NR | 拆分庫

https://cloud.tencent.com/developer/article/1842788
http://www.lxweimin.com/p/d28f38db248d
https://www.cnblogs.com/jessepeng/p/13736609.html
https://www.gaptech.cn/docs/2f325e75-57dd-4faa-8358-8d2de4ccc88d/
http://www.lxweimin.com/p/1d6edfcb4110

目錄
1.準備本地數(shù)據(jù)庫文件

  • 1.1 NR 庫下載
  • 1.2 Taxonomy 數(shù)據(jù)庫下載

2.按物種拆分NR庫

  • 第一步：獲得Aceesson和分類物種的對應(yīng)關(guān)系
  • 第二步：獲得分類物種的序列
  • 第三步：建庫和比對

一、準備本地數(shù)據(jù)庫文件

  • NR (Non-Redundant Protein Sequence Database)非冗余蛋白庫，是所有GenBank+EMBL+DDBJ+PDB中的非冗余蛋白序列。
  • Taxonomy物種分類數(shù)據(jù)庫，包括大于7萬余個物種的名字和系譜，這些物種都至少在遺傳數(shù)據(jù)庫中有一條核酸或蛋白序列。

NR和Taxonomy數(shù)據(jù)庫都是NCBI的子數(shù)據(jù)庫，會提供比較全面的對應(yīng)關(guān)系。在本地數(shù)據(jù)庫按物種拆分的話，必須下載這兩個數(shù)據(jù)庫的文件。

1、NR 庫下載

ftp下載地址：ftp://ftp.ncbi.nlm.nih.gov/blast/db/FASTA
NR數(shù)據(jù)庫更新是相當頻繁的，如果追求新，估計每個月甚至每周就重新下一次，但它又非常大，對于商業(yè)流程使用不可能更新得這么頻繁，可以半年或一年更新一次。

2 、Taxonomy數(shù)據(jù)庫下載

ftp下載地址：ftp://ftp.ncbi.nlm.nih.gov/pub/taxonomy/
同樣，taxonomy更新也很快。我們分庫需要用到兩個文件，

（1）accession2taxid中的prot.accession2taxid文件

它提供了nt/nr中accession號與物種分類taxid的對應(yīng)關(guān)系，文件中第一列是accession號，第三列是對應(yīng)物種的taxid號。（也有GI號，2016年以前大家用的是GI和taxid的對應(yīng)文件，現(xiàn)在該文件已淘汰）。其格式為：

accession       accession.version       taxid   gi
A0A009IHW8      A0A009IHW8.1    1310613 1835922267
A0A011QK89      A0A011QK89.1    327160  2203519076
（2）另一個是taxdump文件夾里面的names.dmp和division.dmp

里面包含了物種層級和物種名稱等文件。解壓后其中最關(guān)鍵的是names.dmp和nodes.dmp文件。

(a) names.dmp 是\t和|符號分隔的文件，提供了taxid之間的物種分類進化樹信息，

Taxonomy names file (names.dmp):
        tax_id                                  -- the id of node associated with this name
        name_txt                                -- name itself
        unique name                             -- the unique variant of this name if name not unique
        name class                              -- (synonym, common name, ...)
  • 第一列數(shù)據(jù)是taxid號；
  • 第二列數(shù)據(jù)是進化樹上級節(jié)點的taxid號；
    如下所示：（共四列，重要的也就 taxid 和物種名的前兩列信息）：
1       |       all     |               |       synonym |
1       |       root    |               |       scientific name |
2       |       Bacteria        |       Bacteria <bacteria>     |       scientific name |
2       |       bacteria        |               |       blast name      |
2       |       eubacteria      |               |       genbank common name     |
2       |       Monera  |       Monera <bacteria>       |       in-part |
2       |       Procaryotae     |       Procaryotae <bacteria>  |       in-part |
2       |       Prokaryotae     |       Prokaryotae <bacteria>  |       in-part |
2       |       Prokaryota      |       Prokaryota <bacteria>   |       in-part |
2       |       prokaryote      |       prokaryote <bacteria>   |       in-part |

