速来围观！——三种NCBI常见数据库

在微生物测序分析中，常常需要对未知的核酸或蛋白序列进行物种,功能或类别注释。注释方法种类较多，其中最常用的是与一些标准数据库进行相似性搜索，也就是序列比对。因此，数据库的优劣对注释结果至关重要。本期小编为大家带来的是NCBI上的三个重要的数据库—NR/NT，Taxonomy和RefSeq。

NR/NT 数据库

NR(Non-Redundant Protein Sequence Database)非冗余蛋白库，所有GenBank+EMBL+DDBJ+PDB中的非冗余蛋白序列，对于所有已知的或可能的编码序列，NR记录中都给出了相应的氨基酸序列（通过已知或可能的读码框推断而来）以及专门蛋白数据库中的序列号。NR库相当于一个以核酸序列为基础的交叉索引，将核酸数据和蛋白数据联系起来。NT(Nucleotide Sequence Database),核酸序列数据库，是NR库的子集。

NR和NT库都可以通过NCBI（National Center for Biotechnology Information,美国国立生物技术信息中心）进行在线BLAST,也可以在ftp://ftp.ncbi.nih.gov/blast/db地址中将数据直接下载下来，需要注意的是，NR和NT库是被切分为以数字命名的子数据库上传的（如下图所示），将所有的子数据库放到同一个目录下，解压缩后构建索引文件即可。

Taxonomy 数据库

NCBI的分类数据库，包括大于7万余个物种的名字和种系，这些物种都至少在遗传数据库中有一条核酸或蛋白序列。其目的是为序列数据库建立一个一致的种系发生分类学。截止发稿日为止该数据库所包含的物种数目统计表如下:

表1 Taxnomoy数据库物种数目统计表

下载文件：

https://ftp.ncbi.nih.gov/pub/taxonomy  下载gi_taxid.nucl.dmp.gz（NT记录ID号与taxid对应关系），gi_taxid.prot.dmp.gz（NR记录ID号与taxid对应关系）和taxdump.tar.gz三个文件；

taxdump.tar.gz里包含两个重要文件，即names.dmp和nodes.dmp；

names.dmp

names.dmp文件共包含4列，以“|”分割，各列描述如下：

其中tax_id即为taxonomy的记录号，name_txt即对应tax_id号的物种名称。

nodes.dmp