[大数据]NCBI数据库以及常用编号

NCBI数据库

在微生物测序分析中，常常需要对未知的核酸或蛋白序列进行物种,功能或类别注释。注释方法种类较多，其中最常用的是与一些标准数据库进行相似性搜索，也就是序列比对。因此，数据库的优劣对注释结果至关重要。

NR/NT数据库

NR(Non-Redundant Protein Sequence Database)非冗余蛋白库，所有GenBank+EMBL+DDBJ+PDB中的非冗余蛋白序列，对于所有已知的或可能的编码序列，NR记录中都给出了相应的氨基酸序列（通过已知或可能的读码框推断而来）以及专门蛋白数据库中的序列号。NR库相当于一个以核酸序列为基础的交叉索引，将核酸数据和蛋白数据联系起来。NT(Nucleotide Sequence Database),核酸序列数据库，是NR库的子集。

NR和NT库都可以通过NCBI（National Center for Biotechnology Information,美国国立生物技术信息中心）进行在线BLAST,也可以在[下载地址][ftp://ftp.ncbi.nih.gov/blast/db]中将数据直接下载下来，需要注意的是，NR和NT库是被切分为以数字命名的子数据库上传的，将所有的子数据库放到同一个目录下，解压缩后构建索引文件即可。

Taxonomy 数据库

NCBI的分类数据库，包括大于7万余个物种的名字和种系，这些物种都至少在遗传数据库中有一条核酸或蛋白序列。其目的是为序列数据库建立一个一致的种系发生分类学。截止发稿日为止该数据库所包含的物种数目统计表如下:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-x7Nymex0-1633523935616)(/Volumes/Flower0501/picture/基础知识/NCBI-Taxanomy数据库.png)]

Taxanomy的[下载地址][https://ftp.ncbi.nih.gov/pub/taxonomy ]

gi_taxid 标识的数据：NCBI早在2016年已经宣布逐渐停用，这部分信息不再关注

1. taxcat 标识的数据:ncbi提供有不同格式的压缩包，解压后都只有一个categories.dmp文件。打开该文件，包含三列信息，三列代表的不同的分类层次:

• categories.dmp

内容信息：

• 第一列：代表分类的顶级类别(top-level category)，字母分别代表不同分类名（古菌，细菌，真核生物，病毒和类病毒，未分类，其他） A = Archaea B = Bacteria E = Eukaryota V = Viruses and Viroids U = Unclassified O = Other
• 第二列：相应的物种级别(species-level)的taxid
• 第三列：taxid本身

2. taxdump 标识的数据

同样提供不同格式的压缩包，解压后后包含7个文件：

• citations.dmp：与某个物种（taxid表示）的文献信息，来源信息：

• it_id ：the unique id of citation-引用ID
• cit_key：citation key-文献关键词
• medline_id：unique id in MedLine database (0 if not in MedLine)-MedLine数据库中的唯一ID
• pubmed_id：unique id in PubMed database (0 if not in PubMed)-PubMud数据库中的唯一ID
• url：URL associated with citation-相关网站
• text ：any text (usually article name and authors)-通常包含文章名字与作者名字的文本信息
  • 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-文章中所包含的分类节点信息

• nodes.dmp：存储 taxid对应的多级节点信息

• tax_id：the id of node associated with this name-节点taxaid
• name_txt：name itself-分类名称
• unique name：the unique variant of this name if name not unique-唯一名字
• name class：(synonym, common name, …)-分类级别

• nodes.dmp：存储 taxid对应的多级节点信息

• 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)： 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
• GenBank hidden flag (1 or 0) ： – 1 if name is suppressed in GenBank entry
• hidden subtree root flag (1 or 0) ： – 1 if this subtree has no sequence data yet
  comments：free-text comments and citations

• delnodes.dmp：已经删除不用的节点信息

• 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

• gencode.dmp：密码子表信息

• 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

• merged.dmp：记录新taxid替换旧taxid的信息

• old_tax_id：id of nodes which has been merged
• new_tax_id：id of nodes which is result of merging

RefSeq数据库

RefSeq([the reference sequence database][https://www.ncbi.nlm.nih.gov/refseq/]).参考序列数据库，包含RefSeq_genomic(NCBI genomic reference sequences)，RefSeq_protein(NCBI protein reference sequences)和RefSeq transpans(NCBI transpans reference sequences)具有生物意义上的非冗余基因,转录本和蛋白质序列，是经过NCBI和其他组织校正的数据库，使用人类基因命名委员会定义的术语，并且包括了官方的基因符号和可选的符号。

RefSeq记录有三种可以获得的状态：预测的、临时的和检查过的（reviewd）。

• 预测的RefSeq记录是来自于那些未知功能的cDNA序列，它们有一个预测的蛋白编码区;
• 临时的RefSeq记录还没有被检查过,它们是有自动的程序产生的；
• 检查过的记录代表了目前关于一个基因和它的转录子的知识的汇编，它们很多都来自于GenBank记录、人类基因组命名委员会和OMIM，RefSeq标准为人类基因组的功能注解提供一个基础。

RefSeq数据库和GenBank数据库的区别在于：GenBank是一个开放的数据库，对每个基因都含有许多序列。很多研究者或者公司都可以自己提交序列，另外这个数据库每天都要和EMBL和DDBJ交换数据。genbank的数据可能重复或者不准。而RefSeq数据库被设计成每个人类位点挑出一个代表序列来减少重复，是NCBI提供的校正的序列数据和相关的信息。

数据库包括构建的基因组contig、mRNA、蛋白和整个染色体。refseq序列是NCBI筛选过的非冗余数据库，一般可信度比较高。

文章来源：
https://cloud.tencent.com/developer/article/1772376