Pride proteomics database

何时使用

适用：

• 按自由文本关键词 + 分面（物种 / 仪器 / 疾病 / 软件 / PTM）检索已发表的蛋白质组数据集，做 meta 分析或基准。
• 从某 PRIDE 项目（PXD######）下载原始质谱数据（RAW、mzML、MGF）或预处理鉴定结果（RESULT 文件），取 FTP/Aspera 下载链接。
• 查某 UniProt 蛋白被哪些 PRIDE 项目报告（仅项目级出现映射，无 PSM/覆盖度计数）。
• 找与目标项目相似的项目，做再分析或跨研究比较。
• 拉取 SDRF（样本-数据关系格式）以编程方式建模「样本 ↔ MS run」映射。
• 构造结构化查询前，先用分面端点发现合法的筛选取值。

不该用（负边界）：

• 肽段 / PSM 级鉴定：PRIDE v3 已移除 /peptides、/psms、/proteins?proteinAccession= 端点——需下载项目 RESULT 文件，用 pyopenms-mass-spectrometry 或 pyteomics 本地解析。
• 蛋白序列、Swiss-Prot 注释、ID 映射——用 uniprot-protein-database。
• 本地解析 mzML/mzIdentML 与定量分析——用 pyopenms-mass-spectrometry / maxquant-proteomics。

步骤 / 指令

1. 环境：仅需 requests、pandas（作图加 matplotlib），免鉴权、无 API key。pixi/conda 下用 pixi run python ...。

   pip install requests pandas matplotlib
   

2. 固定根地址：PRIDE = "https://www.ebi.ac.uk/pride/ws/archive/v3"。OpenAPI 规范在 …/v3/v3/api-docs。
3. 检索用 /search/projects，不要用 /projects：/projects 是分页列举端点，会静默忽略 keyword/organism/disease 等筛选；只有 /search/projects?keyword=…&filter=field==value 才真正过滤。
4. 先 /facet/projects 发现合法筛选值再过滤：分面值必须精确匹配（如 organisms_facet==Homo sapiens (human)，括号都不能少）。该端点返回 {facet组: {值: 计数}}。
5. 筛选语法：filter 为逗号分隔的 字段_facet==值 列表，如 organisms_facet==Homo sapiens (human),instruments_facet==Q Exactive。
6. 分页无元数据，走到空为止：v3 返回纯 JSON 数组（无 HAL _embedded/page 信封、无 totalElements）。从 page=0,1,2,… 迭代，直到返回空数组或长度 < pageSize 停止。
7. 下载前按 fileCategory.value 过滤：取值为 RAW/PEAK/RESULT/FASTA/OTHER；文件大小字段是 fileSizeBytes（不是 fileSize），除 1e6 得 MB。每个文件含 FTP Protocol 与 Aspera Protocol 两个链接，批量下载优先 FTP 配 aria2c -x 8 -j 4。
8. 限流：未正式公布，紧循环里加 time.sleep(0.3)、突发 < ~5 req/s；遇 429/5xx 指数退避重试。

示例

快速上手（检索 → 详情 → 文件清单）：

import requests
PRIDE = "https://www.ebi.ac.uk/pride/ws/archive/v3"

# 1) 自由文本检索（返回纯 list[dict]，无 _embedded 信封）
projects = requests.get(f"{PRIDE}/search/projects",
                        params={"keyword": "prostate cancer", "pageSize": 5}, timeout=30).json()
acc = projects[0]["accession"]

# 2) 项目详情
p = requests.get(f"{PRIDE}/projects/{acc}", timeout=30).json()
print(p["accession"], (p["title"] or "")[:70], p.get("doi"))
print("物种:", [o["name"] for o in p.get("organisms", [])])

# 3) 文件总量
files = requests.get(f"{PRIDE}/projects/{acc}/files/all", timeout=60).json()
print(f"{len(files)} 文件, {sum(f.get('fileSizeBytes',0) for f in files)/1e6:.0f} MB")

分面发现 + 过滤检索：

# 先看 cancer 相关数据集里哪些仪器/疾病常见
facets = requests.get(f"{PRIDE}/facet/projects",
                      params={"keyword": "cancer", "facetPageSize": 10}, timeout=30).json()
print("分面组:", list(facets.keys()))   # instruments, organisms, diseases, softwares, ...
for instr, n in sorted(facets.get("instruments", {}).items(), key=lambda kv: -kv[1])[:5]:
    print(f"  {instr:<35} {n}")

# 用 top 仪器 + 物种做过滤检索（facet 值须精确匹配）
hits = requests.get(f"{PRIDE}/search/projects",
        params={"keyword": "cancer",
                "filter": "organisms_facet==Homo sapiens (human),instruments_facet==Q Exactive",
                "pageSize": 50, "sortFields": "submission_date", "sortDirection": "DESC"},
        timeout=30).json()

分页拉全（无总数，走到空为止）：

def search_all(keyword, page_size=100, max_pages=10):
    out, page = [], 0
    while page < max_pages:
        batch = requests.get(f"{PRIDE}/search/projects",
                  params={"keyword": keyword, "pageSize": page_size, "page": page},
                  timeout=30).json()
        if not batch: break
        out += batch
        if len(batch) < page_size: break   # 末页
        page += 1
    return out

文件下载清单（过滤类别 → 生成 aria2c URL 列表）：

import pandas as pd
files = requests.get(f"{PRIDE}/projects/PXD004131/files/all", timeout=120).json()
keep = {"RAW", "RESULT"}
rows = []
for f in files:
    cat = (f.get("fileCategory") or {}).get("value")
    if cat not in keep: continue
    ftp = next((l["value"] for l in f.get("publicFileLocations", [])
                if l.get("name") == "FTP Protocol"), None)
    if ftp:
        rows.append({"name": f["fileName"], "cat": cat,
                     "mb": round((f.get("fileSizeBytes") or 0)/1e6, 2), "ftp": ftp})
mdf = pd.DataFrame(rows)
print(f"保留 {len(mdf)}/{len(files)} 文件, {mdf['mb'].sum():.0f} MB")
open("pride_dl.list", "w").write("\n".join(mdf["ftp"]))   # aria2c -i pride_dl.list -x 8 -j 4

蛋白 → 项目出现映射（仅项目列表，无 PSM/覆盖度）：

def protein_projects(uniprot_acc):
    r = requests.get(f"{PRIDE}/proteins/{uniprot_acc}", timeout=30)
    return r.json().get("projects", []) if r.status_code == 200 else []

tp53 = protein_projects("P04637")
print(f"TP53 (P04637) 被 {len(tp53)} 个 PRIDE 项目报告: {tp53[:8]}")

SDRF 样本-run 映射 / 相似项目 / 仓库总量：

import io
# SDRF（404 表示该项目未提供）
r = requests.get(f"{PRIDE}/files/sdrf/PXD000001", timeout=30)
sdrf = pd.read_csv(io.StringIO(r.text), sep="\t") if r.status_code == 200 else None

# 相似项目 / 自动补全
similar = requests.get(f"{PRIDE}/projects/PXD004131/similarProjects",
                       params={"pageSize": 5}, timeout=30).json()
sugg = requests.get(f"{PRIDE}/search/autocomplete", params={"keyword": "tp53"}, timeout=30).json()

# 仓库级总数（返回纯整数文本，非 JSON 对象）
n_proj = int(requests.get(f"{PRIDE}/projects/count", timeout=30).text)
n_file = int(requests.get(f"{PRIDE}/files/count", timeout=30).text)

注意事项

文件类别速查（fileCategory.value）：RAW（仪器原始：.raw/.d/.wiff）、PEAK（质心谱：.mzML/.mzXML/.mgf）、RESULT（鉴定结果：.mzid/.mzTab/MaxQuant txt）、FASTA（搜库序列库）、OTHER（脚本/表格）。再分析优先 RESULT（最省，无需重搜谱）；换引擎重搜用 PEAK；仅全流程重处理才需 RAW（GB 级）。

v3 已移除（与 v2 内部互为别名，/v2/peptides 报错路径仍指 v3）：

旧端点	v3 状态	替代
GET /peptides?projectAccessions=X	404	下载项目 RESULT 文件本地解析
GET /psms?projectAccessions=X	404	同上
GET /proteins?proteinAccession=X（query 式）	404	GET /proteins/{accession}（path 式）
HAL+JSON _embedded/page 信封	移除	纯 JSON 数组
/projects?keyword=…&organisms=… 过滤	静默忽略	/search/projects?keyword=…&filter=…

常见排错：

• 解析得空列表但 r.json() 有数据：代码在取 data["_embedded"]["compactprojects"]（v2 旧信封）——直接 r.json() 当 list 用。
• /peptides、/psms、query 式 /proteins 报 404：v3 已删——肽/PSM 走 RESULT 文件；蛋白查询改 path 式 /proteins/{accession}。
• /projects?keyword=cancer 返回与无 keyword 相同的 100 条：/projects 仅认 pageSize/page——改用 /search/projects。
• 文件大小为 0：读了 fileSize——v3 字段是 fileSizeBytes（字节），除 1e6 得 MB。
• filter 无效：facet 值未精确匹配——先 /facet/projects?keyword=… 枚举合法值（是 Homo sapiens (human)，不是 Homo sapiens）。
• 超结果集的 pageSize 返回空数组：正常分页行为——长度 < pageSize 或为空即停。
• findAllOrganismsCount 报 406：该端点需非 JSON Accept 头——跳过，用 /facet/projects 代替。
• 429 / ConnectionError：EBI 共享基础设施限流——循环加 time.sleep(0.3)，5xx 指数退避重试。

关键参数：keyword（全文检索 title/desc/tags）、filter（字段_facet==值 逗号分隔）、pageSize（默认 100）、page（0 起，无元数据走到空）、sortFields（默认 submission_date）、sortDirection（ASC/DESC）、facetPageSize（每分面组返回值数，默认 20）。

PXD 编号跨 PRIDE/MassIVE/jPOST/iProX 稳定；项目内文件 accession 是 SHA-256 式不透明哈希，人读用 fileName。

参考：PRIDE v3 API 根、OpenAPI 规范、PRIDE 门户、Perez-Riverol et al., NAR 2022、SDRF-Proteomics 规范。

互见

• requires：uniprot-protein-database —— 蛋白查询前先有 UniProt accession；查到项目后再回填序列与功能注释。
• related：scientific-database-lookup、protein-language-models
• combines_with：pyopenms-mass-spectrometry —— 下载 RESULT/PEAK 文件后本地解析谱图与 PSM；maxquant-proteomics —— 对 RAW/PEAK 文件做定量再分析。

---

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