蛋白质信息查询全指南：从UniProt到PDB与AlphaFold DB

1. 蛋白质查询的前提：搞清楚你到底想问什么

1.1 一个从质谱结果开始的“查户口”场景

先讲个我身边的真实场景。前阵子有位同学做质谱，拿到三个多肽片段，序列分别是类似“VHLTPEEK”“GTFATLSELH”这样的短串。他第一反应是拿 BLAST 去比对，结果一下子出来几百个命中，物种从人到鱼都有，完全不知道怎么收场。问题不在于工具不好用，而在于他打开方式错了——他手里的是“肽段证据”，想得到的却是“完整蛋白档案”，中间隔着一个信息查询的基本思路：先锁定物种、再锁定条目、最后才去看注释。

所以我一直觉得，搞生物的人如果不先学“怎么查蛋白”，后面所有的实验设计、突变位点选择、抗体采购，都在打盲牌。蛋白信息查询不是点几下网页那么简单，它本质上是一套信息检索思维：你知道自己有什么线索，你清楚目的地长什么样，然后在公共数据库里沿着交叉引用的路标一步步走过去。这篇文章就把我平时用的一套流程完整写出来，包括数据库怎么选、检索词怎么给、批量转换怎么做，以及那些我踩过不止一次的坑。

1.2 蛋白信息本质上是七个问题

在设计查询方案之前，我习惯让学生先把问题拆开。一个蛋白“是什么”，在生物信息学里至少包含七个维度：

• 序列：全长多长？信号肽在哪？有哪些保守残基？
• 结构：三维形状是什么？活性中心长什么样？
• 功能：分子功能是什么？参与哪个生物过程？
• 定位：在细胞里待在哪个区室？
• 修饰：有没有磷酸化、糖基化、乙酰化？
• 互作：它跟谁结合？形成二聚体还是多亚基复合物？
• 变异：有哪些天然突变？哪些跟疾病相关？

不同问题对应不同的数据库入口。我用一张表总结了最常用的路径：

你发现问题没有：没有一个数据库能回答所有问题。蛋白质信息查询的核心能力，是知道“这个问题该去哪个库问”，以及“库和库之间的交叉引用怎么跳”。我见过太多人只会在 UniProt 里点开一个页面，把上面内容复制粘贴到实验记录里就算查完了，其实漏掉的信息量很大。

2. 三个绕不开的数据库：UniProt、PDB 与 AlphaFold DB

2.1 UniProt：蛋白档案库的封面页

UniProt 是绝大多数查询的第一站，理由很简单：它是目前公共且免费的蛋白序列与功能注释数据库里，注释最全面、条目最规范的一个。你在搜索框里输入一个基因名、蛋白名、别名甚至一段序列，它都能帮你找到对应条目。

UniProt 里一个条目是一份“蛋白户口本”。拿人血清白蛋白举例，点进去你会看到编号、推荐名、基因名、长度、功能描述、亚细胞定位、结构域、翻译后修饰、序列。它分成两大区块：被人工审核过的叫 Swiss-Prot，标记为 reviewed；由基因组自动翻译、没有被人工审过的叫 TrEMBL，标记为 unreviewed。我选条目时有个习惯：优先看 reviewed 的。不是说 TrEMBL 一定错，只是它可能来自预测，注释质量不稳定。如果某蛋白只有 unreviewed 条目，我会再去比对其同源蛋白的 reviewed 条目，辅助判断。

2.2 PDB：实验测出来的三维结构仓库

如果 UniProt 回答的是“这个蛋白是什么”，PDB 回答的就是“这个蛋白长什么样”。PDB 里的结构来自 X 射线晶体学、冷冻电镜、核磁共振等实验手段，代表的是真实测量结果，不是电脑算出来的。

但用 PDB 有个容易忽略的细节：同一个蛋白往往对应好几个条目。还拿血红蛋白来说，脱氧状态有一个结构、氧合状态有另一个结构，不同突变体又各有一个条目，甚至同一状态下不同实验室测的也有区分。这些结构之间可能差别很大。所以下载 PDB 文件之前，先看清三件事：实验方法是什么、分辨率多少、条目的题目里写了什么条件。分辨率越低、结构越粗糙；题目里写明的配体、突变、pH 条件，直接决定了它适不适合你的研究场景。

2.3 AlphaFold DB：把没有实验结构的蛋白补上

实验结构不是每个蛋白都有的。很多膜蛋白、孤儿蛋白、长链非编码区对应的蛋白，测了几年也没有晶体结构。AlphaFold DB 这类预测结构库就是为这个缺口准备的。它的原理是通过深度学习，把序列信息映射到三维坐标上，给出一个置信度分数。

