易算整理 | 2025 年了，面对 UniProt 的 FASTA 数据库，你还在纠结选哪个吗？

做质谱分析的人，几乎都绕不开一个问题：

在 UniProt 里到底该选哪个 FASTA？

Swiss-Prot、TrEMBL、Reference Proteome、Isoform……每次打开下载页面，那一长串选项足以让人犹豫。选小了怕遗漏新序列，选大了又担心假阳性暴增。

2025 年的今天，UniProt 数据库规模、注释深度和版本结构都在变化。易算团队基于 UniProt 2025 最新版本以及多篇高质量蛋白质组学文献，整理了一套更贴近实操的选库思路。

Swiss-Prot 由专家手工整理蛋白质记录，每条记录包含大量实验和文献信息，如功能、催化活性、亚细胞定位、疾病关联和翻译后修饰等。UniProt 手册指出，PE（Protein Existence）行标注了蛋白存在的证据等级，从 证据在蛋白质水平（PE=1）到 存在性不确定（PE=5）。

值得注意的是 PE 反映的是存在证据强弱，而非序列准确性。例如 PE=1 表示有直接实验证据，如蛋白纯化、X射线或质谱。由于人工注释耗时，Swiss-Prot 收录速度较慢，但条目质量高，适合关注功能注释的研究。

TrEMBL 收录等待人工注释的蛋白序列，大量来源于 EMBL/GenBank/DDBJ 等核酸数据库的翻译产物。TrEMBL 条目通过 HAMAP、RuleBase 等规则自动注释，包含许多预测蛋白或同源推断的序列。

随着人工注释推进，一部分 TrEMBL 条目会转入 Swiss-Prot。TrEMBL 的优点是覆盖面广，尤其在非模式物种中提供大量序列。

如果研究目标是发现新的肽段或未知蛋白质，TrEMBL 可以提供更丰富的搜索空间；但其注释质量不如 Swiss-Prot，需要后续人工验证、或者你也可以用自己的生信方法找到其可能的注释.

PE 值用于说明支持蛋白存在的证据类型：

PE=1 (Evidence at protein level) – 有强的蛋白质实验证据（例如蛋白纯化、X射线结构或质谱）。

PE=2 (Evidence at transcript level) – 有转录本证据但缺乏直接蛋白证据。

PE=3 (Protein inferred from homology) – 依据亲缘物种同源蛋白推断存在。

PE=4 (Protein predicted) – 基因预测得到的蛋白，没有实验或同源证据。

PE=5 (Protein uncertain) – 存在性存疑，可能是伪基因或错误注释。

PE 值并不等同于序列可靠性，高 PE 值的条目同样可能含有未修正的序列错误。因此，在数据分析时不应简单根据 PE 值剔除条目，而应结合研究目的与证据类型进行筛选。

SV (Sequence Version) 表示某条目序列的版本号。当 UniProt 更新某条目的蛋白质序列时，SV 值会递增；如果只修改注释信息，SV 保持不变。这一字段有助于追踪序列修订

。例如某抗体轻链条目自 1986 年收录起 SV=1，之后多次更新注释但未修改序列，因而 SV 仍为 1。另一方面，当发现序列错误或有新研究证据时，SV 会递增。

选择数据库时应关注 SV 是否发生重大变更，在定期更新时保证使用的 FASTA 与最新版本一致。

UniProt 提供多种 FASTA 库，主要包括：

Swiss-Prot 库 (SP) – 仅包含手工注释条目，注释质量高但数量相对有限。

Reference Proteome (UP) – 遵循“一基因→一蛋白”原则，为每个编码基因提供一个代表性序列，是许多蛋白质组学研究的默认选择。

UP + Isoform（含同种异构体） – 在 Reference Proteome 基础上加入 canonical 序列的所有可变剪接异构体，适用于关注剪接变体的研究。

全 TrEMBL + isoform – 包含 TrEMBL 全部条目及 isoform 的最大数据库，覆盖面最广但冗余度高，适合特殊需求。

包含 19,433 个蛋白编码基因（不含 664 个 readthrough 基因）和 211,446 个蛋白编码转录本，拥有 129,801 个不同的蛋白翻译序列。约 15,498 个基因具有超过一个翻译异构体。

具体链接：

https://www.gencodegenes.org/human/stats_49.html

包含 21,530 个蛋白编码基因（不含 230 个 readthrough 基因）和 58,647 个蛋白编码转录本。共有 44,974 个不同蛋白翻译序列，约 10,853 个基因有多个翻译异构体。

具体链接：

https://www.gencodegenes.org/mouse/stats_M38.html

根据 KEGG Genome 数据，拟南芥基因组中有 27,562 个蛋白编码基因。

具体链接：

https://www.kegg.jp/kegg-bin/show_organism?org=ath

这些数字反映了物种基因组的复杂性和 isoform 多样性。值得注意的是，长读长 RNA 测序等研究表明人类基因可能产生超过 300,000 种蛋白 isoform：

Miller, R.M., Jordan, B.T., Mehlferber, M.M. et al. Enhanced protein isoform characterization through long-read proteogenomics. 

Genome Biol 23, 69 (2022). 

https://doi.org/10.1186/s13059-022-02624-y 

使用比对等工具进行同源注释。通过比对亲缘物种的已知蛋白，推断其功能或结构。

结合转录组或蛋白质组实验验证，确定其在特定组织或条件下的表达情况。

关注 UniProt 更新，及时替换旧版 FASTA 中的未表征序列。

每 3 – 6 个月检查一次 UniProt 更新，尤其在研究周期较长或使用人类样本的项目中。

关注 SV 值的变化，如果序列版本增加，及时下载最新版并重新检索。

记录所用数据库版本（包括 UniProt 版本号、下载日期和库类型）。这有助于结果复现和比较。

如果关注已知功能和高质量注释，可选择 Swiss-Prot 或 Reference Proteome 主 FASTA。

如果希望最大覆盖所有基因并考虑剪接变体，使用 UP + isoform。

若需要发掘新蛋白或特殊片段，可加入 TrEMBL 条目，但需注意假阳性和冗余。

PE=1 – 3 的条目存在一定实验或同源证据，可使用；PE=4 – 5 的条目仍可纳入探索性分析。

SV 值提示序列是否更新。当 SV 增加时应下载新版 FASTA。

在 UniProt proteome 页面搜索目标物种，优先选择标记为 reference proteome 的数据集。

若某菌株或植物种无法在 UniProt 找到完整 proteome，可在 NCBI、JGI 等数据库寻找基因组序列，并自行翻译生成 FASTA；或者使用亲缘物种 proteome 进行临时分析，并在同源注释中加以区分。

建议每隔数个月检查 UniProt 更新，特别是当研究涉及的蛋白质可能存在新发现或修正时。

在文章或实验记录中注明所使用的 UniProt 版本、下载日期和库类型，方便同行复现。

初始分析可采用 Reference Proteome 主 FASTA，以减少搜索空间。

如果有已知的多剪接基因或关注特定异构体，可针对这些基因补充 isoform 库，而不必全局加入所有 isoform。

Q1 : 使用 Swiss-Prot 是否足够？

A : 对于人类样本，Swiss-Prot 覆盖率接近基因组数量, 可满足多数研究需求。对于小鼠、拟南芥等模式生物，Swiss-Prot 覆盖率分别约 80 % 和 60 %，无法覆盖所有编码基因，因此建议使用 Reference Proteome 或 UP + isoform。