NCBI生物分类数据库（Taxonomy）

介绍

Taxonomy : NCBI公共序列数据库中所有生物的策划分类和命名法。目前包含地球上大概10%的物种。 我们现在查询到底包含有有多少物种，进入统计页面：。可以看到不同的分类下的分布情况，总体包含有597658条物种信息。

mark

查询某个物种的全部核酸序列和蛋白序列

1. 进入 NCBI 首页

2. 点击Taxonomy，进入物种分类数据库

mark

3. 进入 Taxonomy 首页，输入human，点击Search

mark

4. 浏览该物种下的核酸序列或蛋白序列，直接点击Nucleotide或者Protein

   

   mark

5. 浏览核酸序列列表，数量远远超过了所预想的数量，因为这里包含的是与 Nucleotide 相关的该物种的信息

mark

6. 选择左栏的Viruses切换显示物种，可以看到有好多病毒的整合位点信息。你也可以点击左栏来筛选其他你想要的信息，比如mRNA。

   

   mark

查看某个物种的其他信息（蛋白结构，基因，测序数据，相关文献等）

https://www.ncbi.nlm.nih.gov/Taxonomy/Browser/wwwtax.cgi?mode=Root

1. 进入首页，我们以人类为例：输入human，点击Go

   

   mark

2. 点击Homo sapiens

mark

3. 大家会看到在NCBI中关于人类的目前几乎全部的生物数据。左栏显示人类拉丁名Homo sapiens，Taxonomy编号为txid9606，基因密码子表，线粒体密码子表等。

右栏展示与人相关的数据，常用的包括

• Nucleotide: 核酸序列
• Protein: 蛋白序列
• Structure: 蛋白结构（大部分来源于PDB数据库）
• SNP: 单位点突变数据
• GEO Datasets/SRA Experiments/GEO Profiles: 用于储存公共测序数据，这个包含之前的芯片数据，也有目前大部分的高通量测序
• PubMed Central: 文献
• Gene: 基因信息

Taxonomy 编号在查询和标注信息时候常常用到，比如，在Nucleotide中查询现代智人的时候：

mark

mark

Taxonomy 的相关数据下载

ftp://ftp.ncbi.nih.gov/pub/taxonomy/

1. gi_taxid 标识的数据

NCBI早在2016年已经宣布逐渐停用，这部分信息不再关注

2. taxcat 标识的数据

ncbi提供有不同格式的压缩包，解压后都只有一个categories.dmp文件。打开该文件，包含三列信息，三列代表的不同的分类层次。

• 第一列：代表分类的顶级类别(top-level category)，字母分别代表不同分类名（古菌，细菌，真核生物，病毒和类病毒，未分类，其他）

  A = Archaea
  B = Bacteria
  E = Eukaryota
  V = Viruses and Viroids
  U = Unclassified
  O = Other

• 第二列：相应的物种级别(species-level)的taxid

• 第三列：taxid本身

以尼安德特人（taxid：63221）为例

查看categories.dmp文件（下面命令代表去categories文件中查找63221并显示）:

cat categories.dmp | grep 63221

结果如下，第一行即为63221（taxid）代表尼安德特人：

mark

我们现在可以描述尼安德特人（taxid：63221）属于真核生物（E）里的智人（taxid：9606）类的一个分支。

3. taxdump 标识的数据

同样提供不同格式的压缩包，解压gunzip -c taxdump.tar.gz | tar xf -后包含7个文件:

• citations.dmp：与某个物种（taxid表示）的文献信息：

  

  mark
  • it_id ：the unique id of citation
  • cit_key：citation key
  • medline_id：unique id in MedLine database (0 if not in MedLine)
  • pubmed_id：unique id in PubMed database (0 if not in PubMed)
  • url：URL associated with citation
  • text ：any text (usually article name and authors)
    ：The following characters are escaped in this text by a backslash:
    ：newline (appear as "\n"),
    ：tab character ("\t"),
    ：double quotes ('"'),
    ：backslash character ("\").
  • taxid_list：list of node ids separated by a single space

• names.dmp：存储 taxid 对应的物种名信息

  

  mark
  • tax_id：the id of node associated with this name
  • name_txt：name itself
  • unique name：the unique variant of this name if name not unique
  • name class：(synonym, common name, ...)

• nodes.dmp：存储 taxid对应的多级节点信息

  

  mark
  • tax_id：node id in GenBank taxonomy database
  • parent tax_id：parent node id in GenBank taxonomy database
  • rank：rank of this node (superkingdom, kingdom, ...)
  • embl code：locus-name prefix; not unique
  • division id：see division.dmp file
  • inherited div flag (1 or 0)： 1 if node inherits division from parent
  • genetic code id：see gencode.dmp file
  • inherited GC flag (1 or 0)： if node inherits genetic code from parent
  • mitochondrial genetic code id： -- see gencode.dmp file
  • inherited MGC flag (1 or 0)： -- 1 if node inherits mitochondrial gencode
  • GenBank hidden flag (1 or 0) ： -- 1 if name is suppressed in GenBank entry
  • hidden subtree root flag (1 or 0) ： -- 1 if this subtree has no sequence data yet
  • comments：free-text comments and citations

• delnodes.dmp：已经删除不用的节点信息

  

  mark

• division.dmp：

  

  mark
  • division id：taxonomy database division id
  • division cde：GenBank division code (three characters)
  • division name：e.g. BCT, PLN, VRT, MAM, PRI...
  • comments

• gencode.dmp：密码子表信息

  

  mark
  • genetic code id：GenBank genetic code id
  • abbreviation：genetic code name abbreviation
  • name：genetic code name
  • cde：translation table for this genetic code
  • starts：start codons for this genetic code

• merged.dmp：记录新taxid替换旧taxid的信息

  

  mark
  • old_tax_id：id of nodes which has been merged
  • new_tax_id：id of nodes which is result of merging