Question

有没有人知道如何使用BIopython或BioJAVA从FTP ncbi自动搜索和解析gbk文件。我在BIojava中搜索了实用程序，但没有找到任何实用程序。我也试过BioPython，这是我的代码：

from Bio import Entrez
Entrez.email = "test@yahoo.com"
Entrez.tool = "MyLocalScript"
handle = Entrez.esearch(db="nucleotide", term="Mycobacterium avium[Orgn]")
record = Entrez.read(handle)
print record
print record["Count"]
id_L = record["IdList"]
print id_L
print len(id_L)

然而，只有3种鸟分枝杆菌（全基因组序列和完全注释），我得到的结果是59897.

任何人都可以告诉我如何在BioJava或BioPython中执行搜索。否则，我将不得不从头开始自动执行此过程。

谢谢。

Answer 1

我们这样做的方法是专门使用efetch接口指定id：

Entrez.efetch(db="nucleotide", id=<ACCESSION ID HERE>, rettype="gb", retmode="text")

使用搜索词（例如您使用的词）会返回太多匹配项，所有这些都是您正在下载的。在此处查看48个与您的搜索字词不同的生物项目：

http://www.ncbi.nlm.nih.gov/bioproject/?term=Mycobacterium+avium

根据经验，获得所需内容的最准确方法是使用ACCESSION ID。

Answer 2

如果您想以自动方式动态搜索NCBI以获取此信息，您可以按照与使用ESearch界面的EFetch相同的方式进行名称搜索。通过这种方式，您可以获取访问ID，然后使用此列表通过EFetch获取核苷酸信息（或您需要的任何信息）。

http://www.ncbi.nlm.nih.gov/books/NBK25499/#_chapter4_ESearch_

Entrez E-Utilities非常灵活，但您需要过滤结果才能获得所需的数据。

但是，如果您要对这些数据进行进一步分析，并且您不需要了解最新版本的序列，也不需要动态获取不同类型的数据，也许它您只需从ftp下载所需数据并在本地处理/过滤它就更好了。这可能比对Entrez执行查询更快（在我看来批量查询时有点慢）。

使用Biojava或Biopython检索某些生物的全基因组genbank文件

2 个答案: