1.準(zhǔn)備本地?cái)?shù)據(jù)庫(kù)文件

NR(Non-Redundant Protein Sequence Database)非冗余蛋白庫(kù)戏蔑，是所有GenBank+EMBL+DDBJ+PDB中的非冗余蛋白序列迄汛。Taxonomy物種分類(lèi)數(shù)據(jù)庫(kù)，包括大于7萬(wàn)余個(gè)物種的名字和系譜，這些物種都至少在遺傳數(shù)據(jù)庫(kù)中有一條核酸或蛋白序列疗隶。NR和Taxonomy數(shù)據(jù)庫(kù)都是NCBI的子數(shù)據(jù)庫(kù)，會(huì)提供比較全面的對(duì)應(yīng)關(guān)系。在本地?cái)?shù)據(jù)庫(kù)按物種拆分的話关摇，必須下載這兩個(gè)數(shù)據(jù)庫(kù)的文件。

1.1 NR庫(kù)下載

ftp下載地址：ftp://ftp.ncbi.nlm.nih.gov/blast/db/FASTA
NR數(shù)據(jù)庫(kù)更新是相當(dāng)頻繁的命贴，如果追求新襟士，估計(jì)每個(gè)月甚至每周就重新下一次落包，但它又非常大部蛇，對(duì)于商業(yè)流程使用不可能更新得這么頻繁摊唇，可以半年或一年更新一次。

image.png

1.2 Taxonomy數(shù)據(jù)庫(kù)下載

ftp下載地址：ftp://ftp.ncbi.nlm.nih.gov/pub/taxonomy/
同樣涯鲁，taxonomy更新也很快巷查。

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(hào)）
    parent tax_id               -- parent node id in GenBank taxonomy database （上一層分類(lèi)級(jí)別的tax_id）
    rank                    -- rank of this node (superkingdom, kingdom, ...)  該tax_id所處的分類(lèi)層級(jí)）
    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(hào)）
    name_txt                -- name itself  （即對(duì)應(yīng)tax_id號(hào)的物種名稱(chēng)）
    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(guān)鍵的是names.dmp和nodes.dmp文件肩祥。names.dmp示例（共四列后室，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(kù)

2.1 第一步：獲得Aceesson和分類(lèi)物種的對(duì)應(yīng)關(guān)系

根據(jù)以上的prot.accession2taxid.gz予弧、nodes.dmp和division.dmp文件刮吧，可通過(guò)編寫(xiě)腳本來(lái)獲得accession和以上12類(lèi)物種的對(duì)應(yīng)關(guān)系。腳本略掖蛤，自己寫(xiě)皇筛。假設(shè)結(jié)果文件命名為acc2sp.xls，格式如下：

image.png

2.2 第二步：獲得分類(lèi)物種的序列

根據(jù)acc2sp.xls這個(gè)文件以及NR總庫(kù)序列文件nr.gz坠七，我們就可以獲得各類(lèi)物種的序列信息了水醋。當(dāng)然除了taxonomy數(shù)據(jù)庫(kù)本身分的這12類(lèi)，我們也可以將它們合并來(lái)自定義子庫(kù)彪置。比如這12類(lèi)中沒(méi)有動(dòng)物拄踪，我們可以將Invertebrates.fa、 Mammals.fa拳魁、 Primates.fa惶桐、 Rodents.fa 和Vertebrates.fa合并為動(dòng)物作為一類(lèi)，也可以將"Bacteria"、"fungi"姚糊、"Viruses"贿衍、"Phages"和"Environmental.samples"等合并為微生物作為一類(lèi)（這在宏組學(xué)注釋中常用）。當(dāng)然NR中也有這12類(lèi)中沒(méi)包含的序列救恨，我們可將其歸為unknown.fa（不同于Unassigned.fa贸辈，它是沒(méi)有物種信息）。

腳本自己寫(xiě)肠槽，最后得到的是各個(gè)子數(shù)據(jù)庫(kù)的fasta序列文件擎淤。

2.3 第三步：建庫(kù)和比對(duì)

blast或diamond比對(duì)工具進(jìn)行序列數(shù)據(jù)庫(kù)建庫(kù)，后面比對(duì)選擇對(duì)應(yīng)的字庫(kù)就可秸仙。
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