NCBI微生物基因组下载（二）

数据库资源

• https://www.ncbi.nlm.nih.gov/datasets/taxonomy/tree/?taxon=562
• https://www.ncbi.nlm.nih.gov/datasets/genome/?taxon=562
• https://www.ncbi.nlm.nih.gov/Taxonomy/Browser/wwwtax.cgi?mode=Info&id=562&lvl=3&lin=f&keep=1&srchmode=1&unlock

打开NCBI网站，输入Escherichia coli

点击这里

点击Assembly数据库

点击这里

可以看到Escherichia coli中的所有组装文件

点击ASM369716v2查看组装详情

点击这里跳转到www.ncbi.nlm.nih.gov/datasets/genome/GCF_003697165.2，使用GCAwww.ncbi.nlm.nih.gov/datasets/genome/GCA_003697165.2/访问的是一个页面

往下拉可以看到

组装统计

注释统计

该基因组组装到了染色体水平

可以看到GCA_003697165.2（ASM369716v2）已经组装到chromosome水平，有的assembly只组装到contig水平，例如GCA_024303745.1

组装到染色体级别的GCA_003697165.2其fasta文件只有一个>；而只组装到contig级别的GCA_024303745.1其fasta文件中包括多个>

RefSeq和GenBank基因组的区别

GCA_003697165.2组装到了染色体级别，可以看到其包括GenBank的IDCP033092.2与RefSeq的IDNZ_CP033092.2

RefSeq的详情页

点击FASTA链接进入NZ_CP033092.2的fasta文件，可以看到序列文件的头部是以RefSeqID>NZ_CP033092.2开头的

GenBank的详情页

点击FASTA链接进入CP033092.2的fasta文件，可以看到序列文件的头部是以RefSeqID>CP033092.2开头的

从NCBI 数据库下载基因组数据时，部分样本会有genbank版本的基因组和refseq版本的基因组，两者有什么区呢？

GCF是RefSeq，GCA是GenBank，GCF可能更可靠一些（F ：reference sequences；A ：Assembly）ACCESSION是NCBI序列数据中我们常用到编号（另一个是GI：gi genebank id），这是Genbank的收录号，也是查询号。比如提交一个基因或蛋白的序列，genbank接受后就会分配给这个基因或蛋白一个序列号，即accession number。

• GenBank genomeaccession
  • 以 GCA_ 起始
  • 注释信息可有可无
  • 第一次提交版本默认为1，后续作者提交更新版本，会在末尾加版本号 .2
• RefSeq genomeaccession
  • 以 GCF_ 起始
  • NCBI工作人员为某个类群指定的参考基因组
  • 必须包含注释，注释可能是原始提交者提供，也可能是NCBI工作人员根据提交序列注释。
  • NCBI负责维护
  • 序列可能与对应的GCA_版本完全相同；也可能存在差异，NCBI工作人员可能根据一些标准删除可能的污染序列，或者分类出线粒体基因组序列。

ncbi Gemone数据库与 assembly数据库区别

• Genome数据库：

  • Genome数据库包含已发布的完整基因组序列的记录。
  • 它提供了来自不同物种的完整基因组序列的信息，包括原核生物（如细菌和古菌）和真核生物（如动物、植物和真菌）。
  • 每个记录通常包含一个物种的一个或多个染色体的完整序列。
  • 它提供了基因组注释、基因预测、功能注释等相关信息，以帮助研究人员理解基因组的结构和功能。

• Assembly数据库：

  • Assembly数据库包含了已提交但尚未被认为是完整基因组的序列数据。
  • 它包括了基因组测序项目的原始测序数据、测序片段的组装结果以及未经注释的基因组组装。
  • Assembly数据库中的数据可能是临时性的，仍在进一步的研究和分析中。
  • 这些数据对于研究人员进行基因组比较、区域扩增分析、基因识别等分析非常有用。
    总的来说，Genome数据库提供了已发布的完整基因组序列和相关注释，而Assembly数据库则包含了尚未完整发布的基因组序列和组装数据。