NR数据库的物种注释

为什么要创建nr或nt数据库的子库，因为这两个库数据量巨大，若只专注某个领域而非全部，则在对自身领域进行注释时就会耗费大量时间，为了节省时间，就需要在原来nr/nt数据库的基础上构建相对的子库。

构建方法如下：

• 方法一：从NCBI官网下载相应物种的Accession ID

在2017年之后的nr/nt数据库变成不再支持gi号搜索的。所以我们不可以根据gi号来分离并构建对应的子库，那么我们就需要查看新版本的nr/nt库的序列的id特征，发现他们变成了accession id，那么我们就可以采取对应的方式来分离子库了。

1. Download the prebuilt nr database (在ncbi上下载最新的nr/nt数据库)，and use makeblastdb build prot database makeblastdb -in nr -dbtype prot -parse_seqids -hash_index -out nr -logfile log.txt

2. Search the Entrez Protein database **with query:**query id[ORGN]，即你所要建子库相应的txid号。[NCBI][https://www.ncbi.nlm.nih.gov/protein/]

3. Select “Send to File” and choose format “accession list”，然后在send to 位置选择accession list 导出相应的accession list文件“ sequence.seq ”

4. Use the list of GIs from the previous step with the blastdb_aliastool to build an aliased blastdb of just your organism (takes several seconds), eg:blastdb_aliastool -seqidlist sequence.seq -db nr -out nr_plant -title nr_plant

5. Search against your new (aliased) database:blastx -query query.fa -db nr_plant

搜索时的==[ORGN]==是必须加上的，因为其代表整个团体，若不加上只能搜到其txid所代表的那一个物种。

• 方法二：使用taxonkit工具从taxanomy文件中提取

1. 首先要下载taxonkit工具，[下载网址][http://bioinf.shenwei.me/taxonkit/download/],linux系统下直接解压使用，再将Taxonkit添加进环境变量sudo cp taxonkit /usr/local/bin/。

   ​ 再将从NCBI官网上下载的taxanomy文件中的names.dmp和nodes.dmp文件复制到用户目录的隐藏文件夹.taxonkit中，命令如下：

cp names.dmp ~/.taxonkit
cp nodes.dmp ~/.taxonkit

​ 之后便可以正常使用了。此时还需要从NCBI官网上下载NCBI的accession与taxid的对应关系文件[prot.accession2taxid.gz][ftp://ftp.ncbi.nih.gov/pub/taxonomy/accession2taxid/prot.accession2taxid.gz]。

2. 使用TaxonKit提取特定taxons下的所有taxid，命令如下：

 taxonkit list --ids 33090 --indent "" > plant.taxid.txt
 wc -l plant.taxid.txt

​ 此时–ids的参数33090是代表整个植物届的最大的parent id，–indent ""是将所列出的taxid左边的空格去除，，以左对齐排列。

3. 使用csvtk在prot.accession2taxid.gz文件中提取plant.taxid所有的accession

zcat prot.accession2taxid.gz |csvtk -t grep -f taxid -P plant.taxid.txt |csvtk -t cut -f accession.version >plant.taxid.acc.txt

csvtk参数含义可以到csvtk usage查询，[csvtk功能介绍][http://bioinf.shenwei.me/csvtk/usage/].

4. 利用获取到的plant.taxid.acc.txt文件创建nr子库

blastdb_aliastool -gilist plant.taxid.acc.txt -db nr -out nr_plant -title nr_plant

5. 如果是想提取特定物种（比如植物）下的所有NR序列

 blastdbcmd -db nr -entry all -outfmt "%at%T" |csvtk -t grep -f 2 -P plant.taxid.acc.txt |csvtk -t cut -f 1 |blastdbcmd -db nr -entry_batch - -out nr.plant.fa

两种方法的比较:
方法一更加适合创建较大物种范围的nr子库，即细菌，真菌，植物届等等，速度较快，且方便。

方法二适用于创建多个较小物种集合的nr子库，不需要到NCBI上反复查询，可以写成脚本的形式。

常见txid号

Name	txid	Search id	Scope
Bacteria	2	txid2[ORGN]	细菌
Fungi	4751	txid4751[ORGN]	真菌
Eukaryota	2759	txid2759[ORGN]	真核生物
Vertebrata	7742	txid7742[ORGN]	脊椎动物门
Viridiplantae	33090	txid33090[ORGN]	植物界

若不知我们研究物种分类的txid号，则可以通过以下方法查询：通过物种分类中一个已知物种名，例如研究真菌，知晓酿酒酵母的物种名，saccharomyces cerevisiae，知道酿酒酵母属于真菌。

1. 选择NCBI数据库的Taxanomy，输入saccharomyces cerevisiae，搜索。

2. 点击进入后，选择Lineage中的fungi，再点击Fungi。

3. 从Fungi的界面可以看到其txid号为4751.

资料来源：

NR子库构建：

http://www.biotrainee.com/thread-1818-1-1.html

http://www.bioinfo-scrounger.com/

txid号查询：http://blog.sina.com.cn/s/blog_14ece68cc0102vx90.html