https://cloud.tencent.com/developer/article/1842788
//www.greatytc.com/p/d28f38db248d
https://www.cnblogs.com/jessepeng/p/13736609.html
https://www.gaptech.cn/docs/2f325e75-57dd-4faa-8358-8d2de4ccc88d/
//www.greatytc.com/p/1d6edfcb4110
目录
1.准备本地数据库文件
- 1.1 NR 库下载
- 1.2 Taxonomy 数据库下载
2.按物种拆分NR库
- 第一步:获得Aceesson和分类物种的对应关系
- 第二步:获得分类物种的序列
- 第三步:建库和比对
一、准备本地数据库文件
-
NR (Non-Redundant Protein Sequence Database)
非冗余蛋白库,是所有GenBank+EMBL+DDBJ+PDB
中的非冗余蛋白序列。 -
Taxonomy
物种分类数据库,包括大于7万余个物种的名字和系谱,这些物种都至少在遗传数据库中有一条核酸或蛋白序列。
NR
和Taxonomy
数据库都是NCBI
的子数据库,会提供比较全面的对应关系。在本地数据库按物种拆分的话,必须下载这两个数据库的文件。
1、NR 库下载
ftp下载地址:ftp://ftp.ncbi.nlm.nih.gov/blast/db/FASTA
NR数据库更新是相当频繁的,如果追求新,估计每个月甚至每周就重新下一次,但它又非常大,对于商业流程使用不可能更新得这么频繁,可以半年或一年更新一次。
2 、Taxonomy数据库下载
ftp下载地址:ftp://ftp.ncbi.nlm.nih.gov/pub/taxonomy/
同样,taxonomy更新也很快。我们分库需要用到两个文件,
(1)accession2taxid
中的prot.accession2taxid
文件
它提供了nt/nr中accession号与物种分类taxid的对应关系,文件中第一列是accession号,第三列是对应物种的taxid号。(也有GI号,2016年以前大家用的是GI和taxid的对应文件,现在该文件已淘汰)。其格式为:
accession accession.version taxid gi
A0A009IHW8 A0A009IHW8.1 1310613 1835922267
A0A011QK89 A0A011QK89.1 327160 2203519076
(2)另一个是taxdump
文件夹里面的names.dmp
和division.dmp
里面包含了物种层级和物种名称等文件。解压后其中最关键的是names.dmp
和nodes.dmp
文件。
(a) names.dmp
是\t和|符号分隔的文件,提供了taxid之间的物种分类进化树信息,
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, ...)
- 第一列数据是taxid号;
- 第二列数据是进化树上级节点的taxid号;
如下所示:(共四列,重要的也就 taxid 和物种名的前两列信息):
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、上层级taxid、分类层级这前三列信息):
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
为了让分类更简单,我们按taxonomy数据库本身分类的分法,即division.dmp
文件,提供了divisionid和实际分类阶元的对应关系,第一列是divisionid,第二列是division名称,第三列是division的描述信息。如下所示,共12类物种。
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
文件中解释了每个文件的每一列信息(注意|是列间隔,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记录号)
parent tax_id -- parent node id in GenBank taxonomy database (上一层分类级别的tax_id)
rank -- rank of this node (superkingdom, kingdom, ...) 该tax_id所处的分类层级)
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 (为taxonomy的记录号)
name_txt -- name itself (即对应tax_id号的物种名称)
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.按物种拆分NR库
2.1 第一步:获得Aceesson和分类物种的对应关系
Invertebrates
Viruses
Plants 33090
Bacteria 2
Fungi 4751
Viruses 10239
Archaea 2157
Eukaryota为2759
根据以上的prot.accession2taxid.gz
、nodes.dmp
和division.dmp
文件,可通过编写脚本来获得accession
和以上12类物种的对应关系。脚本略,自己写。假设结果文件命名为acc2sp.xls
,格式如下:
2.2 第二步:获得分类物种的序列
根据acc2sp.xls
这个文件以及NR总库序列文件nr.gz
,我们就可以获得各类物种的序列信息了。当然除了taxonomy数据库本身分的这12类,我们也可以将它们合并来自定义子库。比如,
- 这12类中没有动物,我们可以将
Invertebrates.fa、 Mammals.fa、 Primates.fa、 Rodents.fa 和Vertebrates.fa
合并为动物作为一类, - 也可以将
"Bacteria"、"fungi"、"Viruses"、"Phages"
和"Environmental.samples"
等合并为微生物作为一类(这在宏组学注释中常用)。 - 当然NR中也有这12类中没包含的序列,我们可将其归为
unknown.fa
(不同于Unassigned.fa
,它是没有物种信息)。
脚本自己写,最后得到的是各个子数据库的fasta
序列文件。
2.3 第三步:建库和比对
blast或diamond比对工具进行序列数据库建库,后面比对选择对应的字库就可。
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