2022-09-01 NR 动物数据库构建

1.下载nr.gz(先前已下载)

2.下载taxid的accession号prot.accession2taxid下载地址 ftp://ftp.ncbi.nlm.nih.gov/pub/taxonomy/accession2taxid/prot.accession2taxid.gz

prot.accession2taxid文件提供了nt/nr中accession号与物种分类taxid的对应关系，文件中第一列是accession号，第三列是对应物种的taxid号。

ascp -i ~/.aspera/connect/etc/asperaweb_id_dsa.openssh -QTr -l500m anonftp@ftp.ncbi.nlm.nih.gov:/pub/taxonomy/accession2taxid/prot.accession2taxid.gz ./

ascp -i ~/.aspera/connect/etc/asperaweb_id_dsa.openssh -QTr -l500m anonftp@ftp.ncbi.nlm.nih.gov:/pub/taxonomy/accession2taxid/prot.accession2taxid.gz.md5 ./   #下载

md5sum -c  prot.accession2taxid.gz.md5  #验证MD5值

gunzipprot.accession2taxid.gz  #解压

通过将acciessionid映射到taxid，再映射到divisionid，我们可以将nt/nr中的序列拆分到以上的12个大类中，分别代表：Bacteria, Invertebrates, Mammals, Phages, Plants and Fungi, Primates, Rodents, Synthetic and Chimeric, Unassigned, Viruses, Vertebrates, Environmental samples。

3.下载taxdump.tar.gz（文件不大，下载快）

ascp -i ~/.aspera/connect/etc/asperaweb_id_dsa.openssh -QTr -l500m anonftp@ftp.ncbi.nlm.nih.gov:/pub/taxonomy/taxdump.tar.gz ./

ascp -i ~/asperaweb_id_dsa.openssh -QTr -l500m anonftp@ftp.ncbi.nlm.nih.gov:/pub/taxonomy/taxdump.tar.gz.md5 ./  #下载MD5

md5sum -c taxdump.tar.gz.md5  #验证MD5值

tar -pzxvf taxdump.tar.gz  #解压

4. 筛选 animal相关  taxdump

awk -F"\|" '{print$1"\t"$5}' nodes.dmp | awk '{if($2=="1"||$2=="2"||$2=="5"||$2=="6"||$2=="10")print$1}'  > ANI.taxid

参考脚本：注意缩进空格

5.获取ID

python nrget.py ANI.taxid prot.accession2taxid ANI.ID

nrget.py代码如下：注意缩进空格

import sys

file1 = open(sys.argv[1], "r")

file2 = open(sys.argv[2], "r")

out = open (sys.argv[3], "w")

dic = {}

for line in file1:

  line = line.strip()

  dic[line] = "good"

for line in file2:

  line = line.strip().split()

  if line[2] in dic.keys():

    out.write(line[1] + "\n")

file1.close()

file2.close()

out.close()

6.根据ID列表通过seqkit软件获取对应的fa序列

seqkit grep -f ANI.ID nr -o animals

7.构建diamond索引

diamond makedb --in animals -d animals

构建成功

参考：
https://www.jianshu.com/p/4138786bc2f9

https://www.cnblogs.com/jessepeng/p/13736609.html

https://blog.csdn.net/parkzx/article/details/125084218