根據(jù)相似性原理叁扫，序列相似，功能相似陪腌，所有功能注釋無非是用比對(duì)工具將輸入序列比對(duì)到數(shù)據(jù)庫序列辱魁，再將輸入ID對(duì)應(yīng)數(shù)據(jù)庫ID，進(jìn)一步對(duì)應(yīng)到功能條目的關(guān)系诗鸭。
數(shù)據(jù)庫要么建到本地染簇，要么聯(lián)網(wǎng)調(diào)用API，一般的軟件或包做注釋都是通過聯(lián)網(wǎng)來獲得强岸，或者調(diào)用依賴的一些專門注釋的包（文件較大）锻弓。工業(yè)生產(chǎn)中，一般需要構(gòu)建本地?cái)?shù)據(jù)庫蝌箍。
如果不對(duì)原始數(shù)據(jù)庫按物種或其他分類來進(jìn)行拆分的話青灼，整個(gè)數(shù)據(jù)庫會(huì)很大，比對(duì)和注釋消耗的時(shí)間和資源都會(huì)很大妓盲，顯然不經(jīng)濟(jì)杂拨，而且也會(huì)有一些假陽性的結(jié)果。比如將人特有的功能比對(duì)到了小鼠上悯衬，客戶無法結(jié)果弹沽。所以分庫是很有必要的，只是怎么分以及分多大的問題。
KEGG本地庫文件
-
序列數(shù)據(jù)庫文件
如kegg_all_clean.fa
image.png -
ko系列文件（ko與其他ID的對(duì)應(yīng)關(guān)系）策橘，ko與不同類型數(shù)據(jù)庫
我們這里要用到的是ko和geneID的對(duì)應(yīng)關(guān)系炸渡，其他數(shù)據(jù)庫類似
image.png
-
物種文件
misc下的taxonomy文件，按物種分庫的依據(jù)丽已。
image.png -
map目錄蚌堵，通路圖。
每條通路有三個(gè)文件：png是通路圖沛婴，html是網(wǎng)頁通路吼畏，conf是通路的配置
image.png
conf文件內(nèi)容
image.png -
map_title.tab文件，是通路的三個(gè)層級(jí)
image.png -
ko_map.tab文件瘸味，是K與通路的全部物種對(duì)應(yīng)文件
是聯(lián)系注釋結(jié)果之間對(duì)應(yīng)關(guān)系的必需文件宫仗。
image.png -
komap目錄下够挂，是各個(gè)物種（三個(gè)字母縮寫）的通路圖（png）及其配置（conf）旁仿，以及該物種對(duì)應(yīng)的通路。
如人的komap/hsa目錄：
image.png
當(dāng)然也可以不細(xì)分到單物種孽糖，可以劃分物種大類枯冈，如動(dòng)物、植物等办悟，相對(duì)應(yīng)地文件animal_ko_map.tab尘奏、plant_ko_map.tab
利用上面的這些文件，其實(shí)我們就可以進(jìn)行KEGG Pathway功能注釋了病蛉，即存在這樣的關(guān)系：蛋白——序列ID（基因）——K號(hào)——ko（pathway）——Level1-3——通路圖炫加。這樣得到的通路圖，都是map開頭铺然，即reference pathway俗孝；如果是物種特異通路，即ko開頭魄健，則用komap目錄結(jié)果赋铝。KEGG的5種通路類型等基礎(chǔ)知識(shí)這里不講，不懂可去查沽瘦。
如果要按物種進(jìn)行拆庫革骨，則需要將上面的文件都按物種進(jìn)行分類，使用是一樣的析恋。
KEGG數(shù)據(jù)庫非常龐大良哲，除了Pathway，genes等數(shù)據(jù)庫外助隧，還有很多其他的文件筑凫，比如：
-
links目錄，pathway與其他ID的對(duì)應(yīng)關(guān)系
image.png
如pathway_ko.list
image.png ligand目錄，即配體數(shù)據(jù)庫漏健，不做介紹嚎货。
按物種拆分KEGG數(shù)據(jù)庫
1.獲得物種分類信息
按物種拆分可大可小：最大就是原始庫蔫浆，最小就是單一物種殖属，中間可以按不同分類來拆。關(guān)鍵取決于你的輸入序列是什么成分瓦盛，當(dāng)然不大不小恰好能全部包含是最理想的分庫結(jié)果洗显。比如taxonomy文件（misc目錄下）格式是：
我們可以按Eukaryotes、Animals原环、Vertebrates挠唆、Mammals中的任一個(gè)層級(jí)來分。也可以自定義分類嘱吗，將不同物種添加到一起進(jìn)行歸類玄组。
這里寫一個(gè)簡(jiǎn)單腳本來用上面文件中的第二層級(jí)物種來進(jìn)行數(shù)據(jù)庫分庫：
#!urs/bin/perl
open F , $ARGV[0];
while (<F>){
chomp;
if (/^## (.+)/){
$spec=$1;
open OUT, ">>$spec.specie.xls";
}
elsif (!/^#/){
@aa=split/\t/,$_;
print OUT "$spec\t$aa[1]\t$aa[3]\n";
}
}
拆分后得到Animals.specie.xls、 Archaea.specie.xls谒麦、 Bacteria.specie.xls俄讹、 Fungi.specie.xls、 Plants.specie.xls绕德、 Protists.specie.xls等系列分類文件患膛。如Animals.specie.xls文件如下：
2.獲得物種分類的序列信息并建庫
