nr/nt taxonomy scientific name

转载
原创作者：风风是超人
原文链接：https://blog.csdn.net/qq_42962326/article/details/105081327

NCBI Taxonomy数据库

wget -c https://ftp.ncbi.nlm.nih.gov/pub/taxonomy/accession2taxid/nucl_gb.accession2taxid.gz
wget -c https://ftp.ncbi.nlm.nih.gov/pub/taxonomy/taxdump.tar.gz

预测基因blast nt

blastn -query .fna \
-out out.xml \
-max_target_seqs 1 -outfmt 5 \
-db nt -num_threads 30 -evalue 1e-5

获取NCBI taxonomy

wget -c https://ftp.ncbi.nlm.nih.gov/pub/taxonomy/accession2taxid/nucl_gb.accession2taxid.gz
wget -c https://ftp.ncbi.nlm.nih.gov/pub/taxonomy/taxdump.tar.gz

下载，解压

打开nucl_gb.accession2taxid

第一列Accession ： 序列标识码
第一列Accession.version : 带版本号的序列标识码
第三列： 序列的taxid 号，即物种分类号。如 Homo sapiens 的是9606.
第四列：序列的gi号

cut -f 3,4 nucl_gb.accession2taxid > cutted_nucl_gb.accession2taxid

taxdump.tar.gz 解压后会有7个库，打开names.dmp

第1列为 物种的taxid号。
第2列为物种名称。
我们后面会选择scientific name 对应的物种学名

从XML结果文件提取gi号

提取的信息包括：
Iteration_query-def：reads id
Hit_id : 匹配序列的 id ,信息中包括gi号
Hit_def ： 匹配序列物种信息

# -*- coding:utf-8 -*-
import re
from collections import defaultdict

ms, file_xml, file_gi = sys.argv

xmlfile=open(file_xml, "r")
outfile=open(file_gi, "w")

dict1=defaultdict(list)
for lines in xmlfile:
    line=lines.strip()
    read_id = re.match('.*',line)
    Hit_id = re.match('.*',line)
    Hit_def = re.match('.*',line)
    
    if read_id !=None:
        read_id=read_id.group()
        read_id = read_id.split("<")[1].split(">")[1]
        key=read_id

    elif Hit_id !=None:
        Hit_id = Hit_id.group()
        Hit_id = Hit_id.split("<")[1].split(">")[1]
        dict1[key].append(Hit_id)

    elif Hit_def !=None:
        Hit_def = Hit_def.group()
        Hit_def = Hit_def.split("<")[1].split(">")[1]
        dict1[key].append(Hit_def)

for key in dict1:
    outfile.write(key + "\t" + "\t".join(dict1[key])+"\n")

这样得到的处理文件如下：
第一列reads id
第二例 gi号信息
第三列 物种信息

此时的物种信息列，字段是不整齐的，如Homo sapiens ，虽然都是Homo sapiens，但是字段很不一致，不利于统计，所以需要进行学名统一。
逻辑就是从blast结果中得到gi号，通过gi号得到taxid ,通过taxid 得到物种学名。

# -*- coding:utf-8 -*-
from collections import defaultdict
import sys, os, re

ms, file_gi, file_sci_name = sys.argv

tiqu_gi = open(file_gi, "r")
get_name = open(file_sci_name, "w")
# 来自NCBI taxonomy信息
gi2taxid = open("/public/home/zzumgg03/huty/databases/NCBI_tax/cutted_nucl_gb.accession2taxid","r")
taxid2name = open("/public/home/zzumgg03/huty/databases/NCBI_tax/names.dmp","r")

taxid_name_dict={}
for lines in taxid2name:
    if "scientific name" in lines:
        line = lines.strip().split("|")
        taxid = line[0].strip()
        name = line[1].strip()
        taxid_name_dict[taxid]=name
        
tiqu_dict=defaultdict(list)
for lines in tiqu_gi:
    line = lines.strip().split("\t")
    gi = line[1].split("|")[1]
    tiqu_dict[gi].append("\t".join(line))


gi_taxid_dict={}
for lines in gi2taxid:
    line = lines.strip().split("\t")
    GI = line[1]
    taxid = line[0]
    gi_taxid_dict[GI]=taxid

jiaoji=set(tiqu_dict.keys())&set(gi_taxid_dict.keys())

tax_list=taxid_name_dict.keys()

for lines in tiqu_gi:
    line = lines.strip().split("\t")
    gi = line[1].split("|")[1]
    if gi in jiaoji:
        taxid=gi_taxid_dict[gi]
        if taxid in tax_list:
            get_name.write("\t".join(line)+"\t"+taxid_name_dict[taxid]+"\n")

结果文件共4列，最后一列为匹配得到的物种学名。

下面在进行各个物种reads在所有抽取reads中所占比例即可。

pip install bio
from Bio import Entrez

reference
通过 blast 结果查看 测序数据fastq是否被污染，以及污染reads所属物种、所占比例