Biopython - Entrez 数据库
Entrez 是 NCBI 提供的一个在线检索系统。 它提供对几乎所有已知分子生物学数据库的访问，并具有支持布尔运算符和字段搜索的集成全局查询。 它从所有数据库返回结果，其中包含每个数据库的命中次数、带有原始数据库链接的记录等信息。
下面列出了一些可以通过 Entrez 访问的流行数据库 −
- Pubmed
- Pubmed Central
- Nucleotide （GenBank 序列数据库）
- Protein（序列数据库）
- Genome （全基因组数据库）
- Structure （三维高分子结构）
- Taxonomy（GenBank 中的生物体）
- SNP （单核苷酸多态性）
- UniGene （基因导向的转录序列簇）
- CDD （保守蛋白域数据库）
- 3D Domains （来自 Entrez 结构的域）
除了上述数据库，Entrez 还提供了更多的数据库来执行字段搜索。
Biopython 提供了一个 Entrez 特定模块，Bio.Entrez 来访问 Entrez 数据库。 让我们在本章中学习如何使用 Biopython 访问 Entrez −
数据库连接步骤
要添加 Entrez 的功能，请导入以下模块 −
>>> from Bio import Entrez
下一步设置您的电子邮件以识别谁与下面给出的代码相关联 −
>>> Entrez.email = '<youremail>'
然后，设置Entrez工具参数，默认为Biopython。
>>> Entrez.tool = 'Demoscript'
现在，调用 einfo 函数来查找每个数据库的索引项计数、最后更新和可用链接，定义如下 −
>>> info = Entrez.einfo()
einfo 方法返回一个对象，该对象通过其 read 方法提供对信息的访问，如下所示 −
>>> data = info.read()
>>> print(data)
<?xml version = "1.0" encoding = "UTF-8" ?>
<!DOCTYPE eInfoResult PUBLIC "-//NLM//DTD einfo 20130322//EN"
"https://eutils.ncbi.nlm.nih.gov/eutils/dtd/20130322/einfo.dtd">
<eInfoResult>
<DbList>
<DbName>pubmed</DbName>
<DbName>protein</DbName>
<DbName>nuccore</DbName>
<DbName>ipg</DbName>
<DbName>nucleotide</DbName>
<DbName>nucgss</DbName>
<DbName>nucest</DbName>
<DbName>structure</DbName>
<DbName>sparcle</DbName>
<DbName>genome</DbName>
<DbName>annotinfo</DbName>
<DbName>assembly</DbName>
<DbName>bioproject</DbName>
<DbName>biosample</DbName>
<DbName>blastdbinfo</DbName>
<DbName>books</DbName>
<DbName>cdd</DbName>
<DbName>clinvar</DbName>
<DbName>clone</DbName>
<DbName>gap</DbName>
<DbName>gapplus</DbName>
<DbName>grasp</DbName>
<DbName>dbvar</DbName>
<DbName>gene</DbName>
<DbName>gds</DbName>
<DbName>geoprofiles</DbName>
<DbName>homologene</DbName>
<DbName>medgen</DbName>
<DbName>mesh</DbName>
<DbName>ncbisearch</DbName>
<DbName>nlmcatalog</DbName>
<DbName>omim</DbName>
<DbName>orgtrack</DbName>
<DbName>pmc</DbName>
<DbName>popset</DbName>
<DbName>probe</DbName>
<DbName>proteinclusters</DbName>
<DbName>pcassay</DbName>
<DbName>biosystems</DbName>
<DbName>pccompound</DbName>
<DbName>pcsubstance</DbName>
<DbName>pubmedhealth</DbName>
<DbName>seqannot</DbName>
<DbName>snp</DbName>
<DbName>sra</DbName>
<DbName>taxonomy</DbName>
<DbName>biocollections</DbName>
<DbName>unigene</DbName>
<DbName>gencoll</DbName>
<DbName>gtr</DbName>
</DbList>
</eInfoResult>
数据是 XML 格式，要将数据作为 python 对象获取，请在调用 Entrez.einfo() 方法后立即使用 Entrez.read 方法 −
>>> info = Entrez.einfo() >>> record = Entrez.read(info)
这里，record是一个字典，有一个 keys 键，DbList如下图 −
>>> record.keys() [u'DbList']
访问 DbList 键返回如下所示的数据库名称列表 −
