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；

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

nodes.dmp文件共包含13列，以“”分割，各列描述如下：

其中，物种分类注释时需要tax_id（Taxonomy记录号）,parent tax_id（上一层分类级别的tax_id）和rank（该tax_id所处的分类层级）。

RefSeq数据库

RefSeq(the reference sequence database,https://www.ncbi.nlm.nih.gov/refseq/ ).参考序列数据库，包含RefSeq_genomic(NCBI genomic reference sequences)，RefSeq_protein(NCBI protein reference sequences)和RefSeq transpans(NCBI transpans reference sequences)具有生物意义上的非冗余基因,转录本和蛋白质序列，是经过NCBI和其他组织校正的数据库，使用人类基因命名委员会定义的术语，并且包括了官方的基因符号和可选的符号。RefSeq记录有三种可以获得的状态：预测的、临时的和检查过的（reviewd）。预测的RefSeq记录是来自于那些未知功能的cDNA序列，它们有一个预测的蛋白编码区;临时的RefSeq记录还没有被检查过,它们是有自动的程序产生的；检查过的记录代表了目前关于一个基因和它的转录子的知识的汇编，它们很多都来自于GenBank记录、人类基因组命名委员会和OMIM，RefSeq标准为人类基因组的功能注解提供一个基础。

RefSeq数据库和GenBank数据库的区别在于：GenBank是一个开放的数据库，对每个基因都含有许多序列。很多研究者或者公司都可以自己提交序列，另外这个数据库每天都要和EMBL和DDBJ交换数据。genbank的数据可能重复或者不准。而RefSeq数据库被设计成每个人类位点挑出一个代表序列来减少重复，是NCBI提供的校正的序列数据和相关的信息。数据库包括构建的基因组contig、mRNA、蛋白和整个染色体。refseq序列是NCBI筛选过的非冗余数据库，一般可信度比较高。

NCBI作为生信分析最牛逼的网站，还包含有很多其他重要的数据库，后面几期小编将为大家逐个介绍，敬请关注！

供稿人：微生物事业部 韩娜