源代码整合ncbigenecards数据库抓取基因注释信息-peaker.pdfVIP

#源代码#整合NCBI和GeneCards数据库抓取基因注释信息

Peaker

NCBI和GeneCards是生物学中非常全面的基因组注释信息数据库，包

括完整的基因功能，序列，变异等数据。今天我们就分享一个基于

python语言网页爬虫的方法，整合两个数据库，实现批量抓取基因的

注释信息，并保存到本地。首先我们的测试数据格式如下(GeneIDsheet

intest1.xls)

如红圈内所示的，就是我们要进行查询和检索的基因entrezID，这里

提供了一个基因100519699，如果是多个基因的列表，则可通过迭代循

环实现批量处理。后面的信息分为两个部分，也就是我们要分别从

NCBI和genecards数据源要准备获取的信息，包括基因symbol，基因

描述，同义名，entrezgenesummary,genecardssummary,uniprotKB

function.

程序的主要思路如下

1.从NCBI数据库获取基因symbol和描述信息

2.读取的基因symbol可以作为检索词到genecards数据库，抓取内容

包括同义词，summary，function等信息。

3.将注释信息存到本地文件。

代码如下

定义geneinfo函数，传递参数为基因entrezID，根据ID创建NCBIURL

地址，从源代码中读取symbol信息和description描述信息。

利用上面捕捉的基因symbol信息作为检索词，到genecards数据库，

创建链接URL地址，赋给变量url_final

最后在Genecards数据库中，获取源代码，并利用正则表达式抓取同义

名，entrezsummary，genecardssummary以及UniprotKB/Swiss-prot

function等信息。

最后一步，将所有结果写入文件‘geneinfo.txt’

完整程序代码下载地址