你看过 NCBI 的基因组和注释文件吗?

感谢老俊俊的大力支持。我们会每日跟新，欢迎您关注老俊俊的生信笔记。

点击上面关注我们！

前言

我们知道下载基因组和注释文件的数据框有 ENSEMBL、UCSC、GENCODE、NCBI 等数据框，至于 NCBI 数据库的基因组和注释文件我还没怎么下载过，这次来探索学习一下。

过程

首先进入 NCBI官网选择 genome 选项，然后输入你的 物种名称 ，这里我用小鼠当作例子：

人： Homo sapiens
小鼠： Mus musculus
大鼠： Rattus norvegicus

然后进入页面可以看到基因组版本、基因组、转录本、蛋白质和注释文件的信息，点击深蓝色文字即可直接下载。

再往下还有染色体的相关信息，例如大小，GC 含量，tRNA 数量，rRNA 数量，基因数量等等：

Browse the list 点进去可以看到 Mus musculus 物种的亚种的基因组信息：

亚种信息：

点击 RefSeq 或者 GenBank 能进入 ftp 下载的网址链接。那么这两个有什么区别呢？网上找了一些答案：

大概就是说用 refseq 的是比较准确的非冗余的具有代表性的序列，我们进入看看。

RefSeq：

继续进入：

我看可以看到我们需要的文件，还有很多文件可以打开 README.txt 文件查看具体的描述和解释。

GenBank：

进入可以看到不同亚种的信息的文件夹：

我们点第二个进入看看：

也可以下载相应亚种的 基因组文件 和 注释文件 ，大家按需下载。

这里还是推荐下载 RefSeq 的基因组文件和注释文件，比较有代表性一点

查看下载的文件

我们把基因组和注释文件下载下来看看：

$ less GCF_000001635.27_GRCm39_genomic.fna
>NC_000067.7 Mus musculus strain C57BL/6J chromosome 1, GRCm39
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN
NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN
...

查看所有染色体：

$ grep '>' GCF_000001635.27_GRCm39_genomic.fna

>NC_000067.7 Mus musculus strain C57BL/6J chromosome 1, GRCm39
>NT_166280.1 Mus musculus strain C57BL/6J chromosome 1 unlocalized genomic scaffold, GRCm39 MMCHR1_RANDOM_CTG1
>NT_166281.1 Mus musculus strain C57BL/6J chromosome 1 unlocalized genomic scaffold, GRCm39 MMCHR1_RANDOM_CTG2
>NT_166282.1 Mus musculus strain C57BL/6J chromosome 1 unlocalized genomic scaffold, GRCm39 MMCHR1_RANDOM_CTG3
>NT_162750.1 Mus musculus strain C57BL/6J chromosome 1 unlocalized genomic scaffold, GRCm39 MMCHR1_RANDOM_CTG5
>NW_023337852.1 Mus musculus strain C57BL/6J chromosome 1 unlocalized genomic scaffold, GRCm39 MMCHR1_RANDOM_CTG6
>NT_166338.1 Mus musculus strain C57BL/6J chromosome 1 unlocalized genomic scaffold, GRCm39 MMCHR1_RANDOM_CTG7
>NC_000068.8 Mus musculus strain C57BL/6J chromosome 2, GRCm39
>NC_000069.7 Mus musculus strain C57BL/6J chromosome 3, GRCm39
>NC_000070.7 Mus musculus strain C57BL/6J chromosome 4, GRCm39
>NT_187055.1 Mus musculus strain C57BL/6J chromosome 4 unlocalized genomic scaffold, GRCm39 MMCHR4UN_CTG6
>NC_000071.7 Mus musculus strain C57BL/6J chromosome 5, GRCm39
...

发现染色体的名字和其它数据库不咋一样，UCSC 和 GENCODE 是 chr1 之类的，ENSEMBL 是以 单纯的数字 1 等来命名的。

我们看看注释文件：

$ less -S GCF_000001635.27_GRCm39_genomic.gtf

#gtf-version 2.2
#!genome-build GRCm39
#!genome-build-accession NCBI_Assembly:GCF_000001635.27
#!annotation-source NCBI Mus musculus Annotation Release 109
NC_000067.7     cmsearch        gene    3172239 3172348 .       +       .       gene_id "Gm26206"; transcript_id ""; db_xref "GeneID:115487594"; db_xref >
NC_000067.7     cmsearch        exon    3172239 3172348 .       +       .       gene_id "Gm26206"; transcript_id "XR_004936710.1"; db_xref "GeneID:115487>
NC_000067.7     BestRefSeq%2CGnomon     gene    3269956 3741733 .       -       .       gene_id "Xkr4"; transcript_id ""; db_xref "GeneID:497097"; db_xre>
NC_000067.7     Gnomon  exon    3740775 3741733 .       -       .       gene_id "Xkr4"; transcript_id "XM_006495550.5"; db_xref "GeneID:497097"; gbkey "m>
NC_000067.7     Gnomon  exon    3491925 3492124 .       -       .       gene_id "Xkr4"; transcript_id "XM_006495550.5"; db_xref "GeneID:497097"; gbkey "m>
NC_000067.7     Gnomon  exon    3283662 3287191 .       -       .       gene_id "Xkr4"; transcript_id "XM_006495550.5"; db_xref "GeneID:497097"; gbkey "m>
NC_000067.7     Gnomon  exon    3269956 3277540 .       -       .       gene_id "Xkr4"; transcript_id "XM_006495550.5"; db_xref "GeneID:497097"; gbkey "m>
NC_000067.7     Gnomon  CDS     3740775 3741571 .       -       0       gene_id "Xkr4"; transcript_id "XM_006495550.5"; db_xref "GeneID:497097"; gbkey "C>
NC_000067.7     Gnomon  CDS     3491925 3492124 .       -       1       gene_id "Xkr4"; transcript_id "XM_006495550.5"; db_xref "GeneID:497097"; gbkey "C>
NC_000067.7     Gnomon  CDS     3286248 3287191 .       -       2       gene_id "Xkr4"; transcript_id "XM_006495550.5"; db_xref "GeneID:497097"; gbkey "C>
NC_000067.7     Gnomon  start_codon     3741569 3741571 .       -       0       gene_id "Xkr4"; transcript_id "XM_006495550.5"; db_xref "GeneID:497097"; >
NC_000067.7     Gnomon  stop_codon      3286245 3286247 .       -       0       gene_id "Xkr4"; transcript_id "XM_006495550.5"; db_xref "GeneID:497097"; >
NC_000067.7     BestRefSeq      exon    3740775 3741721 .       -       .       gene_id "Xkr4"; transcript_id "NM_001011874.1"; db_xref "GeneID:497097";