從全部物種的原始序列數(shù)據(jù)庫中拆分出以上分類物種的序列，編寫如下get_fasta.pl腳本：
#!/usr/bin/perl
use strict;
use warnings;
use diagnostics;
unless(@ARGV>=2){
print "perl $0 list.txt db.fa specie.fa\n";
exit(1);
}
my %hash;
open L,"$ARGV[0]" or die "$!\n";
my %list;
while(<L>){
chomp;
my @aa=split/\t/,$_;
$list{$aa[1]}='';
}
close L;
my $num_need = scalar keys %list;
print("begin fetch $num_need sequence...\n");
open F,"$ARGV[1]" or die "$!\n";
my %seq;
while(<F>){
LINE: #if(m/^>([^\|]+)/){
if(/^>([^:]+):([^\s]+)/){
chomp;
my $acc = $1;
my $line=$_;
my $idd=$1.':'.$2;
$hash{$idd}=$line;
next unless exists $list{$acc};
while(<F>){
goto LINE if /^>/;
s/[^a-z]//gsi;
$seq{$idd} .= $_;
}
last;
}
elsif (/^>(12122[^\s]+)(.*)/){
chomp;
my $acc = $1;
$hash{$1}=$_;
next unless exists $list{$acc};
while(<F>){
goto LINE if /^>/;
s/[^a-z]//gsi;
$seq{$acc} .= $_;
}
last;
}
}
close F;
open O,">$ARGV[2]" or die "$!\n";
foreach my $acc (keys %seq){
print O "$hash{$acc}\n$seq{$acc}\n";
}
my $yesn = scalar keys %seq;
my $non = $num_need - $yesn;
if($non>=1){
print "have $non sequence not found!\n";
}else{
print "you have successfully got $yesn sequence!\n";
}
close O;
獲得分類后的序列：
perl get_fasta.pl Animals.specie.xls kegg_all_clean.fa animals.fa
獲得分類后的數(shù)據(jù)庫后耻蛇，可用blast/diamond等軟件進(jìn)行建庫踪蹬，以便進(jìn)行輸入序列的比對(duì)。
3.獲得物種分類的K-ko對(duì)應(yīng)文件
從全部物種的ko_map.tab文件（K與通路的對(duì)應(yīng)關(guān)系文件）中獲取物種分類后的子文件臣咖。編寫腳本get_species_komap.pl：
#!/usr/bin/perl
=pod
this script is subsplit species komap
perl $0 species.xls ko_genes.list ko_map.tab species_ko_map.tab
=cut
my $spe=shift;
my $ko_gene=shift;
my $ko_map=shift;
my $map=shift;
my (%spe,%ko);
open F,"<$spe";
while(<F>){
chomp;
my @F=split/\t/,$_;
$spe{$F[1]}=1;
}
close F;
open F,"<$ko_gene";
while(<F>){
chomp;
my @F=split/\t/,$_;
my $ko=(split/:/,$F[0])[1];
my $spe=(split/:/,$F[1])[0];
if(exists $spe{$spe}){
$ko{$ko}=1;
}
}
close F;
open F,"<$ko_map";
open O,">$map";
while(<F>){
chomp;
my @F=split/\t/,$_;
if(exists ($ko{$F[0]})){
print O "$_\n";
}
}
close F;
close O;
得到animal_ko_map.tab文件跃捣，其他分類物種也是類似。
拆分子庫后比對(duì)獲得該子庫中的功能信息亡哄，后續(xù)注釋的數(shù)據(jù)處理其實(shí)和不分庫時(shí)是一樣的枝缔，都是一些文本的格式轉(zhuǎn)換以及可視化。
比如我們可將KEGG數(shù)據(jù)庫拆分：動(dòng)物animal.fa蚊惯、植物plant.fa愿卸、真菌fungi.fa、真核eukaryotes.fa截型、原核prokaryote.fa趴荸、原生生物microorganism.fa，以及包含原核宦焦、真菌和原生生物三種組合的微生物庫other.fa发钝，除動(dòng)植物顿涣、真菌、原核酝豪、原生之外但在KEGG數(shù)據(jù)庫中的其他生物unknow.fa涛碑。
后面比對(duì)注釋時(shí)只需設(shè)置物種參數(shù)即可。