这里的置信度非常重要。AlphaFold 会给每个残基一个 pLDDT 值，通俗讲就是“这块结构我有多相信”。你打开一个预测模型，页面会有颜色渲染：深蓝色区域可信度高，橙色红色区域基本就是在瞎猜。我自己的原则是：pLDDT 高的区域可以用于突变设计、对接前期准备，低分的环区必须当不存在，别拿去做原子级别的对接分析。预测结构是很好的假设来源，但它永远不能替代实验验证。

3. 完整实操：从“一个名字”走到“一份档案”

3.1 先确定输入形式再选入口

很多人卡在第一步，就是拿着一张线索不知道该输入哪里。我总结了常见的几种情况：

• 只有一个基因名（比如 HBB）：直接去 UniProt 做基因名检索，记得限定物种。
• 只有一个蛋白名（比如 hemoglobin subunit beta）：可用 UniProt 的蛋白名检索，但要注意重名和多个物种命中。
• 手里是一段未知肽段：先做 BLAST，在 UniProt 的 BLAST 功能里把序列贴进去，等结果出来了再看条目。
• 已经有 PDB 编号：可以直接去 PDB 看结构，也可以从 UniProt 反查这个结构对应哪个蛋白。
• 只有分子量和等电点：这个最麻烦，光凭这两个值很难定位，最好结合质谱鉴定流程或其他证据一起判断。

我有一次帮人查蛋白，他只知道“是个分子量 35kD 的蛋白”，结果候选蛋白几十个。后来加了等电点、组织来源和第一段序列，才把范围缩小到三个。所以我的建议是：打开数据库之前，先把自己手里的证据列成清单。证据越多，查询越准。

3.2 血红蛋白查询演示：逐步走完六个环节

下面我用血红蛋白的 beta 亚基当例子，完整走一遍查询流程。这个例子经典、信息全，适合新手照着做。

第一步，打开 UniProt 主页，在搜索框输入 “hemoglobin subunit beta human”。关键词给得具体一点，避免混进 alpha 亚基和别的物种。结果列表里会有一个 reviewed 条目，鼠标移上去能看到物种那一栏明确标着 Human。

第二步，点进这个条目后，第一件事看“Function”和“Subcellular location”。血红蛋白的功能注释会写氧气的运输、二氧化碳的运输，以及它主要定位于红细胞的细胞质。这一栏信息可以直接拿去做实验背景描述，比你从综述里抄一段更对口。

第三步，往下拉到“Protein names”和“Gene names”区域，确认你查的是不是目标基因。如果 UniProt 里有多个别名，这里会列出来。很多文献里用的老旧命名，在 UniProt 里都能对上。

第四步，看“Family & Domains”和“PTM / Processing”。血红蛋白 beta 亚基的这段区域会告诉你它的珠蛋白折叠样式、保守位点、有没有信号肽、有没有已知的翻译后修饰位点。做突变设计时，这一块是重中之重：别把突变落在对结构至关重要的疏水核心，尽量选表面暴露的残基。

第五步，把序列导出。点页面右上角的“Download”，选 FASTA 格式，把完整全长序列存下来。建议存成一个命名规范的文件，比如 HBB_HUMAN_20250115.fasta，方便以后回溯版本。

第六步，去做结构查询。去 PDB 搜索页面输入 “hemoglobin”，限定物种为 human，你会看到几十个条目。优先挑分辨率高、标题条件跟你研究相关的结构。顺便去 AlphaFold DB 查同一个 beta 亚基，把预测结构和实验结构叠在一起看。AlphaFold DB 一般会给全长模型，而实验结构经常缺一段 loop，两者互补。

3.3 查询过程中的四个避坑提示

这里有几个新手最容易踩的问题，我先提前说。

物种必须卡死。搜 “hemoglobin” 会出来一大堆物种，如果你不做限制，很容易下载到马、牛或者其他动物的结构或序列。不是说其他物种完全不能参考，但拿来做人类蛋白的突变分析，前提就不成立了。

序列版本要对上。你用某篇论文的引物序列去 UniProt 比，发现多了两个残基，别急着怀疑数据库错了。可能是这篇论文用的参考序列版本比较老，也可能是你引物覆盖的转录本亚型不同。建议以 UniProt reviewed 条目为准，同时记下查询日期。