>>> record[u'DbList'] ['pubmed', 'protein', 'nuccore', 'ipg', 'nucleotide', 'nucgss', 'nucest', 'structure', 'sparcle', 'genome', 'annotinfo', 'assembly', 'bioproject', 'biosample', 'blastdbinfo', 'books', 'cdd', 'clinvar', 'clone', 'gap', 'gapplus', 'grasp', 'dbvar', 'gene', 'gds', 'geoprofiles', 'homologene', 'medgen', 'mesh', 'ncbisearch', 'nlmcatalog', 'omim', 'orgtrack', 'pmc', 'popset', 'probe', 'proteinclusters', 'pcassay', 'biosystems', 'pccompound', 'pcsubstance', 'pubmedhealth', 'seqannot', 'snp', 'sra', 'taxonomy', 'biocollections', 'unigene', 'gencoll', 'gtr'] >>>
基本上，Entrez 模块解析 Entrez 搜索系统返回的 XML，并将其作为 Python 字典和列表提供。
搜索 Entrez 数据库
要搜索任何一个 Entrez 数据库，我们可以使用 Bio.Entrez.esearch() 模块。 定义如下 −
>>> info = Entrez.einfo()
>>> info = Entrez.esearch(db = "pubmed",term = "genome")
>>> record = Entrez.read(info)
>>>print(record)
DictElement({u'Count': '1146113', u'RetMax': '20', u'IdList':
['30347444', '30347404', '30347317', '30347292',
'30347286', '30347249', '30347194', '30347187',
'30347172', '30347088', '30347075', '30346992',
'30346990', '30346982', '30346980', '30346969',
'30346962', '30346954', '30346941', '30346939'],
u'TranslationStack': [DictElement({u'Count':
'927819', u'Field': 'MeSH Terms', u'Term': '"genome"[MeSH Terms]',
u'Explode': 'Y'}, attributes = {})
, DictElement({u'Count': '422712', u'Field':
'All Fields', u'Term': '"genome"[All Fields]', u'Explode': 'N'}, attributes = {}),
'OR', 'GROUP'], u'TranslationSet': [DictElement({u'To': '"genome"[MeSH Terms]
OR "genome"[All Fields]', u'From': 'genome'}, attributes = {})], u'RetStart': '0',
u'QueryTranslation': '"genome"[MeSH Terms] OR "genome"[All Fields]'},
attributes = {})
>>>
如果你分配了不正确的数据库，那么它会返回
>>> info = Entrez.esearch(db = "blastdbinfo",term = "books")
>>> record = Entrez.read(info)
>>> print(record)
DictElement({u'Count': '0', u'RetMax': '0', u'IdList': [],
u'WarningList': DictElement({u'OutputMessage': ['No items found.'],
u'PhraseIgnored': [], u'QuotedPhraseNotFound': []}, attributes = {}),
u'ErrorList': DictElement({u'FieldNotFound': [], u'PhraseNotFound':
['books']}, attributes = {}), u'TranslationSet': [], u'RetStart': '0',
u'QueryTranslation': '(books[All Fields])'}, attributes = {})
如果你想跨数据库搜索，那么你可以使用Entrez.egquery。 这与 Entrez.esearch 类似，只是指定关键字并跳过数据库参数就足够了。
>>>info = Entrez.egquery(term = "entrez") >>> record = Entrez.read(info) >>> for row in record["eGQueryResult"]: ... print(row["DbName"], row["Count"]) ... pubmed 458 pmc 12779 mesh 1 ... ... ... biosample 7 biocollections 0
获取记录
Enterz 提供了一种特殊的方法，efetch，用于从 Entrez 搜索和下载记录的完整详细信息。 考虑以下简单示例 −
>>> handle = Entrez.efetch( db = "nucleotide", id = "EU490707", rettype = "fasta")
现在，我们可以简单地使用 SeqIO 对象读取记录
>>> record = SeqIO.read( handle, "fasta" )
>>> record
SeqRecord(seq = Seq('ATTTTTTACGAACCTGTGGAAATTTTTGGTTATGACAATAAATCTAGTTTAGTA...GAA',
SingleLetterAlphabet()), id = 'EU490707.1', name = 'EU490707.1',
description = 'EU490707.1
Selenipedium aequinoctiale maturase K (matK) gene, partial cds; chloroplast',
dbxrefs = [])
