为何提取NCBI抗菌肽序列的代码出现误报？求优化方案

原代码的问题在于查询条件过于宽泛，仅靠通用关键词会匹配到大量提及抗菌肽但本身并非抗菌肽的蛋白质。以下是针对性的优化方案：

核心优化方向 #

1. 精准化NCBI查询语句 #

通过限定关键词出现的字段、加入功能注释过滤、排除无关序列，大幅提升查询精准度：

• 限定关键词在蛋白质标题/名称中出现，避免仅在参考文献或注释中提及的无关序列
• 加入基因本体(GO)术语GO:0001535（抗菌肽活性），匹配有明确功能注释的序列
• 排除抗体、免疫球蛋白等易混淆的无关蛋白
• 保留原有的序列长度(7-50aa)和RefSeq来源限制

2. 增加后处理过滤 #

获取序列后，进一步检查描述信息，筛选包含AMP核心特征关键词的记录，双重保障精准度

修改后的代码 #

from Bio import Entrez
from Bio import SeqIO

def scrape_amp_sequences():
    # 必须提供NCBI要求的邮箱
    Entrez.email = 'mabdullahafzal02@gmail.com'

    # 优化后的精准查询语句
    query = (
        '(("Antimicrobial Peptide"[Title] OR "AMP"[Title] OR "Antimicrobial Peptide"[Protein Name] OR "AMP"[Protein Name]) '
        'OR GO:0001535[GO]) '
        'AND srcdb_refseq[PROP] '
        'AND 7:50[SLEN] '
        'NOT antibody[Title] NOT immunoglobulin[Title] NOT "immune protein"[Title]'
    )

    # 搜索匹配的蛋白质ID，retmax可按需调整获取数量
    handle = Entrez.esearch(db='protein', term=query, retmax=1000)
    record = Entrez.read(handle)
    id_list = record['IdList']
    handle.close()

    fasta_sequences = []
    for protein_id in id_list:
        handle = Entrez.efetch(db='protein', id=protein_id, rettype='fasta', retmode='text')
        fasta = SeqIO.read(handle, 'fasta')
        handle.close()

        # 后处理过滤：检查描述中是否包含AMP相关关键词
        amp_keywords = ['antimicrobial', 'AMP', 'antibacterial', 'antifungal', 'peptide']
        desc_lower = fasta.description.lower()
        if any(keyword in desc_lower for keyword in amp_keywords):
            fasta_sequences.append(fasta)

    return fasta_sequences

# 使用示例
amp_sequences = scrape_amp_sequences()
for seq in amp_sequences:
    print(f">{seq.id} {seq.description}")
    print(seq.seq)
    print()

关键优化点说明 #

• 查询语句优化：通过[Title]和[Protein Name]限定关键词位置，结合GO功能注释，确保序列本身是抗菌肽而非仅被提及的蛋白；加入排除规则过滤易混淆的免疫相关蛋白
• 后处理过滤：二次检查序列描述，进一步排除漏网的无关序列
• retmax参数：默认NCBI esearch仅返回20条结果，设置retmax可按需获取更多匹配序列

内容的提问来源于stack exchange，提问作者Abdullah Afzal