注意别名干扰。同一个蛋白在不同数据库里叫法不一样，尤其在旧文献里。用 UniProt 的 cross-reference 功能去核对最稳，别只查一个名字就当查完了。

区分亚基和全蛋白。血红蛋白是四聚体，alpha 亚基和 beta 亚基各有独立条目。你要做全长蛋白或某个亚基，先搞清楚研究对象是哪一层。这个在 UniProt 里看“Subunit structure”注释就够了。

4. 进阶玩法：跨库联动和批量 ID 转换

4.1 从 UniProt 的交叉引用跳到更专业的库

UniProt 页面上有一块内容很容易被忽略——“Cross-references”。这一块简直就是信息高速公路的出口指示牌。它会把当前蛋白在几十个其他数据库里的对应条目列出来，包括结构域数据库、互作数据库、变异数据库、文献索引等等。

我平时查一个新蛋白时，会在 UniProt 主页面看完注释之后，专门花五分钟清点一遍交叉引用。看互作数据库，能提前知道这个蛋白帮谁干活；看结构域数据库，能确认保守模块的位置；看变异数据库，能发现有没有跟疾病关联的已知突变。这一轮扫下来，我基本能判断这个蛋白值不值得深入做，以及从哪个角度切入最省力。

这里分享一个习惯：把交叉引用当作“蛋白地图”的路标，而不是终点。比如我从 UniProt 跳到互作数据库后，通常会再点两三个互作伙伴，看看它们是不是同一通路里的常客。这样查蛋白就不再是单点了解，而是网络化认知。

4.2 用批量映射把几十个蛋白一次性串起来

做组学分析时，你经常手里有一份几十上百个基因名的列表。挨个去网页查，效率太低。这时候需要 ID 映射功能。UniProt 官网的“ID Mapping”工具，可以让你把一种类型的标识符转换成另一种，比如把基因名转成 UniProt ID，再转成 STRING 的蛋白 ID。

实际流程是：把基因名列表粘进去，选择输入类型为“Gene name”，输出类型为“UniProtKB”，记得选择物种，然后提交。返回结果可以直接下载成表格，之后再用这个映射表去做功能富集或互作网络分析。

如果你习惯用脚本，也可以用 UniProt 的 REST API。比如用 Python 循环查询一批基因名：

import requests import pandas as pd genes = ["HBB", "HBA1", "HBA2"] rows = [] for gene in genes: url = "https://rest.uniprot.org/uniprotkb/search" params = { "query": f"gene_exact:{gene} AND organism_id:9606 AND reviewed:true", "format": "tsv", "fields": "accession,id,gene_names,protein_name,length" } r = requests.get(url, params=params) if r.status_code == 200 and len(r.text.strip()) > 1: lines = r.text.strip().split("\n") rows.append(lines[1]) # 第一行是表头，这里跳过表头直接取数据行 result = pd.DataFrame([row.split("\t") for row in rows]) print(result.head())

这个脚本的思路很直白：对每个基因名构造查询，限定人类、限定 reviewed 条目，然后取需要的字段。实际跑起来，几十个蛋白也就几十次请求，很快就完成了。注意 organism_id 别搞错，人类是 9606。你要是换成小鼠，就改成 10090，不然结果全空。

4.3 做一个自己的蛋白档案卡

用熟了这些查询之后，我强烈建议你做一个“蛋白档案卡”。不要依赖某一次网页截图，把最关键的信息沉淀成一个固定格式的表格，存入你的实验记录。我自己的模板字段如下：

做档案卡的好处是，一旦三个月后你再拿起这个蛋白做实验，不用重新花半小时从头查一遍。我因为当时偷懒没存档，后来还要重新搜索同一个蛋白，白白浪费不少时间。次数一多，这个教训就记死了。

5. 常见问题与排雷手册

5.1 一张表看懂典型问题

我用一张速查表汇总查询时遇到最多的几种情况：

5.2 我踩过的几个坑

第一个坑：用 Excel 打开 UniProt 下载的 TSV 文件。有些字段里的标识符带字母 E，Excel 会把它们当成科学计数法，比如 9E5 变成 900000。我当时做翻译后修饰位点分析，发现数据里突然多出一堆超大数值，排查半天才发现是格式问题。后来我统一用支持 TSV 的工具打开，或者固定在导入时把列设置为文本格式。

第二个坑：把同一个蛋白的 R 态和 T 态结构当成一回事。血红蛋白两个状态的结构差异非常大，活性中心和亚基排布都变了。如果你做分子对接，用错了状态，算出来的结合模式可能完全靠不住。看到 PDB 条目里写“deoxy”或“oxy”、是否带配体，先别急着下载，仔细看题目里的状态说明。

