一文搞懂NCBI Blast本地数据库（NT/NR等）构建

简说基因

发布于 2020-11-19 08:17:00

7.8K30

代码可运行

文章被收录于专栏：简说基因简说基因

运行总次数：0

代码可运行

背景介绍

blast+：ftp://ftp.ncbi.nlm.nih.gov/blast/executables/LATEST

blast db：ftp://ftp.ncbi.nlm.nih.gov/blast/db

README：ftp://ftp.ncbi.nlm.nih.gov/blast/db/README

通过查看 README，我们知道 nt 和 nr 库的内容：nr 是蛋白库（非冗余的），nt 是核酸库（部分非冗余的）。

下载 blast 库

BLAST+程序包中提供了一个脚本update_blastdb.pl可以方便地下载 blast 数据库。

首先用以下命令查看有哪些数据库可供下载：

perl update_blastdb.pl --showall

16S_ribosomal_RNA 18S_fungal_sequences 28S_fungal_sequences Betacoronavirus ITS_RefSeq_Fungi ITS_eukaryote_sequences LSU_eukaryote_rRNA LSU_prokaryote_rRNA SSU_eukaryote_rRNA cdd_delta env_nr env_nt human_genome landmark mouse_genome nr nt pataa patnt pdbaa pdbnt ref_euk_rep_genomes ref_prok_rep_genomes ref_viroids_rep_genomes ref_viruses_rep_genomes refseq_protein refseq_rna refseq_select_prot refseq_select_rna swissprot taxdb tsa_nr tsa_nt

如要下载 nt 库，用以下命令：

nohup perl update_blastdb.pl --decompress nt &> update.log &

后台下载并自动解压，如果中途断网，重启下载支持断点续传，很方便。

可惜的是，如果网速不好，80 多 GB 的压缩文件，很难下载下来，最好用我们之前介绍过的 Aspera 软件高速下载，其安装方法见之前文章：Aspera：基因组数据高速下载利器，以 NCBI 和 EBI 数据下载为例

Aspera 下载 nt 库：

ascp -i ~/.aspera/connect/etc/asperaweb_id_dsa.openssh -l 100M -k 1 -T anonftp@ftp.ncbi.nlm.nih.gov:/blast/db/FASTA/nt.gz ./

下载完毕，构建数据库索引：

makeblastdb -dbtype nucl -in nt.fa -out nt.fa

测试

准备查询文件：test.fa

>chr1
CGATAATTCATCTGGCCGCCTTCCACACCCAGCGCGCGCAAAAAGTGGTGGCGGAAACGATCCGCACTGAAAATACCGTGGAGATAGGTTCCCATGATACGACCATCGGGC

测试命令：

time blastn -query test.fa -db /path/to/nt.fa -num_threads 48 -max_target_seqs 5 -outfmt 6

结果如下：

chr1    CP046720.1      100.000 111     0       0       1       111     1286985 1287095 1.92e-49        206
chr1    CP044338.1      100.000 111     0       0       1       111     1283638 1283748 1.92e-49        206
chr1    MK355143.1      100.000 111     0       0       1       111     76      186     1.92e-49        206
chr1    MK355138.1      100.000 111     0       0       1       111     76      186     1.92e-49        206
chr1    MK355136.1      100.000 111     0       0       1       111     76      186     1.92e-49        206

real    0m15.609s
user    1m17.647s
sys     0m31.350s