速來圍觀！——三種NCBI常見數據庫
在微生物測序分析中，常常需要對未知的核酸或蛋白序列進行物種,功能或類別注釋。注釋方法種類較多，其中最常用的是與一些標准數據庫進行相似性搜索，也就是序列比對。因此，數據庫的優劣對注釋結果至關重要。本期小編為大家帶來的是NCBI上的三個重要的數據庫—NR/NT，Taxonomy和RefSeq。
NR/NT 數據庫
NR(Non-Redundant Protein Sequence Database)非冗余蛋白庫，所有GenBank+EMBL+DDBJ+PDB中的非冗余蛋白序列，對於所有已知的或可能的編碼序列，NR記錄中都給出了相應的氨基酸序列（通過已知或可能的讀碼框推斷而來）以及專門蛋白數據庫中的序列號。NR庫相當於一個以核酸序列為基礎的交叉索引，將核酸數據和蛋白數據聯系起來。NT(Nucleotide Sequence Database),核酸序列數據庫，是NR庫的子集。
NR和NT庫都可以通過NCBI（National Center for Biotechnology Information,美國國立生物技術信息中心）進行在線BLAST,也可以在ftp://ftp.ncbi.nih.gov/blast/db地址中將數據直接下載下來，需要注意的是，NR和NT庫是被切分為以數字命名的子數據庫上傳的（如下圖所示），將所有的子數據庫放到同一個目錄下，解壓縮后構建索引文件即可。
Taxonomy 數據庫
NCBI的分類數據庫，包括大於7萬余個物種的名字和種系，這些物種都至少在遺傳數據庫中有一條核酸或蛋白序列。其目的是為序列數據庫建立一個一致的種系發生分類學。截止發稿日為止該數據庫所包含的物種數目統計表如下:
表1 Taxnomoy數據庫物種數目統計表
下載文件：
https://ftp.ncbi.nih.gov/pub/taxonomy 下載gi_taxid.nucl.dmp.gz（NT記錄ID號與taxid對應關系），gi_taxid.prot.dmp.gz（NR記錄ID號與taxid對應關系）和taxdump.tar.gz三個文件；
taxdump.tar.gz里包含兩個重要文件，即names.dmp和nodes.dmp；
names.dmp
names.dmp文件共包含4列，以“|”分割，各列描述如下：
其中tax_id即為taxonomy的記錄號，name_txt即對應tax_id號的物種名稱。
nodes.dmp
nodes.dmp文件共包含13列，以“|”分割，各列描述如下：
其中，物種分類注釋時需要tax_id（Taxonomy記錄號）,parent tax_id（上一層分類級別的tax_id）和rank（該tax_id所處的分類層級）。
RefSeq數據庫
RefSeq(the reference sequence database,https://www.ncbi.nlm.nih.gov/refseq/ ).參考序列數據庫，包含RefSeq_genomic(NCBI genomic reference sequences)，RefSeq_protein(NCBI protein reference sequences)和RefSeq transpans(NCBI transpans reference sequences)具有生物意義上的非冗余基因,轉錄本和蛋白質序列，是經過NCBI和其他組織校正的數據庫，使用人類基因命名委員會定義的術語，並且包括了官方的基因符號和可選的符號。RefSeq記錄有三種可以獲得的狀態：預測的、臨時的和檢查過的（reviewd）。預測的RefSeq記錄是來自於那些未知功能的cDNA序列，它們有一個預測的蛋白編碼區;臨時的RefSeq記錄還沒有被檢查過,它們是有自動的程序產生的；檢查過的記錄代表了目前關於一個基因和它的轉錄子的知識的匯編，它們很多都來自於GenBank記錄、人類基因組命名委員會和OMIM，RefSeq標准為人類基因組的功能注解提供一個基礎。
RefSeq數據庫和GenBank數據庫的區別在於：GenBank是一個開放的數據庫，對每個基因都含有許多序列。很多研究者或者公司都可以自己提交序列，另外這個數據庫每天都要和EMBL和DDBJ交換數據。genbank的數據可能重復或者不准。而RefSeq數據庫被設計成每個人類位點挑出一個代表序列來減少重復，是NCBI提供的校正的序列數據和相關的信息。數據庫包括構建的基因組contig、mRNA、蛋白和整個染色體。refseq序列是NCBI篩選過的非冗余數據庫，一般可信度比較高。
NCBI作為生信分析最牛逼的網站，還包含有很多其他重要的數據庫，后面幾期小編將為大家逐個介紹，敬請關注！
<本資料整理自網絡，如有雷同，請參考原作者。>