我正在尝试从特定生物项目的NCBI数据库中检索编码蛋白质序列。这可以使用Web浏览器以某种方式实现。例如，您可以找到您感兴趣的特定生物项目并“点击”相关蛋白质： http://www.ncbi.nlm.nih.gov/genome/proteins/994?project_id=207383允许您查看BioProject“207383”和Genome“994”中的所有蛋白质。我想使用python自动获取蛋白质序列。
为了做到这一点，我使用了NCBI的“电子工具”。主要是“elink.fcgi？”它允许从数据库的特定UID链接数据库的所有UID（比如说“蛋白质”）（比如说BioProject UID）。所以这是我的entrez URL请求：
http://eutils.ncbi.nlm.nih.gov/entrez/eutils/elink.fcgi?dbfrom=bioproject&linkname=bioproject_protein&id=207383
然后我获得了一个Protein UID列表，这是我需要的那个很好，我的下一个使用efetch.fcgi的请求？ “E-效用”。这个请求将允许我得到我需要的一切。
好的，所以一切都很好，一切都很好但是我从“elink.fcgi”得到的蛋白质UID的数量是多少？请求与基于手动web broswer的搜索显示的蛋白质数量不同。更糟糕的是，在查询这些问题的起源后，您会看到更高的分类群中缺少序列或序列（这些序列也不以任何方式与BioProject相关联）。
这是一个例子：当python请求得到3957 Protein UID时，这篇文章的第一个链接显示了4014个序列。
我尝试了一些其他方法，例如从分类UID中获取所有蛋白质UID。这通常会给你更多的顺序，因为有不同的生物项目（也给你一些不同的名称和相同的Fasta双打）。
有没有办法做到这一点，一个迁移工作？
答案 0 :(得分：2)
我也觉得与NCBI合作非常令人沮丧。令我惊讶的是，这样的数据源甚至没有为我们提供简洁的下载方式。相反，它提供了一些可怕的交叉链接，让用户自己解决整个问题。
我的解决方案来自这篇文章
How to Download Bacterial Genomes Using the Entrez API
确保将数据库更改为“nuccore”并将其更改为“fasta_cds_aa”。还要检查下载的fasta文件中的分类标识，以确保它完全是你所要求的压力（这最后一个让我很烦恼，很难学到的东西）。