如何在NCBI实现大批量数据的一一对应
有时我们手头会有一批数据,或者是只有大量的某些id。比方说:accession number、gi、geneid、symbol、go、unigene、pubmed、taxid等等。事实大部分数据库都会有提供一些专门的文件或工具来实现这些数据间大批量的一一对应。
先来讲讲NCBI的。
用FTP登陆ftp.ncbi.nih.gov(windows下可以直接打开或是用迅雷/Flastget等下载工具)。cd gene/DATA(windows下依次找到gene/DATA这个文件夹)。ls一下,里面的文件大概有:
ncftp /gene/DATA > ls ASN_BINARY/ gene2sts gene_refseq_uniprotkb_collab.gz ASN_OLD/ gene2unigene go_process.xml gene2accession.gz gene_group.gz mim2gene gene2go.gz gene_history.gz misc/ gene2pubmed.gz GENE_INFO/ README gene2refseq.gz gene_info.gz
下面主要解释一下一些常用的文件。
1,gene2accession.gz,这里面的数据比较多,包含有NCBI所有的accession。但主要有以下的:
tax_id GeneID nucleotide_accession nucleotide_gi protein_accession protein_gi
2,gene2go.gz,主要是Gene与GO之间的一一对应。里面的数据主要有:
tax_id GeneID GO_ID GO_term 3702 814629 GO:0003676 ucleic acid binding
3,gene2pubmed.gz,主要是Gene与Pubmed ID的一一对应。
tax_id GeneID PubMed_ID
9 1246500 9873079
4,gene2unigene,Gene与Unigene数据库的一一对应
GeneID UniGene_cluster 1268433 Aga.201
5,gene2refseq.gz,这个就不多讲。跟gene2accession.gz类似。不过其中的accession都是refseq数据库的。
6,gene_info.gz,是NCBI的Gene数据库。包含有Gene的gene_name(Symbol),第几号染色体等。主要有:
tax_id GeneID Symbol chromosome description
大概就这些。如果你会用Linux,这些大批量的一一对应是非常简单的。在GO/EMBL/Uniprot等也有类似的批量对应。以后有需要有讲到。
有点相关的文章
- NCBI工具:BLAST 2 Sequences的用法 (0.651)
- 知道基因名(Symbol)怎样查找基因的序列? (0.646)
- Uniprot,GO,GenBank,IPI等ID的一一对应 (0.646)
- 用RSS订阅NCBI-PubMed文献 (0.564)
- PubMed使用指南 (0.564)
- 生物信息学—促动BT与IT双赢 (RANDOM - 0.500)
想请教一下,这些大批量的数据在Linux下如何对应的具体操作步骤
这个嘛。要根据需要阿。具体问题具体分析的
比如我有一个list的geneID 我想跟GO item对应起来,应该怎么做?需要什么工具?望不吝赐教,谢谢!
会Linux嘛??会perl不?
都会一点 能给个思路吗?
能给个QQ吗?
欢迎访问我的网站http://www.bu-pathology.com,我主要是做病理和医学图像分析的
教程:http://yunbio.com/570
十分感谢,很高兴认识您!
想请教一下 ASN_BINARY文件夹里的文件怎么解析?我想使用NCBI数据库中基因数据的摘要文件,请问在哪里可以得到呢?这个文件夹里的数据有吗?类似summary field,huamn-written summary之类的数据?谢谢
summary field,huamn-written summary??
没有印象~~~
可到yunbio.com提问
版主,您好!
gene2accession.gz(最新下载的)
怎么没有包含所有的accession number呀,而且好多都没有。。。
比如说这个:FR796423在gene2accession.gz里就grep不到….我现在急用这样的文件呀….