微生物多样性专题-扩增子测序分析实战（二）数据库整理之RDP

文：向屿 | 编辑：湖心

本文系原创，转载需授权。

微生物多样性专题

扩增子测序分析实战（二）

数据库整理之RDP

看了昨天数据库概述的盆友是不是有些已经开始自己做整理了呢？不要怪小编啊，硬生生的把数据库准备步骤拆成了这么多部分（着实有些吊胃口和讨打的嫌疑），不过大家要相信我，因为数据库比较多，而且整理中各种暗藏的小坑也比较多，所以想要尽可能都照顾到，分开也好让大家可以有时间消化一下~

言归正传，接下来我们首先对RDP数据库的概况、下载及整理进行讲解。 一定要清楚我们最终要整理成的格式哦，这样我们才有个方向性，也就是我们今天这篇的目的！（错过数据库概述的和忘性比较好的同学，自行返回再看一下哈~）

官方主页：

https://rdp.cme.msu.edu/index.jsp

RDP数据库全称“RibosomalDatabase Project”，是由密歇根州立大学开发维护的在线工具，包括数据库和分析工具两部分。其中分析工具最早是用于焦磷酸测序产生的16S数据分析，其后逐步拓展了在28S、ITS、功能基因的分析功能，并支持Illumina测序平台产生的数据，而数据库部分则提供高质量、已注释的细菌、古菌16S rRNA基因和真菌28S rRNA基因序列。目前其数据库最新版本为RDP Release 11.5，于2016年9月30日更新。更新后的数据库包含3,356,809条16S rRNA基因序列和125,525条真菌28S rRNA基因序列。

对于RDP分析工具的使用我们会在专题的后半部分再做详细说明，我们现在只关注数据库的下载和整理！

01

最新版数据下载路径：

https://rdp.cme.msu.edu/misc/rel10info.jsp

点击进来之后，就可以看到如下的界面，可以看到该数据库分别提供了细菌、古菌和真菌28S的序列下载：

需要注意

Aligned的链接提供的是比对后的序列，文件很大，而我们实际分析中只需要下载Unaligned中的Fasta序列文件即可！

02

数据整理：【关键的部分来了，各位亲不要瞌睡，划重点了！】

因为数据库会每年做更新，故为了区分每次更新的数据库版本，将下载的数据（细菌、古菌和真菌）解压并重新命名，添加版本信息：

该原始序列中包含序列id(S000632122)、物种注释信息(种水平注释+界门纲目科属种注释)、以及相应的碱基序列(gacgaa...)：

值得注意的是：

01Mothur软件中classify.seq命令

Mothur软件中classify.seq命令（用于物种注释）可能会将注释信息括号中的数据当做可信度（注释结果的可信度）去处理，而注释信息中的括号有多种情况：

如果种水平的注释信息中有分号，如上图中Ilumatobacter fluminis (T); YM22-133，则首先取分号前面的内容，此时，如果左括号之前没有空格或者是sp.+空格+括号，则空格中的内容是注释信息的一部分，需要把左括号换成下划线，右括号删除，否则删除整个括号！【因为mothur版本更新的时候发现的问题，而且括号可能会影响到后续R语言的处理分析，所以建议大家一定要先处理掉这个问题】

02classify.seq要求注释信息中不能包含“（-）”

classify.seq要求注释信息中不能包含“（-）”否则会报错，应该已经在第1步中处理完成：

03对于亚种的情况，以subsp字符为分隔

对于亚种的情况，以subsp字符为分隔，取前面的部分作为种水平注释

数据库中可能也存在着其他隐藏的问题，大家有什么使用心得或者我没发现的问题，烦请给予指正！

在对上述问题进行妥善处理之后，我们下一步就可以对数据库进行拆分了，以得到序列文件和序列注释文件，还记得要求的最终格式么？其实就是把序列id和碱基序列放到一个文件(.fasta文件)，把序列id和序列注释放到另一个文件(.tax文件)，两个文件可以通过id对应起来。由于数据库比较大，一条一条记录修改或者使用R去做文本处理是不现实的，所以可以选择在linux系统下使用perl或者pyhton去处理！【千万不要轻易拿自己的个人电脑做尝试哦，条件不允许的情况下知道怎么做就好了！而这里就引出了linux系统和编程在生物信息中的应用，这也是生物信息分析必备的技能，我们会在后面的相应专题中再做详细介绍！】这里小编是用perl做的，如果有需要参考或者分享python脚本的，记得联系小编哦~(在文末贴有有小编的联系方式)

如果想要自己的注释结果中同时包含细菌和古菌，则可以将拆分得到的Bacteria和Archaea的数据进行合并，在linux系统下用cat完成即可，命令如下：

cat RDP_11.5_Bacteria.tax RDP_11.5_Archaea.tax > RDP_11.5_Bacteria_Archaea.tax

cat RDP_11.5_Bacteria.fasta RDP_11.5_Archaea.fasta > RDP_11.5_Bacteria_Archaea.fasta

同样，如果需要使用RDP提供的Fungi数据库，也可整理出来，目录下文件整理完成后如下：

至此我们对RDP数据库的整理就算完成了，RDP_11.5_Bacteria_Archaea.fasta和RDP_11.5_Bacteria_Archaea.tax即为classify.seq进行16S物种注释时需要输入的参数啦！

小编向屿的微信，欢迎大家骚扰~

如果大家有什么不清楚的地方，欢迎在我们的生信控分享交流群中讨论哦~