NCBI生物分类数据库（Taxonomy） 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。

文章图片
mark 查询某个物种的全部核酸序列和蛋白序列

进入 NCBI 首页
点击Taxonomy，进入物种分类数据库

文章图片
mark

进入 Taxonomy 首页，输入human，点击Search

文章图片
mark

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

文章图片
mark
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

文章图片
mark

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。

文章图片
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

进入首页，我们以人类为例：输入human，点击Go

文章图片
mark
点击Homo sapiens

文章图片
mark

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：

文章图片
mark

文章图片
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

【NCBI生物分类数据库（Taxonomy）】结果如下，第一行即为63221（taxid）代表尼安德特人：

文章图片
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：

文章图片
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

文章图片
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

文章图片
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

文章图片
mark
division.dmp：

文章图片
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

文章图片
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

文章图片
mark
- old_tax_id：id of nodes which has been merged
- new_tax_id：id of nodes which is result of merging