GI to Accession Number¶
更新于: 2020-09-14
内容简介
本节介绍如何将原来数据中的GI转换成目前NCBI使用的Accession。
NCBI 已经取消了gi，全面转向使用accession。如果手上的数据还是gi号，建议将其进行转换。
1. 转换方法¶
1.1 使用E-utilies¶
打开浏览器，地址栏里输入以下内容，将你想查询gi编号放在id=后面，多个gi可以用逗号分隔。访问该地址即可获得对应的 accession。例如：
https://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi?db=nuccore&id=663070995,568815587&rettype=acc
访问这个地址，将id=...数字换成你想要查询的gi号，获得的结果就是nuccore数据库中的accession号，同时查询多个gi是，用,分隔。
1.2 使用edirect¶
我们也可以使用命令行工具帮助批量转换，比如老版本的毒力基因数据库VFDB里许多序列使用的还是gi编号，可以用下面例子里的命令进行转换。你也可以直接使用转换好的文件：https://github.com/indexofire/VFDB_update
# efetch 获取 accession
$ efetch -db nuccore -id 663070995 -format acc
# 批量修改 VFDB 文件，无NCBI账户每秒只能发出3次申请
$ cp VFDB_setB_nt.fas VFDB_setB_nt.fas.bak
$ for i in $(grep 'gi:' VFDB_setB_nt.fas | awk -F'(' '{print $2}' | awk -F')' '{print $1}'); do r=`efetch -db nuccore -id ${i#gi:} -format acc`; sed -i 's/'$i'/'$r'/g'; sleep 0.1; done
1.3 gi2accession.py¶
下载 ftp://ftp.ncbi.nlm.nih.gov/genbank/livelists/gi2acc_mapping/ 下数据库和修改脚本gi2_accession.py。数据库文件比较大，除非需要转换的量大或者频率高，一般不建议
# 运行 gi2_accession.py 脚本，转换单个gi
$ python gi2_accession.py
gi: 42
42 CAA44840.1 416
# 批量获得结果
$ python gi2_accession.py < list_ids.txt
2. 补充材料¶
2.1 Refseq Accession 含义¶
NCBI的URL遵循URI设计原则，因此我们看到NCBI序列的accession编号直接指向链接。Refseq数据库中不同的编号首2位字母代表不同的含义，我们可以直接通过字母来判断序列的来源或者特征。
| Accession prefix | Molecule type | Comment |
|---|---|---|
| AC_ | Genomic | 完整基因组序列 |
| NC_ | Genomic | 完整基因组序列 |
| NG_ | Genomic | 不完整的基因组，如基因组特定区域序列 |
| NT_ | Genomic | 基于分子克隆或WGS[1]获得的 Contig or scaffold |
| NW_ | Genomic | WGS[1]测序获得的 Contig or scaffold |
| NZ_[2] | Genomic | 全基因组或基因组测序未完成序列数据 |
| NM_ | mRNA | Protein-coding transcripts (usually curated) |
| NR_ | RNA | Non-protein-coding transcripts |
| XM_[3] | mRNA | Predicted model protein-coding transcript |
| XR_[3] | RNA | Predicted model non-protein-coding transcript |
| AP_ | Protein | Protein Annotated on AC_ alternate assembly |
| NP_ | Protein | Protein Associated with an NM_ or NC_ accession |
| YP_[3] | Protein | Annotated on genomic molecules without an instantiated transcript record |
| XP_ | Protein | Predicted model, associated with an XM_ accession |
| WP_ | Protein | Non-redundant across multiple strains and species |
| - [1]： whole genomic sequence | ||
| - [2]： An ordered collection of WGS sequence for a genome. | ||
| - [3]： computed |