问题标签 [ncbi]

我目前正在尝试更新一些工作中的代码。我之前使用最新版本的 Python 创建了一个脚本，该脚本在 NCBI 的 FTP 网站 ( ftp://ftp.ncbi.nlm.nih.gov/ ) 上记录用户路径选择。该日志用于使用更新的文件更新我的文件系统（我相信 NCBI 每周更新他们的文件）。我基本上重新创建了轮子。我现在想使用 rsync，但我似乎无法得到我想要的东西......

上面的脚本应该转到 NCBI 的网站并开始下载目录。相反，它会向 shell 打印 NCBI 主目录中的文件夹列表，然后终止而不复制任何内容。

这是输出的样子：

每当我使用

（基本上，如果我在 NCBI 的 FTP 主页中包含任何目录）一切似乎都正常。

我应该在这里做什么？什么是问题/解决方案？

我对 Oracle 很陌生，对分类数据完全陌生，所以请多多包涵……

我有一个大数据表，如下所示：

该tax_id列通常指定物种，但有时它更通用，例如指定分类树中的属、目或更高级别。

我想通过聚合value不同分类级别的列来计算汇总统计信息。为此，我需要加入额外的分类信息，因此我从NCBI分类数据库下载了该ncbi_nodes表的副本。这个表很大（大约 150 万行），看起来像这样：

该rank列采用从 0 到 28 的整数值，并指定每个tax_id. 较低的等级指定更详细的分类级别（例如等级 4 是物种，等级 8 是属等），除了等级=0，它对应于“无等级/未定义”。

该表具有递归/分层结构，我不确定如何最好地使用它来聚合我的数据。我最初的想法是尝试“展平”它，使排名显示为列，如下所示：

然后，我可以将此输出连接到我的原始数据，并通过GROUP BY在任何rank列上使用来计算汇总统计信息。

我的问题：

请问如何将递归表结构“展平”为上述结构？

我一直在阅读有关递归查询和 CTE 的文章，但我对 Oracle（和 SQL）还很陌生，所以我不确定这是否真的是我想要的。特别是，不同tax_ids的具有不同的等级信息是否重要（即并非所有分类单元都有所有 29 个等级的条目，如上例所示）？

任何 SQL 提示都将不胜感激，甚至知道递归查询是正确还是错误的事情都会非常有帮助！

谢谢！

这个问题与： 如何从taxid中获取王国、门、类、目、科、属和种的分类特定ID？

那里给出的解决方案有效，但我想为定义的等级定义每个分类 ID 的名称。我在 ete3 上发现了这个可以完成这项工作：

但不是 python 程序员，我没有将它合并到上面链接中给出的代码中。这是我尝试过的：

非常感谢您提供的任何帮助。

我有一堆蛋白质 ID，我想在不丢失蛋白质 ID 的情况下获取相应的编码序列 (CDS)。我已经设法下载了相应的 CDS，但不幸的是，CDS ID 与 NCBI 中的蛋白质 ID 非常不同。

我有以下 R 代码：

然后，我使用此命令将蛋白质 ID 与 CDS ID“匹配”：

但是，正如您所见，参数 'by_id=TRUE' 只是列出了三个 elink 对象，但现在我丢失了蛋白质 ID。

我想要类似的东西：

蛋白质 ID XP_012370245.1 XP_004866438.1 XP_013359583.1

CDS ID XM_004866381.2 XM_012514791.1 XM_013504129.1

非常欢迎任何建议，谢谢！！

我有一堆蛋白质 ID，我需要检索相应的编码序列 (CDS)。我设法检索了 CDS，但每个序列的名称从 XP* 更改为 XM*，并且我需要为每个序列保留 XP* 标头。

基本上它看起来像这样：

输出如下所示：

有没有办法保留蛋白质 ID（XP_012370245）而不是核苷酸 ID（XM_012514791.1）？就像是：

我已经使用 BioMart R 包 (biomaRt) 完成了此操作，但使用rentrez 似乎更困难。

非常欢迎任何建议，谢谢！

我是通过 Biopython 和几个 R 包（rentrez 和 reutil）访问 Entrez 的新手。使用 esummary 访问“nuccore”数据库时，Biopython 返回的输出字段与 R 包返回的输出字段不同。

Python：

Biopython 返回的字段是：

['AccessionVersion','Caption','Comment','CreateDate','Extra','Flags','Gi','Id','Item','Length','ReplacedBy','Status',' TaxId','Title','UpdateDate']

R（reutil包）：

而 R 包 reutil 和rentrez 返回的字段是： 31 项的摘要结果：

['uid', 'caption', 'title', 'extra', 'gi', 'createdate', 'updatedate', 'flags', 'taxid', 'slen', 'biomol', 'moltype', '拓扑'，'sourcedb'，'segsetsize'，'projectid'，'genome'，'subtype'，'subname'，'assemblygi'，'assemblyacc'，'tech'，'completeness'，'geneticcode'，'strand' , '有机体', '菌株', '生物样本', '统计', '属性', 'oslt']

提前致谢。

我正在尝试通过循环将多个 GSM 文件加载到 R 中，但我认为我遗漏了一些明显的东西。

我试图运行用于搜索 WGS 分类子集的Perl 脚本 ( taxid2wgs.pl )。

Taxid2wgs.pl（可在ftp://ftp.ncbi.nlm.nih.gov/blast/WGS_TOOLS获得）。

在这里，2是细菌的出租车。taxid2wgs.pl将生成别名文件“ bacteria-wgs.nvl ”。

但是我在下面收到一条错误消息。

我接下来要做的是安装 LWP perl 模块（libwww-perl-6.05）。

在发布之前，我尝试了另一种解决方案。

为了克服这个问题，我使用 YUM 安装了名为perl-libwww-perl的所需模块。

但它仍然不适用于我的操作。

对不起，我对此很陌生。感谢帮助！

我正在尝试从 GSM .soft 文件的元数据中提取单个值。我可以通过使用来做到这一点而不会出错Meta(GSM971958)$characteristics_ch1[3]，但是当我尝试通过循环运行带有变量的相同类型的命令时出现错误。我不明白为什么前者可以正常工作，但后者不能。

这是带有错误消息的完整代码：

我不是 R 方面的专家，但我正在尝试学习如何使用 biomaRt 包来查找位于我感兴趣的区域的基因。

我已经设法使用带有以下代码的 ensembl 数据集生成有效的输出：

我知道“entrezgene”对应于 NCBI 基因 ID，但我想从 NCBI 获得基因名称。

有没有办法使用连接到 NCBI 数据库的 biomaRt 并检索该信息？

提前谢谢你。