基于AI的蛋白质和代谢物数据库查询：易算数据库模块让你不再迷失在数据的海洋里
组学实验一大痛点经常从一个看似简单的问题开始：这个物种应该使用哪个 FASTA？或者我想测的这个物质有没有注释信息
继续往下做，又会遇到更多彼此关联的问题：
中文物种名在 UniProt 官网很难直接检索，如何找到正确的 Taxon ID 和 Proteome？
目标物种没有直接 Proteome 时，怎样寻找有分类学依据的近似物种，而不是随便挑一个近似名称？
人体外泌体、血液或细胞样本，应该加入哪些污染蛋白、标志蛋白或体液蛋白？
一个代谢物同时有 HMDB、PubChem、ChEBI、InChIKey 和俗名，怎样判断它们是否指向同一对象？
找到结果后，怎样批量下载、导出、分享，并保留可复核的数据来源？
OmicSolution 技术支持网站的“数据库检索”把这些任务集中在同一个入口中：以本地数据库完成高频查询和批量处理，以中文名称、分类关系和研究场景补充官方数据库不直接提供的能力，同时保留官方链接供最终复核。
登录gemma.omicsolution.com 打开数据库检索或点击文末 阅读原文
当前数据库板块由三个主要工具和一套 UniProt 培训组成。
查物种、Proteome、Taxon ID、UniProtKB 条目或 FASTA（见上图）进入
，可获得 Proteome 详情、条目表、FASTA、序列分析结果和专属查询链接。
构建污染物、EV/血细胞标志物、TOP14 或 PQ500 序列库进入
，可获得组合 FASTA、筛选表格、分类统计和来源说明。
统一检索 HMDB、PubChem 和 ChEBI进入
，可获得合并详情、候选匹配、结构、外部 ID 和 TSV/CSV。
系统学习 FASTA、UniProt进入
，可浏览分章节中文课程、站内实操和官方 Help 索引。
最简单的判断方式是：
研究对象是物种或蛋白：先进入 UniProt Browser。
研究对象是样本背景和质控蛋白：进入常见污染物及标志蛋白指南。
研究对象是小分子化合物：进入代谢组数据库。
不清楚 FASTA 如何选择或如何进入搜库软件：先学习 UniProt 使用培训，再直接跳转到对应工具实操。
进入 UniProt Browser
当前数据库为 UniProt2026_02最新版本，本地包含 36,466 个 Proteome、74,728 个 FASTA/XML/mapping 文件和 147,131,808 条 UniProtKB 注释索引。中文兼容层收录 75,712 个物种别名，其中 2,854 个 Taxon 已具备中文物种名。页面仍保留历史 release，便于旧项目复核和版本差异比较。
1. 一个输入框覆盖常见蛋白数据库标识
UniProt Browser 支持输入：
Proteome ID，例如 UP000005640
Taxon ID，例如 9606
拉丁学名，例如 Homo sapiens
中文物种名，例如“小鼠”
英文俗名，例如 zebrafish
UniProtKB accession，例如 P04637
Gene 名称，例如 TP53
多行物种、Taxon ID 或 Proteome ID，用于批量匹配
如果输入看起来像 accession，页面会自动切换到 UniProtKB 条目查询；物种名、Taxon ID 和 Proteome ID 则进入 Proteome 检索。用户不需要先手动进入某个 Proteome，首次打开页面也可以直接查询单蛋白条目。
中文名和英文俗名属于本站建立的本地兼容层，不是 UniProt 官方字段。结果页会同时显示拉丁名、Taxon ID、中文常用名和英文别名，最终选库仍应以 Taxon ID、Proteome ID、菌株或品系信息为准。
我们同时陆续整合常见物种分类的快捷访问入口，方便您的即时使用
2. 没有直接 Proteome 时，沿分类树寻找最近可用子节点
直接匹配失败并不代表数据库完全没有可用参考。系统会先解析目标物种的 Taxon ID，然后沿 taxonomy lineage 向上寻找最近共同祖先，再在该祖先下的子节点中寻找最近的可用 Proteome。
上图以 Morchella esculenta 为例：本地库没有该物种的直接 Proteome，页面返回 Morchella conica CCBAS932，并同步显示中文名“尖顶羊肚菌 / 羊肚菌”、共同祖先和分类距离。
近似结果不会被悄悄并入下载：
查看候选物种、Taxon ID、Proteome ID、分类距离和蛋白数量。
精确或近似匹配存在多个 Proteome 时，通过下拉菜单选择；默认优先蛋白数量更多的候选。
直接匹配与已接受近似匹配提供不同的下载入口，便于后续记录和复核。
对于地方品种、变种、杂交种或尚未收录于 UniProt Proteomes 的物种，还可以使用“AI 搜索匹配”补充 Taxonomy ID、别名和外部蛋白 FASTA 资源线索。输入限制为最多 10 个中文字符或 30 个英文字符，避免把一段描述误当成物种名。此类结果会明确标注来源和获取时间；超过三个月可强制更新。AI 结果是检索线索，不等同于 UniProt 官方注释，下载外部 FASTA 前仍需核对物种、组装版本、注释版本和文件类型。
