datasets使用实例 | 如何批量获得特定物种的taxono

工具

使用到的工具是：

• datasets
• jq

datasets是NCBI官方的工具，可以直接调用NCBI的API进行信息的查询，返回的结果是json格式。现在还在活跃开发中，很多功能还不稳定还不确定，这也是我关注了这个程序这么久还没有写帖子的原因之一（另一个是因为懒，不然呢？叉腰.jpg）

jq是一个用于在命令行中处理JSON（JavaScript对象表示法）数据的工具。可以用于解析、查询、过滤、修改和格式化JSON数据。

场景

我有一系列的物种的名称，我希望快速查询到这些物种的从family到species的信息，并且格式是用/作为分隔。

软件安装

可以用conda一条命令完成

conda install datasets jq

当然也可以直接下载二进制版

# datasets
wget -c https://ftp.ncbi.nlm.nih.gov/pub/datasets/command-line/LATEST/linux-amd64/datasets
# jq
wget -c https://packages.ubuntu.com/jq
# 其他版本/平台请查询：https://jqlang.github.io/jq/download/

运行

其实运行起来特别简单。

datasets summary taxonomy taxon "Yarrowia deformans" | jq   -r '.reports[0].taxonomy.classification | [.class.name, .family.name, .genus.name, .species.name] | join("/")'

让gpt给解释一下：

datasets summary taxonomy taxon "Yarrowia deformans"：
这部分命令通过NCBI的datasets工具获取关于“Yarrowia deformans”这个物种的分类学信息。datasets工具通常用于查询NCBI数据库中的生物数据。

| jq -r：
这个部分使用管道(|)将前面命令的输出传递给jq，并使用-r选项告诉jq输出纯文本结果，而不是JSON格式的结果。

.reports[0].taxonomy.classification：
这是jq的过滤器部分，表示从JSON输出中提取第一个报告(reports[0])的分类信息(taxonomy.classification)。

[.class.name, .family.name, .genus.name, .species.name]：
这一步提取分类信息中的class（纲）、family（科）、genus（属）和species（种）的名称，并将它们组合成一个数组。

join("/")：
这一步将前面提取的数组中的元素用斜杠(/)连接成一个字符串。例如，结果可能会是“Class/Family/Genus/Species”的形式。

最终，这段代码输出“Yarrowia deformans”的纲、科、属、种信息，并用斜杠分隔，作为一个单独的字符串。

封装成脚本

每次写这么长然后手动改物种太麻烦了，让GPT给我封装成脚本：

#!/usr/bin/env bash

species="$*"

if [ -z "${species}" ]; then
  echo "Usage: bash $0 <species name>"
  exit 1
fi

output=$(datasets summary taxonomy taxon "${species}" | jq -r '
  if .reports[0].taxonomy.classification then
    .reports[0].taxonomy.classification | 
    [.class.name, .family.name, .genus.name, .species.name] | join("/")
  else
    "Classification information not found for the given species."
  end
')

if [ $? -ne 0 ]; then
  echo "Error retrieving data. Please ensure that 'datasets' command is available and the species name is correct."
  exit 1
fi

echo "$output"

在使用的时候就可以直接写

taxonmy.sh Yarrowia deformans

而不用写双引号之类的。

Saccharomycetes/Dipodascaceae/Yarrowia/Yarrowia deformans

之后只要写循环就能批量查询想要查的物种的taxonomy信息啦。

以后有机会再仔细介绍datasets这个命令的其他使用案例吧~