为blast＋加速

做生物信息学的批量blast号称最齐全蛋白序列的nr数据库，最平常不过了。

做非模式植物的研究是相当的苦X（重点之一）。假如拿到几万条蛋白序列去做注释，用上十几个线程去blastp NCBI的nr数据库，等上四五六天拿到结果也是很平常的；要是blastx DNA序列到nr数据库，那就更糟糕（nr数据库的序列实在是太多了，超过一亿四千万条，简单地想象几万 ×一亿四千万 的两两比对是多么的可怕！时间是金钱呀！）。

由于本人手头上的数据比较多，好几个物种（二十来万条序列，头疼），想加速blastp进程，减少等待时间。能想到的简单策略是，只blastp nr数据库中的植物的蛋白序列就好了，这样会省很多时间。

具体实现方法一，从nr数据库的fasta文件中，抽出植物的蛋白序列，然后再建一个专门的blast库。

具体实现方法二，给blastp 的提供--seqidlist，只比对植物序列，跳过非植物的无关序列。

这两种方法都需要获得nr的植物蛋白的accession号（nr的gi号已经在2016年取消了）。找到植物蛋白序列的asscession只需三步就可以完成。（1）去NCBI Entrez 上切换到Protein搜索all [filter]，跳转到搜索结果页面; (2)在左边物种选项上选定Plant，这就是NCBI上所有的植物蛋白序列了，（3）然后send to中下载accession到文件中，下载的文件大概九十多M。

注意，拿到的这个文件中的accessions是冗余的。你可以写一个perl或者Python等脚本对nr中的accessions和你获得accessions取交集。这交集就是nr上的植物蛋白序列的accessions。后面根据accessions提取序列或者将交集accessions作为—seqidlist也是再容易不过的事情啦！另外，blastx也可以用--seqidlist 参数。

或者有更好的方法，欢迎交流！

关注下方二维码，问题交流或寻求帮助可后台留言，也可以回复文首邮箱。