检索成功后便返回如下内容供您判断使用
3. Proteome 详情不仅是一张统计卡
打开 Proteome 后，可继续查看：
Taxon ID、物种、Proteome 状态和 release
reference proteome、基因组组装与完整性信息
canonical、isoform 和本地文件数量
中文常用名、英文俗名和分类关系
UniProt 官网补全信息与原始链接
Wikipedia、百度百科或最近上级分类的中英文背景简介
UniProtKB 条目、FASTA 文件和序列分析入口
这些信息用于回答三个问题：物种是否正确、版本是否合适、下载范围是否符合本项目。
4. 批量匹配和下载按全部结果处理
多行输入会生成统一的匹配表。表格支持中文名称、搜索、筛选、排序、20/50/100 条每页、页码跳转和全部结果导出。
需要特别注意：
分页只影响屏幕显示，不限制 TSV、CSV 或 FASTA 的导出范围。
“下载合并 FASTA ZIP”使用全部已识别结果，而不是当前页或前 200 条。
近似匹配必须先接受；未手动切换候选时，默认使用该组中蛋白数量最多的候选。
“仅主库”和“主库 + isoform”应根据搜索软件、研究目标和冗余控制要求选择。
5. 从条目详情直接进入本地序列分析
UniProtKB 条目表可按 accession、Gene、蛋白名称、物种和注释字段检索。打开单蛋白详情后，可以直接把当前序列送入“蛋白序列分析”，无需再次复制 FASTA。
当前本地分析包括：
序列长度、分子量、理论等电点、氨基酸组成和理化性质
多种蛋白酶酶切模拟、漏切设置和肽段长度筛选
Motif/正则检索与序列位置可视化
指定 Proteome FASTA 序列文本中的短肽段匹配，最短支持 5 个氨基酸
2–10 条蛋白序列比对、保守位点和差异位点展示
序列性质、LC-MS 可检出性估算和分析表格导出
查询页会生成专属链接。把链接发给同事后，可以恢复相同 release、查询词、筛选范围和当前模块，避免只分享一张无法复现的截图。
进入常见污染物及标志蛋白指南
目标物种 FASTA 说明“希望鉴定什么”，污染物和标志蛋白则帮助解释“样本中还可能出现什么”以及“样本状态是否符合预期”。
当前页面把不同用途明确分区：
左侧暖色区：公认经典污染蛋白集合。 包括角蛋白、牛源血清与体液蛋白、实验酶与试剂、乳制品蛋白、校准/标签/亲和蛋白等。
中间蓝绿色区：研究场景标志蛋白库。 包括 EV、血细胞残留、溶血、血小板、白细胞、凝血和血清化等标志物。
右侧蓝色区：人源体液蛋白。 包括 TOP14 高丰度蛋白去除靶标和 PQ500 血浆/血清靶向蛋白。
当前主要数据范围
MaxQuant contaminants2021：221 条原始序列用于识别操作、试剂、环境和人工标准序列。
研究场景标志蛋白库：183 条、8 类、4 个物种用于 EV、溶血、血细胞、凝血和血清化评估。
PQ500：581 个源 ID、576 条本地序列用于人血浆/血清靶向蛋白参考。
TOP14：14 个靶标类别用于高丰度蛋白去除效果评估。
合并目录：934 条本地序列用于统一筛选、复核和下载。
不同集合可能共享 accession，页面会合并重复序列，同时保留其全部来源和分类标签。
两步完成构库
第 1 步：筛选。 选择物种和一个或多个分类。勾选非人蛋白时，物种范围会自动切换为“全部”，避免被人源筛选条件意外隐藏。
第 2 步：表格复核与下载。 页面直接显示结果表格，不再增加重复预览层。用户可以继续搜索、筛选、排序、分页，打开单蛋白彩色序列详情，批量选择部分条目，或下载当前筛选范围的全部 FASTA 和统计报告。
两个典型场景
人体外泌体研究
物种选择“人 / Homo sapiens”。
勾选 EV 跨膜标志物、EV 胞质伴随标志物、血浆 EV 共分离蛋白和细胞残留指示蛋白。
进入表格检查 Gene、蛋白描述、来源面板和物种。
下载 FASTA 用于辅助检索，并导出统计报告作为项目记录。
人血液蛋白质组研究
选择人体血细胞、溶血、血小板、白细胞、凝血和血清化相关分类。
根据实验流程决定是否加入 TOP14 或 PQ500。
如果不希望牛源同源蛋白参与污染评估，不勾选“牛源血清与体液蛋白”。
下载本次筛选得到的 FASTA，和人源目标 Proteome 一并纳入构库记录。
contaminants 和 marker 都是真实 target 序列，不是 decoy。FDR 反向库仍应由搜索软件按项目设置生成，不能把 contaminants FASTA 当作 decoy。
进入代谢组数据库
当前本地资源包括 217,920 条 HMDB 代谢物、1,271,922 条 HMDB 同义词、205,304 条 ChEBI 化合物、386,425 条 ChEBI 同义词，以及 178,292,117 个 PubChem CID 范围与对应 SMILES 结构字段索引。跨库映射和名称索引用于快速定位候选，详情页再把结构、标识符和官方来源放回同一条记录中。
