专业背景：计算机科学 研究方向与兴趣: JavaEE-Web软件开发, 生物信息学, 数据挖掘与机器学习, 智能信息系统 目前工作: 基因组, 转录组, NGS高通量数据分析, 生物数据挖掘, 植物系统发育和比较进化基因组学
BLASTALL 用法 a.格式化序列数据库 formatdb命令行参数: 主要参数的说明: -i 输入需要格式化的源数据库名称 Optional -p 文件类型，是核苷酸序列数据库，还是蛋白质序列数据库 T – protein F - nucleotide [T/F] Optional default = T -a 输入数据库的格式是ASN.1（否 则是FASTA） T - True, F - False. [T/F] Optional default = F -o 解析选项 T - True: 解析序列标识并且建立目录 F - False: 与上相反 [T/F] Optional default = F命令示例: formatdb -i ecoli.nt -p F -o T运行此命令就会在当前目录下产生用于BLAST搜索的7个文件，一旦如上的formatdb命令执行完毕，就不 再需要ecoli.nt，可以移除。此时，blastall可以直接使用。 blast本地化：格式化数据库（formatdb详解）构建的fasta格式的数据库文件必须被formatdb格式化后，才能被blastall、blastpgp、MegaBLAST使用。数据库文件也可以是ASN.1格式，但较少用到，所以下面还是主要以FASTA格式为例。 formatdb格式化数据库后，创建三个主要的文件——库索引(indices)，序列(sequences)和头(headers)文件。生成 的文件的扩展名分别是：.pin、.psq、.phr（对蛋白质序列）或.nin、.nsq、.nhr（对核酸序列）。另外，为便于查找还有一些ISAM 索引文件同时生成：.pni和.pnd（或.nni和.nnd）文件，其中的数字索引只包含gi号；而其他的序列识别符和索引则包含在.psi 和.psd（或.nsi和.nsd）中。 1.1.1. 参数说明表：formatdb命令的参数说明
1.1.2. 使用示例与说明格式一个蛋白质数据库formatdb -i protein_db_file_name -p T –o T 格式一个核酸数据库formatdb -i protein_db_file_name -p T –o T 用指定的Gi列表生成一个子数据库如果经常搜索一个数据库的子集，比如一个核酸库中的家蚕的序列或者蛋白库中的G蛋白序列，可以用这些序列的gi号来限制搜索的范围，而没有必要重新构建这样的数据库，这样即加快了查询速度，又避免另外的磁盘开销。这里以昆虫核酸数据库的限定家蚕的序列为例子： a） 获得家蚕序列的gi号，可以从文章或者数据库中检索得到。将gi号保存到一个文本文件中，这里命名为“silkworm.gi.txt”； b） 利用formatdb程序将这个文本文件，转变为二进制文件； formatdb -F silkworm.gi.txt -B silkworm.gi c） 调用formatdb创建别名文件 formatdb -i insects -p T -L silkworm -F silkworm.gi -t "My silkworm database" 该命令会创建一个silkworm.pal文件，包含silkworm数据库的标题，限制的gi号文件，及其他一些统计信息，如下： # # Alias file created Thu Jul 5 15:04:29 2001 # # TITLE My database # DBLIST ../blast/insects # GILIST silkworm.gi # #OIDLIST # NSEQ 1836 LENGTH 640724 d） 搜索家蚕数据库 blastall -p blastn -d silkworm -i MYQUERY -o MYOUTPUT –o参数的使用下列情况下，“-o”必须设置为TRUE：
从NCBI FTP服务器上下载的数据库，或者能保证数据库中的fasta序列都有唯一标识符的数据库，格式数据库时，建议将-o参数设置为TRUE。 超大数据库的格式化一个单独的blast数据库最大只能为4G，如果格式的数据库大于4G，在“-v”参数未设置的情况下，farmatdb程序会自动对数据库分卷，每卷最大为4G。可以使用“-v”参数设置卷的大小，比如下面命令将卷的大小设置为2G： formatdb -i hugefasta -p F -v 2000000000 卷的命名规则是，原数据库的名称加两个数字的卷号扩展名，使用数据库时，还是使用原来的数据库名称： blastall -i infile -d hugefasta -p blastn -o out 其实，blast程序是根据文件名为数据库名加扩展名为“nal”（对于蛋白质数据库扩展名为“pal”）的文件来判断要搜索的数据库的，如上例中，是根据文件“hugefasta.nal”来确定分卷的数据库。“.nal”或“.pal”文件的格式为： # # Alias file created Tue Jan 18 13:12:24 2000 # # TITLE hugefasta # DBLIST hugefasta.00 hugefasta.01 hugefasta.02 # #GILIST # #OIDLIST # 其中TITLE行定义数据库的标题，DBLIST定义要搜索的数据库名称，数据库名称用空格分开。用户如果要同时搜索多个数据库，可以按照上面文件 的格式，用文本编辑器创建类似的文件，文件名就是数据库的名称，如果是核苷酸数据库，就加“.nal”后缀，如果是蛋白质数据库就加“.pal”后缀。 DBLIST行放入数据库的名称，这样可以像使用其他数据库一样使用这个数据库。例如创建一个”multi.nal”文件，内容如下： # # Alias file created Tue Jan 18 13:12:24 2000 # # TITLE multi # DBLIST part1 part2 part3 # #GILIST # #OIDLIST # 他包含part1，part2，part3三个数据库，如下命令，对该数据库进行blast blastall -i infile -d multi -p blastn -o out 数据库的路径问题如果你的数据库和工作目录不在同一个目录，或者你在几个目录下处理数据，并且对于数据库的需求也同，比如一个家蚕数据处理，一个是果蝇的数据处理，这时你可以用“-n”参数在工作目录下创建一个数据库别名文件，这样可以避免指定数据库是带入冗长的目录： formatdb -i insects -n ../blast/insects -p T -L wilkworm -F silkworm.gi -t "My database" 这时，会生成类似与下面内容的silkworm.pal文件：
