1.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關系。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。

1.1 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。

image.png

1.2 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。

image.png

image.png

image.png

image.png

*.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

其中最關鍵的是names.dmp和nodes.dmp文件。names.dmp示例（共四列，重要的也就taxid和物種名的前兩列信息）：

image.png

image.png

image.png

2.按物種拆分NR庫

2.1 第一步：獲得Aceesson和分類物種的對應關系

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類物種的對應關系。腳本略，自己寫。假設結果文件命名為acc2sp.xls，格式如下：

image.png

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