同一个代谢物在不同文献和软件中可能使用完全不同的标识。代谢组数据库支持：
HMDB ID
PubChem CID
ChEBI ID
InChIKey
SMILES
IUPAC 名称、英文名和同义词
多行文本、TSV 或 CSV 批量输入
以 Aspirin 为例
输入 aspirin、2244、HMDB0001879 或 CHEBI:15365，系统会把跨库关系合并到同一详情页。
结果可同时显示：
2D 结构与 SDF 下载
HMDB ID、PubChem CID、ChEBI ID
InChIKey、SMILES、分子式和质量信息
同义词、外部数据库标识和分类层级
文献、专利、来源记录、药理或安全摘要
HMDB、PubChem、ChEBI 官方详情链接
名称可能对应多个候选时，页面保留候选列表，而不是把第一个模糊命中当作唯一答案。用户应结合分子式、单同位素质量、InChIKey 和结构确认目标化合物。
批量任务会把每一行输入与匹配结果放入统一表格，支持搜索、筛选、分页以及全部结果 TSV/CSV 导出。分页仍只影响显示，不缩小导出范围。
进入 UniProt 使用培训
培训页面不是一张很长的说明书，而是按章节切换的中文在线课程。内容从 FASTA 的基本结构开始，逐步连接到真实搜库工作流：
FASTA 是什么，header 和氨基酸序列分别承担什么作用。
基因组、基因注释、转录本、蛋白预测与 protein FASTA 的来源关系。
UniProtKB、Proteomes、Taxonomy、ID Mapping 和 UniRef 的数据分工。
canonical 与 isoform、reviewed 与 unreviewed、reference proteome 的选择边界。
DDA 和 DIA 搜索软件如何使用 FASTA 生成候选肽段和理论离子。
酶切规则、漏切、固定/可变修饰、target-decoy 和 FDR 的关系。
非模式物种没有 UniProt Proteome 时的替代路线与风险记录。
FASTA 下载、入库质检、版本记录和结果复核。
课程中的实操按钮会在新页面打开对应的本地功能，例如中文物种检索、Proteome 详情、单蛋白条目、Motif 搜索、序列比对和 ID Mapping。学习内容与工具操作使用同一组示例，避免看完概念后还要重新寻找入口。
场景 A：为非模式物种准备搜库 FASTA
在 UniProt Browser 输入中文名、英文名或拉丁名。
复核 Taxon ID 和精确 Proteome；没有直接结果时检查近似候选。
比较候选的分类距离、物种中文名、Proteome 状态和蛋白数量。
接受合适候选，下载 canonical 或 canonical + isoform FASTA。
根据实验体系，在污染物及标志蛋白指南中选择需要的污染蛋白。
保存查询专属链接、release、Proteome ID、下载范围和外部资源版本。
场景 B：为人体 EV 或血液项目准备辅助序列库
使用 UP000005640 打开人类参考 Proteome。
在 UniProtKB 条目中复核目标 Gene 或 accession。
在常见污染物及标志蛋白指南中选择 EV、血细胞、凝血、TOP14 或 PQ500。
查看合并后的序列表，按来源和用途复核。
下载 FASTA 和统计报告，将其与目标 Proteome、搜索参数和 decoy 策略一起归档。
场景 C：统一项目中的代谢物标识
把实验表中的名称、HMDB ID、CID、ChEBI ID 或 InChIKey 作为批量输入。
对模糊名称查看候选，不直接接受第一个结果。
用分子式、质量、InChIKey 和结构复核。
导出统一 TSV/CSV，保留原始输入与各数据库映射。
需要引用或进一步查询时打开对应官方详情页。
本站本地数据库主要解决三类问题：
速度和批量能力：大表格、分类列表、FASTA 和跨库映射不依赖每次实时访问官网。
中文兼容：补充 UniProt 官方数据中缺少的中文物种名、英文俗名和检索别名。
研究场景组织：把污染物、EV/血细胞标志物、TOP14、PQ500 和代谢物跨库映射组织成可直接筛选和下载的任务。
对于需要官网最新字段的 Proteome 和 UniProtKB 条目，页面会在访问时尝试补全并缓存。用户仍应把下列信息作为项目可复核记录：
数据 release 和访问日期
Taxon ID、Proteome ID 或 accession
canonical / isoform 范围
FASTA 文件名和校验信息
近似匹配、AI 线索或外部资源的来源说明
污染物、marker、target 和 decoy 的角色划分
UniProt
UniProt Proteomes
NCBI Taxonomy
HMDB
PubChem
ChEBI
数据库检索的目标不只是“搜到一个结果”，而是形成一条可以解释、可以下载、可以分享、也可以在项目结束后重新复核的数据链。物种、Proteome、FASTA、污染物、标志蛋白和代谢物标识都放回同一套工作流后，搜库准备才真正从临时操作变成项目资产。