微生物多样性专题 | 扩增子测序分析实战（二） 如何通过gi号获取物种注释？
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）
如何通过gi号获取物种注释？
大家还记不记得我们上一期在讲（二）数据库整理之FunGene 的时候，抛出了一个问题，如何通过核酸序列gi号获得其对应的物种注释信息？本期，小编将为大家详细讲解这个问题的解决方法！
1、gi号和taxid的对应文件；
2、taxid和物种注释的对应文件；
由此即可得到gi号和物种的对应关系，实现步骤如下：
NCBI官网提供了该数据：
gi_taxid_nucl.dmp/gi_taxid_prot.dmp
下载地址：
ftp://ftp.ncbi.nlm.nih.gov/pub/taxonomy/
ftp://ftp.ncbi.nih.gov/pub/taxonomy/gi_taxid_nucl.dmp.gz
# 核酸gi与taxid的对应关系，本期只需要这一个
ftp://ftp.ncbi.nih.gov/pub/taxonomy/gi_taxid_prot.dmp.gz
# 蛋白gi与taxid的对应关系，是附送下载的
NCBI提供taxid及其物种信息ftp://ftp.ncbi.nlm.nih.gov/pub/taxonomy/taxdmp.zip，我们在之前的（二）数据库整理之 taxdmp 中已经做了初步介绍，已知整理起来相当复杂，所以小编这次就给大家介绍一个更容易操作的小工具：ncbitax2lin，可以实现taxid及其对应物种的下载及整理，在GitHub的网址 https://github.com/zyxue/ncbitax2lin，安装使用如下：
2.1、工作目录
cd /home/panrf/database/NCBI
2.2、下载
wget https://codeload.github.com/zyxue/ncbitax2lin/zip/master
2.3、解压并删除压缩包
unzip master && rm master
2.4、 cd ncbitax2lin-master
2.5、make # this will download the latest taxdump from NCBI, and run the scripts to regenerate all latest lineages fromit
如果显示如下报错：
不要惊慌，此时数据下载已经完成，当前文件夹下执行解压缩
tar zxvf./taxdump/taxdump.tar.gz
2.6、执行文件整理的操作：
python ncbitax2lin.py --nodes-file taxdump/nodes.dmp
--names-file taxdump/names.dmp -o lineage
【所以也可自行下载并解压taxdump.tar.gz 然后运行该步骤】
...
当前目录下生成 lineages.csv.gz，解压即可！
2.7、完成上述步骤，最终生成的 lineages.csv 文件，内容如下：
注：第一列为taxid，其后为各水平的注释信息~
* 4亿条 protgi2tax 记录以及 6亿条 nuclgi2tax 记录 *
基于上述两个步骤生成的文件，以taxid作为桥梁，将gi2taxid 和 taxid2taxonomy 结合提取gi号对应的物种注释即可，还是要在服务器上用编程语言实现，个人电脑带不动！
最终在output目录下会生nuclgi2tax／protgi2tax
文件，第一列为gi号，第二列为8个水平的物种注释：
对，就是它！赶快拿去整理FunGene数据库吧！
1、该数据将用于结合blast+结果为序列提供物种注释，由于数据量比较大，可以考虑将数据拆分，并行处理。
split -l 30000000 nuclgi2tax /home/pub/database/NCBI/taxonomy/nuclgi2tax.spl
# 每个拆分文件的行数可以根据要拆分为多少个文件去计算得到
split -l 20000000 protgi2tax /home/pub/database/NCBI/taxonomy/protgi2tax.spl # 拆分为protgi2tax.spl*
2、NCBI同时提供了accession2taxid 数据：
ftp://ftp.ncbi.nih.gov/pub/taxonomy/accession2taxid