微生物多样性专题 | 扩增子测序分析实战（二）数据库整理之taxdmp​

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taxdmp

大家在看到这个数据库的时候，可能会有疑惑，这个数据库并没有出现在我们的数据库概述中，那这个数据库是干啥的呢？

举个例子，给定一个物种的名称，如何知道它是属于界门纲目科属种中的哪一分类水平呢？即如何知道它的rank信息？例如给定fungi，我们知道它是kingdom水平，那如果给定enterobacter或者其它没那么常见的物种，我们可能就要去NCBI的Taxonomy https://www.ncbi.nlm.nih.gov/taxonomy 数据库去查一查了：

NCBI的Taxonomy

现在我们知道enterobacter是属水平的，所以可以通过Taxonomy数据库去检索并得到NCBI收录的所有物种其对应的rank信息，如果想要批量查询或者更适用于流程化的操作，就需要将数据库本地化，也就是我们今天要说的taxdmp了，so？我为什么要批量查询...？因为SILVA数据库只给了物种名称，但是并没有像RDP一样给出物种对应的rank信息，所以我们要想得到SILVA的准确注释，就离不开taxdmp数据库。

原来如此....【一脸蒙蔽状的小伙伴不要紧，下期我们讲到SILVA的时候，你就明白了，现在我们只需要知道taxdmp可以提供物种对应的rank信息！】

NCBI的ftp下载地址

 ftp://ftp.ncbi.nlm.nih.gov/pub/taxonomy/taxdmp.zip 

下载并解压后，包含如下文件：

主要文件内容解释如下：

01

1、readme.txt 目录下所有文件的列说明文件

02

2、nodes.dmp

每行是一个物种【不仅是species水平】，共13列信息，上图只截取了一部分信息，前3列说明如下：

tax_id：-- node id in GenBank taxonomy database 物种的id

parent tax_id：-- parent node id in GenBank taxonomy database 父节点物种id

rank： -- rank of this node (superkingdom, kingdom, ...) 物种的rank信息

03

3、names.dmp

共4列：

tax_id： -- the id of node associated with this name【同node.dmp中的第一列】

name_txt：-- node name 物种名称【会有重复！即相同名称，不同的node/rank】

unique name：-- the unique variant of this name if name not unique 【如果name有重复，则取唯一名称，添加<>加以区分，*** taxmap_ncbi_ssu_ref_nr99_128.txt.gz SILVA 中出现的<>注释信息就是这个！***】

name class：-- (synonym, common name, scientific name ...) 名称分类【物种会有别名！涉及到更新的问题，某些名称可能就会变！】

如果把每个物种当做一个node，则该node对应的rank信息在nodes.dmp中，而node对应的物种信息在names.dmp中，由此可以提取出每个物种对应的rank信息！

04

4、生成文件Tax_Rank_Annotation_Uniq，

第一列为物种名称，第二列为rank信息，格式如下：

现在，我们来思考一个问题，由于来源于NCBI的taxdmp数据库是持续更新的，那会不会存在一种情况，需要提取rank信息的数据库(如SILVA)，其存储的物种名称是别名或者是更新前的名称？

这时候就需要从taxdmp中提取出物种的所有名称，包括别名、错拼名等，才能应对各种来源的名称（如SILVA注释数据），从而更准确的判断物种所属rank，更完美的是，可以将SILVA中错拼的、别名等全部替换成官方命名，即sientific name！

综上，需要把taxdmp整理成如下的格式：

第一列为物种id，第二列为物种名称，第三列为rank信息，第四列为名称分类。

该数据将用于SILVA数据库整理【名称转换为scientific name 以及添加rank信息】

生物多样性专题历史文章