误：search 空结果=TF 不在库/集合或 tax_group 选错（试 collection=None 全集搜，或换别名如 NF-κB→RELA）；404=ID 拼写或格式错；pfm['0'] KeyError=位置键为整型，需 {str(k):v} 规整；pyJASPAR 装不上（需 Py≥3.8 + C 扩展）就直接用 REST API。

互见

• requires：无 —— 仅需基础 Python/HTTP 能力。
• related：homer-motif-analysis（de novo motif 发现，补已知库）、regulomedb-database（调控变异打分）、encode-database / remap-database（TF ChIP-seq peak，可与 JASPAR 谱交叉验证）。
• combines_with：macs3-peak-calling —— 先 call peak 产出 BED，再用 JASPAR 谱做 motif 富集；homer-motif-analysis —— 已知库扫描 + de novo 发现互补。
• 参考：JASPAR REST API v1 https://jaspar.elixir.no/api/v1/ ；Castro-Mondragon et al. (2022) NAR；pyJASPAR https://github.com/asntech/pyjaspar 。

---

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