cd-hit的使用

使用目的：protein sequence dataset 的去冗余（non-redundancy）

使用工具：  cd-hit 在线网站

使用：

input：fasta file （我的dataset：分别是positive dataset 和 negative dataset）

out： .txt file. 

参数设置-Sequence identity cut-off：

0.9: 相似性大于90%的序列归为一类

0.8: 相似性大于80%的序列归为一类

。。。。。

基本思路:

首先对所有序列按照其长度进行排序，

然后从最长的序列开始，形成第一个序列类，

然后依次对序列进行处理，如果新的序列与已有的序列类的代表序列的相似性在cutoff以上,则把该序列加到该序列类中，否则形成新的序列类。

一般使用cd-hit对protein dataset去冗余时，设置一个较低的identity cut-off， 比如0.2-0.5(即相似性大于20-50%的序列都为一类）

参考： cd-hit介绍（包括优缺点）