第三个坑：忽略预测结构的置信度。AlphaFold DB 的模型看起来漂亮，但低置信度的 loop 区域经常是乱的，当成真实坐标去设计实验，结果很可能不理想。我刚上手的时候也犯过这种错，把一段理论模型中的环区当抗原表位来设计抗体，跑完实验才发现那段区域根本高度可变，白折腾一轮。

5.3 预测结构什么时候能信

我现在的判断标准很简单：看 pLDDT，也看用途。序列比对、结构域划分、同源建模的辅助参考，可以用预测结构。但做原子级对接、动力学模拟、配体结合口袋分析，就要谨慎了。特别是在预测模型里基本看不到共价修饰、金属中心、辅因子结合这些实验证据要多花心思去结构里验证的内容。我的处理方式是：把 AlphaFold 模型当“高分略图”，把 PDB 实验结构当“实地测量数据”，两个叠合比对之后，取交集区域作为可靠的参考范围。

6. 把查询写成工作流：命令行、脚本和日常工具

6.1 用 curl 和 Python 快速拉取条目

网页查询适合临时看一眼，但如果你要反复处理大量蛋白，就得学会用命令行和脚本。UniProt 提供 REST API，最基础的操作是直接下载 FASTA 序列。假设你已经拿到目标条目的 UniProt 编号，用 curl 就能抓下来：

curl -L "https://rest.uniprot.org/uniprotkb/你的条目编号.fasta"

返回内容类似于：

>sp|某编号|基因名 蛋白名 OS=Homo sapiens OX=9606 GN=HBB PE=1 SV=2 VHLTPEEKSAVTALWGKVNVDEVGGEALGRLLVVYPWTQRFFESFGDLSTPDAVMGNPK...

这段 FASTA 头信息里包含了物种代码、基因名、序列版本，非常关键。如果只是复制粘贴序列，这些头信息很容易丢。用脚本下载就能把序列和注释一起存档，后续处理方便很多。批量场景下，把编号列表循环丢进去请求，就能一次性拿到整批序列。

6.2 本地数据管理与保存习惯

蛋白信息查得多了，本地文件会越来越乱。我的建议是建立固定目录结构：

• raw_seq/ 存放下载的 FASTA 原始序列，命名规则建议是“基因名_物种_日期”。
• annotations/ 存放 UniProt 导出的注释表格，统一用 TSV 格式。
• structures/ 存放 PDB 文件或 AlphaFold 预测模型，文件名里带上条目号和状态。
• analysis/ 存放比对、对接、富集分析的中间结果。

每次下载都记录日期很重要。数据库不是一成不变的，序列可能有修订，条目可能合并。能定位到某一次查询的时间点，意味着你可以回溯当时用的版本。这也能防止后来发现结果对不上时，说不清是数据库更新了还是自己记错了。

6.3 数据库不是一成不变，版本更新要盯住

我见过不少同学拿着半年前的截图跑来问我“为什么现在查不到这个条目了”。原因可能很简单：UniProt 每隔一段时间就会发布新版本，一些条目会被合并、拆分或者重新编号。PDB 那边更是每周都有新结构入库。所以我会在实验记录里单独列一栏“数据库访问日期”，同时定期关注核心数据库的发布动态。

如果你正在写论文，尤其是要做比较分析，一定要写明数据来源和访问日期。审稿人看到“数据获取时间为 2025 年 1 月”，会认为你注意到了可重复性问题，这比正文里多写两句套话有价值得多。

7. 写在最后：把查蛋白变成肌肉记忆

我个人在实际操作中的体会是，蛋白信息查询这件事，最大的门槛不是数据库多难用，而是很多人习惯“查到一个名字就收工”。但真正的信息检索，应该是从序列出发，串起结构与功能网络，再用交叉引用不断外延，直到你对这个蛋白有了一个立体的认知框架。养成这个习惯之后，你再看文献里某个蛋白的结果，一眼就能判断作者有没有选错结构、用错物种、忽略关键注释，这对读文献判断质量也有直接帮助。

最后再分享一个小技巧：每次拿到一个新的目标蛋白，别急着做实验，先花半小时把档案查全，然后把档案卡存进实验记录。等你在后续实验里遇到莫名其妙的结果时，翻回到当天存下的注释，多半能找到解释。蛋白的世界信息量大，但只要你学会用正确的工具问正确的问题，它其实比想象中好懂。