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。