小生这厢有礼了(BioFaceBook Personal Blog)

来NCBI后自己的一个工作就是对其他人多年前的一些数据进行再分析，期望发现新的规律。其中涉及到很多序列号与序列对应，蛋白与核酸序列对应，不同数据库数据对应的问题，这里做个总结，希望对其他人也有用。

先说说NCBI序列数据库中的编号问题。NCBI序列数据中我们常用到两种编号：一个是GI，一个是ACCESSION。ACCESSION形式为CC_#####,其中CC为两个字母，其不同组合又可以区分为蛋白序列、核酸序列或基因组序列，而#为位数不等的数字；GI则全为数字表示。ACCESSION后面又会加版本号，以CC_####.#形式表示，最后的尾数递增表示序列信息较之前的版本有所修改。这样ACCESSION+版本号就是一个唯一的表示，代表一个唯一的序列，而且这个编号不会改变。而GI原则上也是一个序列一个编号，但因为序列经常会变，因此GI号也会改变，而一些GI号可能会被删除，大家可以通过NCBI的Sequence Revision History查询来看每个GI的变迁历史，包括被删除的GI。原则上讲GI并不是一个很好的序列代号，但因为其组成比较单一（全是数字），结构比较简单，因此用脚本语言比较好处理，用的很多，因此也就会导致很多问题（例如多个GI号可能会对应一个ACCESSION,而你可能无法用GI号从BioPerl中调用相应序列）。 现在讲序列数据关联的第一个问题，那就是GI与ACCESSION关联问题，以及蛋白序列与核算序列关联问题。我们很可能拿到手一些GI号，我们想知道其对应的蛋白序列，以及蛋白序列对应的核酸序列是什么。原则上这些信息都在数据库中存在，关键是我们如何获得，如果是少数几个那就好说了，把GI号拿去NCBI数据库查询，它会给出对应的蛋白，根据网站的链接，我们就会获得其相应的核算序列。但如果是大量GI呢，这种情况在比较基因组分析中很常见。NCBI提供了其文本关联文件，可以在其ftp上找到，例如gene2refseq中就包含了所有这些信息（还有更多信息，例如gene id， tax id，chromsome位置等等）。 而第二个问题是关于跨数据库间数据的关联问题。我们经常遇到这样的情况，我们得到一套数据，但其中基因用一套代号表示，而我们知道的序列信息却是另外一套编号，如何关联呢（还是大量数据的问题）？EMBL的数据如何跟与NCBI的数据关联呢，UniProt的数据如何跟NCBI关联呢，一些特殊物种的数据库（例如FlyBase，WormBase）如何跟NCBI数据关联呢？EBI上有专门的问题解答，其中提到各种服务以及数据资源。而NCBI也给出跟不同数据库的关联信息，存放在其ftp上，定期更新。一些专门的网站也来提供相应的服务，自己接触的一个是bioDBnet，其不仅给出大量数据库之间的关联查询，还能帮助你找到你需要的数据库！ 先写这么多，有更新再加上。

本文引用地址：http://blog.sciencenet.cn/blog-286438-424412.html

ftp://ftp.ncbi.nlm.nih.gov/gene/DATA/

名称 大小 修改日期 [上级目录] ASN_BINARY/ 12-12-20 下午12:30:00 ASN_OLD/ 05-8-2 上午8:00:00 GENE_INFO/ 12-12-20 下午12:31:00 README 0 B 12-2-10 上午8:00:00 README_ensembl 1000 B 12-11-3 下午5:14:00 gene2accession.gz 416 MB 12-12-20 上午11:02:00 gene2ensembl.gz 5.5 MB 12-12-20 上午11:11:00 gene2go.gz 13.1 MB 12-12-20 上午11:14:00 gene2pubmed.gz 31.1 MB 12-12-20 上午11:14:00 […]