(b)nodes.dmp示例（共13列，重要的也就taxid、上層級taxid、分類層級這前三列信息）：

nodes.dmp file consists of taxonomy nodes. The description for each node includes the following
fields:
        tax_id                                  -- node id in GenBank taxonomy database
        parent tax_id                           -- parent node id in GenBank taxonomy database
        rank                                    -- rank of this node (superkingdom, kingdom, ...)
        embl code                               -- locus-name prefix; not unique
        division id                             -- see division.dmp file
        inherited div flag  (1 or 0)            -- 1 if node inherits division from parent
        genetic code id                         -- see gencode.dmp file
        inherited GC  flag  (1 or 0)            -- 1 if node inherits genetic code from parent
        mitochondrial genetic code id           -- see gencode.dmp file
        inherited MGC flag  (1 or 0)            -- 1 if node inherits mitochondrial gencode from parent
        GenBank hidden flag (1 or 0)            -- 1 if name is suppressed in GenBank entry lineage
        hidden subtree root flag (1 or 0)       -- 1 if this subtree has no sequence data yet
        comments                                -- free-text comments and citations

為了讓分類更簡單，我們按taxonomy數(shù)據(jù)庫本身分類的分法，即division.dmp文件，提供了divisionid和實際分類階元的對應(yīng)關(guān)系，第一列是divisionid，第二列是division名稱，第三列是division的描述信息。如下所示,共12類物種。

Divisions file (division.dmp):
        division id                             -- taxonomy database division id
        division cde                            -- GenBank division code (three characters)
        division name                           -- e.g. BCT, PLN, VRT, MAM, PRI...
        comments

0       |       BCT     |       Bacteria        |               |
1       |       INV     |       Invertebrates   |               |
2       |       MAM     |       Mammals |               |
3       |       PHG     |       Phages  |               |
4       |       PLN     |       Plants and Fungi        |               |
5       |       PRI     |       Primates        |               |
6       |       ROD     |       Rodents |               |
7       |       SYN     |       Synthetic and Chimeric  |               |
8       |       UNA     |       Unassigned      |       No species nodes should inherit this division assignment        |
9       |       VRL     |       Viruses |               |
10      |       VRT     |       Vertebrates     |               |
11      |       ENV     |       Environmental samples   |       Anonymous sequences cloned directly from the environment        |

readme.txt文件中解釋了每個文件的每一列信息（注意|是列間隔，而非列本身）：

*.dmp files are bcp-like dump from GenBank taxonomy database.

General information.
Field terminator is "\t|\t"
Row terminator is "\t|\n"

nodes.dmp file consists of taxonomy nodes. The description for each node includes the following
fields:
    tax_id                  -- node id in GenBank taxonomy database （Taxonomy記錄號）
    parent tax_id               -- parent node id in GenBank taxonomy database （上一層分類級別的tax_id）
    rank                    -- rank of this node (superkingdom, kingdom, ...)  該tax_id所處的分類層級）
    embl code               -- locus-name prefix; not unique
    division id             -- see division.dmp file
    inherited div flag  (1 or 0)        -- 1 if node inherits division from parent
    genetic code id             -- see gencode.dmp file
    inherited GC  flag  (1 or 0)        -- 1 if node inherits genetic code from parent
    mitochondrial genetic code id       -- see gencode.dmp file
    inherited MGC flag  (1 or 0)        -- 1 if node inherits mitochondrial gencode from parent
    GenBank hidden flag (1 or 0)            -- 1 if name is suppressed in GenBank entry lineage
    hidden subtree root flag (1 or 0)       -- 1 if this subtree has no sequence data yet
    comments                -- free-text comments and citations

Taxonomy names file (names.dmp):
    tax_id                  -- the id of node associated with this name （為taxonomy的記錄號）
    name_txt                -- name itself  （即對應(yīng)tax_id號的物種名稱）
    unique name             -- the unique variant of this name if name not unique
    name class              -- (synonym, common name, ...)

