需求描述
下载ncbi当中的 念珠菌(candida auris)所有基因组DNA的fasta序列。
如果是直接在nucleotide数据库检索candida auris的会。对得到所有DNA以及mRNA的结果。我们需要把结果mRNA的过滤掉
image.png
具体操作
方法一：直接网页下载
最简单的方法方法就是通过网页直接下载。我们点击网页上的Send To ——— Gene Features ——— FASTA Nucleotide。即可下载所有的序列
image.png
但是这种方法有一个不好的地方在于，有时候序列特别多的时候，网页版本的下载会在一段时间结束。虽然显示下载完成了。但是其实可能只是下载了一部分的序列。这个下载完需要检查一下是否真的下载完了。
方法二：代码行下载
ncbi提供了很多用于数据库下载的API工具。我们使用R:rentrez包来下载。其他语言也是有相对应的工具的。
代码行需要注意的地方在于：因为我们在网页上检索的时候进行了筛选。所以在代码上检索的时候也需要进行筛选的。不然得到的结果是不一样的。
ncbi提供了filter选项来当作我们结果结果的过滤。同样的在rentrez当中，我们通过FILT参数设想定过滤选项。
具体在检索的查询表达式如何输入，我们可以通过entrez_db_searchable来进行查看
library(rentrez)
### 查看nucleotid数据库当中的限定词
entrez_db_searchable("nucleotide")
## Searchable fields for database 'nuccore'
## ALL All terms from all searchable fields
## UID Unique number assigned to each sequence
## FILT Limits the records
## WORD Free text associated with record
## TITL Words in definition line
## KYWD Nonstandardized terms provided by submitter
## AUTH Author(s) of publication
## JOUR Journal abbreviation of publication
## VOL Volume number of publication
## ISS Issue number of publication
## PAGE Page number(s) of publication
## ORGN Scientific and common names of organism, and all higher levels of taxonomy
## ACCN Accession number of sequence
## PACC Does not include retired secondary accessions
## GENE Name of gene associated with sequence
## PROT Name of protein associated with sequence
## ECNO EC number for enzyme or CAS registry number
## PDAT Date sequence added to GenBank
## MDAT Date of last update
## SUBS CAS chemical name or MEDLINE Substance Name
## PROP Classification by source qualifiers and molecule type
## SQID String identifier for sequence
## GPRJ BioProject
## SLEN Length of sequence
## FKEY Feature annotated on sequence
## PORG Scientific and common names of primary organism, and all higher levels of taxonomy
## COMP Component accessions for an assembly
## ASSM Assembly
## DIV Division
## STRN Strain
## ISOL Isolate
## CULT Cultivar
## BRD Breed
## BIOS BioSample
如上我们可以看到FILT可以来进行筛选。因此我们来使用代码检索结果。至于我们filter都可以选择哪些内容可以在网站中的Advanced里面查看
CA <- entrez_search(db = "nucleotide", term = "candida auris AND (genomic DNA[FILT])", retmax = 10000)
### 查看检索结果
CA$count
## [1] 1630
如上可以看到和网页检索结果是一样的。进一步我们可以通过entrez_fetch来抓取每个id的fasta序列即可。由于API提取ncbi的数据的时候如果项目太多会被系统自动关闭掉。所以我们需要用循环来提取序列
id <- CA$ids
n <- 200 #每次读入的记录数量
CAgenome <- c()
for (i in seq(1, length(id), n)) {
res <- entrez_fetch(db = "nucleotide", id = id[i : (i + n - 1)], rettype = "fasta")
CAgenome <- paste(CAgenome, res, collapse = "")
}
write.table(CAgenome, "CAgenome.fa", quote = F, row.names = F, col.names = F)
这样即可得到其所有的fasta序列了
网友评论