如何在NCBI实现大批量数据的一一对应

如何在NCBI实现大批量数据的一一对应

先来讲讲NCBI的。
用FTP登陆ftp.ncbi.nih.gov（windows下可以直接打开或是用迅雷/Flastget等下载工具）。cd gene/DATA（windows下依次找到gene/DATA这个文件夹）。ls一下，里面的文件大概有:
ncftp /gene/DATA > ls
ASN_BINARY/ gene2sts gene_refseq_uniprotkb_collab.gz
ASN_OLD/ gene2unigene go_process.xml
gene2accession.gz gene_group.gz mim2gene
gene2go.gz gene_history.gz misc/
gene2pubmed.gz GENE_INFO/ README
gene2refseq.gz gene_info.gz

下面主要解释一下一些常用的文件。
1，gene2accession.gz，这里面的数据比较多，包含有NCBI所有的accession。但主要有以下的：
tax_id GeneID nucleotide_accession nucleotide_gi protein_accession protein_gi

2，gene2go.gz，主要是Gene与GO之间的一一对应。里面的数据主要有：
tax_id GeneID GO_ID GO_term
3702 814629 GO:0003676 ucleic acid binding

3，gene2pubmed.gz，主要是Gene与Pubmed ID的一一对应。
tax_id GeneID PubMed_ID
9 1246500 9873079

4，gene2unigene，Gene与Unigene数据库的一一对应
GeneID UniGene_cluster
1268433 Aga.201

5，gene2refseq.gz，这个就不多讲。跟gene2accession.gz类似。不过其中的accession都是RefSeq数据库的。
6，gene_info.gz，是NCBI的Gene数据库。包含有Gene的gene_name(Symbol)，第几号染色体等。主要有：
tax_id GeneID Symbol chromosome description
大概就这些。如果你会用Linux，这些大批量的一一对应是非常简单的。在GO/EMBL/Uniprot等也有类似的批量对应。以后有需要有讲到。