# # Alias file created Thu Jul 5 15:04:29 2001 # # TITLE My database # DBLIST ../blast/insects # GILIST silkworm.gi # #OIDLIST # NSEQ 1836 LENGTH 640724 (通过上面的几个例子，大家一定对.pal文件有了深入的了解，就可以用文本编辑器，编写这个文件，灵活订制数据库，使搜索变得更方便) 格式化自定的数据库
如果是自己构建的数据库，数据库中fasta格式序列命名有以下三种方式：
identifier为你指定的序列名称，dababase为你要指定的数据库的名称（详细的说明参见fasta序列格式章节）。如果要使用“-o T”设置，序列的名称应该唯一，不能重复。 UNIX或linux下压缩文件不经解压直接格式数据库uncompress -c nt.Z|formatdb -i stdin -o T -p T -n "nt" -v 100000000 formatdb的日志文件formatdb会默认生成一个名称为formatdb.log的日志文件，记录数据库生成的时间，及其程序运行的结果。运行程序后，读一下日志文件是很好的习惯，以确保数据库正确格式化。也可以通过“-l”参数指定日志文件。 命令举例： formatdb-t “E. coli genome”-i U00096.fna -p F -o T -n ecoli formatdb-t “Clusters of OrthologusGroups”-i COGsDB formatdb-t “Non-Redundant Protein Database”-i nr -o T b.Blastall常用参数简析 -d Database [String] default = nr -i Query File [File In] default = stdin -e Expectation value (E) [Real] default = 10.0 -m alignment view options: 比对显 示选项，其具体的说明可以用以下的比对实例说明 -m 8 用法举例说明如下：
------------------------------------------------------------------------------------------------------------- -o BLAST report Output File [File Out] Optional default = stdout,BLAST报告的输出文件[File Out] 默认为：stdout -F Filter query sequence (DUST with blastn, SEG with others) [String] default = T -G Cost to open a gap (zero invokes default behavior) [Integer] default = 0 -E Cost to extend a gap (zero invokes default behavior) [Integer] default = 0 -T Produce HTML output [T/F] default = F -X X dropoff value for gapped alignment (in bits) (zero invokes default behavior) -I Show GI's in deflines [T/F] default = F -q Penalty for a nucleotide mismatch (blastn only) [Integer] default = -3 -r Reward for a nucleotide match (blastn only) [Integer] default = 1 -g Perfom gapped alignment (not available with tblastx) [T/F] default = T -a Number of processors to use [Integer] default = 1 -B Number of concatenated queries, for blastn and tblastn [Integer] Optional default = 0 -M Matrix [String],default = BLOSUM62 打分矩阵，默认BLOSUM62 -W Word size, default if zero (blastn 11, megablast 28, all others 3) [Integer] default = 0 -w Frame shift penalty (OOF algorithm for blastx) [Integer] default = 0 blastall -p blastn -i myRNA.fasta -d humanRNA.fasta -o myresult.blastout -a 2 -F F -T T -e 1e-10
-p: p 是program的简写,program在计算机领域中是程序的意思。此参数是指定要使用何种子程序，所谓子程序，就是针对不同的需要，如核酸序列和核酸序列进行比对、蛋白质序列和蛋白质序列进行比对、假设翻译后核酸序列于蛋白质序列进行比对，选择相应的子程序: blastn 是用于核酸对核酸 blastp 是蛋白质对蛋白质序列 等等，一共5个自程序。 -i: i 是input的简写，意思是输入文件，就是你自己的要进行比对的序列文件(fasta格式） -d: d是database的简写,意思是要比对的目标数据库,在例子中就是humanRNA.fasta (别忘了要formatdb) -o: o是output的简写，意思是结果文件名字，这个根据你自己的习惯起名字，可以带路径，(上边两个参数-i -d 也都可以带路径) -a: 是指计算时要用的CPU个数，我的机器有两个CPU，所以用-a 2，这样可以并行化进行计算，提高速度，当然你的计算机就一个CPU,可以不用这个参数，系统默认值为1,就是一个CPU -F: 是filter的简写，blastall程序中有对简单的重复序列和低复杂度的一些repeats过滤调，默认是T (注意以后的有几种参数就两个选项，T/F T就是ture,真，你可以理解为打开该功能; F就是false，假，理解为关闭该功能) -T: 是HTML的简写，是指blast结果文件是否用HTML格式，默认是F!如果你想用IE看，我建议用-T T -e: 是Expectation value，期望值，默认是10，我用的10-10！
|
评论