TaxonKit工具：获取物种NCBI数据库的Taxonomy ID

网址： https://bioinf.shenwei.me/taxonkit/
TaxonKit工具，采用命令行模式，可以便于使用loop循环进行流水作业。

想要实现的功能：输入一个科名列表文件，批量查询其taxonomy ID；

| 子命令 | 功能 |
[list]——列出指定TaxId下所有子单元的的TaxID
[lineage] ——根据TaxID获取完整谱系（lineage）
[reformat]——将完整谱系转化为“界门纲目科属种株"的自定义格式 |
[name2taxid]——将分类单元名称转化为TaxID |
[filter]——按分类学水平范围过滤TaxIDs |
[lca]——计算最低公共祖先(LCA) |
[taxid-changelog]——追踪TaxID变更记录 |
version——显示版本信息、检测新版本 |
genautocomplete ——生成shell自动补全配置脚本 |

1. 安装

选择系统对应的版本下载最新版 https://github.com/shenwei356/taxonkit/releases

conda install taxonkit -c bioconda -y
表格数据处理，推荐使用 csvtk 更高效 conda install csvtk -c bioconda -y

2. 下载NCBI Taxonomy数据文件库

TaxonKit直接解析NCBI Taxonomy数据文件（2秒左右），配置更容易，也便于更新数据，占用内存在500Mb-1.5G左右。 数据下载：
有时下载失败，可多试几次；或尝试浏览器下载此链接

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

解压文件存于家目录中.taxonkit/，程序默认数据库默认目录

mkdir -p HOME/.taxonkit

3. 使用

功能1： list 列出指定TaxId所在子树的所有TaxID
示例：

以人属(9605)和肠道中著名的Akk菌属(239934)为例
taxonkit list --show-rank --show-name --indent " " --ids 9605,239934

功能2: lineage 根据TaxID获取完整谱系

查找指定taxids列表的物种信息，tee可输出屏幕并写入文件
taxonkit lineage taxids.txt | tee lineage.txt

功能3: reformat 生成标准层级物种注释
目的是生成“界门纲目科属种”的分类学谱系（complete lineage），因为很多级别即不常用，而且不完整。通常只想保留界门纲目科属种。
值得注意的是，不是所有物种都有完整的界门纲目科属种水平，特别是病毒以及一些环境样品。 TaxonKit可以用自定义内容替代缺失的分类单元，如用“__”替代。 更厉害有用的是，TaxonKit还可以用更高层级的分类单元信息来补齐缺失的层级 (-F/--fill-miss-rank)，比如:

-F参数会用family信息来补齐genus信息
$ echo 1327037 | taxonkit lineage | taxonkit reformat -F | cut -f 1,3

其它有用的选项：

-P/--add-prefix：给每个分类学水平添加前缀，比如s__species。
-t/--show-lineage-taxids：输出分类学单元对应的TaxID。
-r/--miss-rank-repl: 替代没有对应rank的taxon名称
-S/--pseudo-strain: 对于低于species且rank既不是subspecies也不是stain的taxid，使用水平最低taxon名称做为菌株名称。

功能4: name2taxid 将分类单元名称转化为TaxID
分类单元名称转化为TaxID非常容易理解，唯一要注意的是某些TaxId对应相同的名称，比如

-i指定列，-r显示级别，-L不显示世系
echo Drosophila | taxonkit name2taxid | taxonkit lineage -i 2 -r -L
Drosophila 7215 genus
Drosophila 32281 subgenus
Drosophila 2081351 genus
获取TaxID之后，可以立即传给taxonkit进行后续操作，但要注意用-i指定TaxId所在列。

实例

/mnt/d$ cat /mnt/d/FamilyID_list.txt | taxonkit name2taxid | taxonkit lineage -i 2 -r -L | tee /mnt/d/example_lineage.txt

读取FamilyID_list.txt文件中的科名，批量查询Taxonomy ID并屏幕输出保存到/mnt/d/example_lineage.txt文件中

Pinaceae 3318 family
Pinaceae 3318 family
Simaroubaceae 23808 family
...

**更多有用的功能：

功能5: filter 按分类学水平范围过滤TaxIDs
filter可以按分类学水平范围过滤TaxIDs，注意，不仅仅是特定的Rank，而是一个范围。 比如genus及以下的分类学水平，用-L genus -E genus，类似于 <= genus。

功能6: lca 计算最低公共祖先(LCA)

功能7: TaxID changelog 追踪TaxID变更记录
NCBI Taxonomy数据每天都在更新，每月初（大多为1号）的数据作为存档保存在 taxdump_archive/ 目录， 旧版本最早数据到2014年8月，新版本只到2018年12月。