Divisions file (division.dmp):
    division id             -- taxonomy database division id
    division cde                -- GenBank division code (three characters)
    division name               -- e.g. BCT, PLN, VRT, MAM, PRI...
    comments

Genetic codes file:
    genetic code id             -- GenBank genetic code id
    abbreviation                -- genetic code name abbreviation
    name                    -- genetic code name
    cde                 -- translation table for this genetic code
    starts                  -- start codons for this genetic code

Deleted nodes file (delnodes.dmp):
    tax_id                  -- deleted node id

Merged nodes file (merged.dmp):
    old_tax_id                              -- id of nodes which has been merged
    new_tax_id                              -- id of nodes which is result of merging

Citations file (citations.dmp):
    cit_id                  -- the unique id of citation
    cit_key                 -- citation key
    pubmed_id               -- unique id in PubMed database (0 if not in PubMed)
    medline_id              -- unique id in MedLine database (0 if not in MedLine)
    url                 -- URL associated with citation
    text                    -- any text (usually article name and authors).
                        -- The following characters are escaped in this text by a backslash:
                        -- newline (appear as "\n"),
                        -- tab character ("\t"),
                        -- double quotes ('\"'),
                        -- backslash character ("\\").
    taxid_list              -- list of node ids separated by a single space

2.按物種拆分NR庫

2.1 第一步：獲得Aceesson和分類物種的對應(yīng)關(guān)系

Invertebrates
Viruses




Plants 33090
Bacteria 2
Fungi 4751
Viruses 10239
Archaea 2157

Eukaryota為2759

根據(jù)以上的prot.accession2taxid.gz、nodes.dmp和division.dmp文件，可通過編寫腳本來獲得accession和以上12類物種的對應(yīng)關(guān)系。腳本略，自己寫。假設(shè)結(jié)果文件命名為acc2sp.xls，格式如下：

2.2 第二步：獲得分類物種的序列

根據(jù)acc2sp.xls這個文件以及NR總庫序列文件nr.gz，我們就可以獲得各類物種的序列信息了。當然除了taxonomy數(shù)據(jù)庫本身分的這12類，我們也可以將它們合并來自定義子庫。比如，

  • 這12類中沒有動物，我們可以將Invertebrates.fa、 Mammals.fa、 Primates.fa、 Rodents.fa 和Vertebrates.fa合并為動物作為一類，
  • 也可以將"Bacteria"、"fungi"、"Viruses"、"Phages"和"Environmental.samples"等合并為微生物作為一類（這在宏組學注釋中常用）。
  • 當然NR中也有這12類中沒包含的序列，我們可將其歸為unknown.fa（不同于Unassigned.fa，它是沒有物種信息）。

腳本自己寫，最后得到的是各個子數(shù)據(jù)庫的fasta序列文件。

2.3 第三步：建庫和比對

blast或diamond比對工具進行序列數(shù)據(jù)庫建庫，后面比對選擇對應(yīng)的字庫就可。
blastall：

formatdb -p T  -i Plants.fa
blastall -i query.fa -d Plants.fa -o blastout.nr -p blastp -F F -m 7 -e 1e-5 -b 10 -v 10 -a 5

或diamond：

diamond makedb --in Plants.fa -d Plants.fa
diamond blastp --evalue 1e-5 --threads 4 --outfmt 5 -q query.fa  -d Plants.fa.dmnd -o blastout.nr --seg no --max-target-seqs 20 --more-sensitive -b 0.5 --salltitles

https://www.cnblogs.com/jessepeng/p/13736609.html

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務(wù)。

推薦閱讀更多精彩內(nèi)容