使用cd-hit对蛋白质或核酸序列进行聚类

是用于蛋白质序列或核酸序列聚类的工具，根据序列的相似度对序列进行聚类以去除冗余的序列，一般用于构建非冗余的数据集用于后续的实验分析。

cd-hit聚类算法

通常来说，根据序列相似度对序列进行聚类，首先想到的可能是通过计算两两序列之间的相似度对序列进行聚类，这样需要进行all by all的比较，相对来说比较费时，而 软件可以避开all by all比较的问题，大大缩短了运行时间。

是一种贪婪的增量聚类方法，首先对输入的序列根据序列的长短进行排序，并从最长到最短的顺序处理它们。将最长的序列自动的分为第一类并作为第一类的代表序列，然后将剩下的序列与在其之前发现的代表性序列进行比较，根据序列相似性将其归为其中的一类或成为新的一个聚类的代表序列，如此遍历所有序列完成聚类过程。 在默认方式中，序列仅和每一个聚类中的代表性序列（为这类中的最长序列）进行比较而不和这个类中的其他序列进行比对。 在准确模式下，序列会和每个聚类中的所有序列进行比较然后决定是成为新的一类还是归为其中的一类中。

cd-hit下载和安装

下载网址

https://github.com/weizhongli/cdhit/releases

安装

cd-hit的使用

包含的程序和用途

cd-hit 的基本用法

参数说明

-i 输入文件，fasta格式的序列

-o 输出文件路径和名字

-c 相似性（clustering threshold），0.9表示相似性大于等于90%的为一类

-n 两两序列进行序列比对时选择的 word size

-d 0表示使用 fasta 标题中第一个空格前的字段作为序列名字

-M 16000，16GB RAM

-T 使用的线程数

Choose of word size:

-n 5 for thresholds 0.7 ~ 1.0

-n 4 for thresholds 0.6 ~ 0.7

-n 3 for thresholds 0.5 ~ 0.6

-n 2 for thresholds 0.4 ~ 0.5

只能完成在40%以上的序列相似性的聚类，假设要将阈值设置为30%的相似性则需要两次聚类并使用 脚本才能完成

cd-hit-2d的基本用法

用于比较两个数据库中的相似性序列，默认识别在 db2 中的序列和 db1 中的序列相似性高于某个阈值的序列，输入是两个 fasta 格式的文件，输出是 db2 中与 db1 不相似的蛋白质序列文件和列出 db1 和 db2 之间相似序列的文件，如果想要输出 db1 中和 db2 中不相似的序列，可以将输入文件 db1 和 db2 的前后位置进行交换。

cd-hit-est的基本用法

的基本用法基本和 相同，只是 是用于核酸序列聚类，其中 word size 范围有点差异

-n 10, 11 for thresholds 0.95 ~ 1.0-n 8,9 for thresholds 0.90 ~ 0.95-n 7 for thresholds 0.88 ~ 0.9-n 6 for thresholds 0.85 ~ 0.88-n 5 for thresholds 0.80 ~ 0.85-n 4 for thresholds 0.75 ~ 0.8

cd-hit-est-2d的基本用法

的基本用法基本和 相同，只是 是用于核酸序列聚类

参考文献

Limin Fu, Beifang Niu, Zhengwei Zhu, Sitao Wu and Weizhong Li, CD-HIT: accelerated for clustering the next generation sequencing data. Bioinformatics, (2012), 28 (23): 3150-3152.