按 accession、基因名、locus、PubMed…

当你需要从 NCBI 按 accession、基因名、locus tag、PubMed ID 或专利号获取生物序列时使用。

适用场景

解决思路

1. 始终通过提供的辅助脚本 scripts/ncbi_fetch.py 查询数据库，不要直接访问数据库，脚本会自动优雅地执行所需的速率限制。
2. 如果用户环境中提供了 NCBI_API_KEY，查询速度限制会自动显著提高。
3. 如果使用了本技能，确保在输出中提及。
4. fetch-protein：按 accession（XP_、NP_、GenPept 等）从 NCBI 获取蛋白 FASTA，例如 `uv run scripts/ncbi_fetch.py fetch-protein XP_022033624 -o /tmp/result.json`。
5. fetch-nucleotide：按 accession 从 NCBI 获取核酸 FASTA，例如 `uv run scripts/ncbi_fetch.py fetch-nucleotide MK034466 -o /tmp/result.json`。
6. cds-translate：获取 CDS/核酸 accession 并翻译为蛋白序列，按顺序尝试三种方法：1) NCBI 预翻译的 CDS 蛋白（fasta_cds_aa）；2) GenBank XML CDS 注释翻译；3) 原始核酸 → 6 框 ORF 查找，例如 `uv run scripts/ncbi_fetch.py cds-translate MK034466 -o /tmp/result.json`，可用 `--target-length 1043` 指定目标长度。
7. 如果 accession 是基因组记录（非 mRNA/CDS），工具会报告 `is_genomic: true`，此时应改用基于同源性的方法。
8. search：使用 Entrez 查询语法进行自由文本搜索，支持所有 NCBI 数据库，例如 `uv run scripts/ncbi_fetch.py search "WRR4B[Gene Name] AND Arabidopsis[Organism]" --database protein --retmax 5 --fetch-sequences`，也可用 `--database nuccore`、`patent[Properties]` 过滤、`1043[SLEN]` 按长度搜索。
9. elink：跟踪 NCBI 跨数据库链接（如 PubMed 文章 → 关联蛋白），例如 `uv run scripts/ncbi_fetch.py elink 24896089 --dbfrom pubmed --db protein --fetch-sequences -o /tmp/linked.json`。
10. gene-protein：按基因名和生物体搜索蛋白序列，使用 `[Gene Name]` 和 `[Organism]` 限定符，例如 `uv run scripts/ncbi_fetch.py gene-protein WRR4B --organism "Arabidopsis thaliana"`，可用 `--target-length 1043`。
11. locus-protein：在 NCBI Protein 和 Nuccore 数据库中按 locus tag 搜索，当没有直接蛋白命中时从 GenBank XML 提取 CDS 翻译，例如 `uv run scripts/ncbi_fetch.py locus-protein At1g56540 --organism "Arabidopsis thaliana"`。
12. pubmed-proteins：查找与 PubMed 文章关联的蛋白序列，按 PMID 搜索 NCBI Protein，跟踪 elink PubMed→Protein，并从关联的 Nuccore 记录中提取 CDS 翻译，例如 `uv run scripts/ncbi_fetch.py pubmed-proteins 30692254 --identifier WRR4B`。
13. patent-search：两种模式——按专利号获取该专利的所有蛋白序列（`--patent-number US10123456`），或按关键词用 `patent[Properties]` 过滤搜索 NCBI Protein（`--keywords WRR4B Albugo --organism "Arabidopsis thaliana"`）。
14. 专利惯例：在分子生物学专利中，SEQ ID NO: 1 通常是 DNA 序列，SEQ ID NO: 2 是主要蛋白，更高的 SEQ ID NO 是变体或相关序列；选择目标主要蛋白时优先选 Sequence 2。
15. organism-length：当只知道生物体和预期蛋白长度时的最后手段搜索，使用 NCBI 的 `[SLEN]` 过滤器进行精确长度匹配，例如 `uv run scripts/ncbi_fetch.py organism-length --organism "Arabidopsis thaliana" --length 1048 --retmax 50 -o /tmp/result.json`。
16. 标准序列检索级联优先级：1) 直接 accession（fetch-protein）；2) CDS 翻译（cds-translate）；3) PubMed 关联（pubmed-proteins）；4) locus 查找（locus-protein）；5) 基因+生物体（gene-protein）；6) 专利搜索（patent-search）；7) 生物体+长度（organism-length）作为最后手段。
17. 所有子命令返回带 `results` 数组的 JSON，每个结果有 `sequence`（AA 字符串）、`length` 和 `header`/元数据；当返回多个结果时，按以下方式选择：与预期长度（`target_length`）最接近的匹配、header 相关性（匹配基因名、"disease resistance" 关键词）、来源优先级（RefSeq > GenPept > patent）。
18. 所有子命令写结构化 JSON 输出；用 `--output FILE` 保存到文件，省略则打印到 stdout；人类可读摘要始终打印到 stdout。

适用边界 · 注意事项

• 当 accession 是 Ensembl（ENSG、ENST、ENSP）时，改用 ensembl-database 技能。
• 当 accession 是 UniProt（Q、P、O + 数字）时，改用 uniprot-database 技能。