使用GENBANK数据进行分子系统发育树的构建

一、引言

    GENBANK是目前最大而权威的分子序列数据库，调用其中数据可以进行分子系统发育树的构建。

1、序列数据获取（以皿蛛系统发育树为例）

     在GenBank中，每一个物种或阶元都有一个taxid，他是taxa的ID。而且taxa之间存在父子关系。我们的研究对象是蜘蛛目（Aranaea），其taxaid为6893，其父级阶元是蛛形纲（Arachnida），taxaid为6854。按照递归查询的原则，只要有自6893以下所有taxa的父子关系对照表，就能查询到目前在GenBank中记录的所有蜘蛛的名录。事实上，这个想法已经可以实现了！NCBI有一个public的ftp（ftp.ncbi.nlm.nih.gov），从中的/pub/taxonomy/taxdmp.zip压缩包中可以下载到相应的信息。taxadmp.zip含有9个文件，其中比较重要的是其中的names.dmp和nodes.dmp。通过查看readme.txt文档，得知其中names.dmp为genbank中所有taxaid的基本信息，nodes.dmp为taxaid有关父子关系的信息。将两个文件通过NCBI_TAXDMP_NAMES.nopi和NCBI_TAXDMP_NODES.nopi导入文件导入到DB中，再递归查询并筛选出属于6893以下阶元的文件，便可得到GenBank中有记录的所有spider的名录。在我的DB中，导入的这两个表称为NCBI_TAXDMP_NAMES和NCBI_TAXDMP_NODES。为了和DB中其他表格协同，特新建了MV_SIG_TAXDMP_NAMES和MV_SIG_TAXDMP_NAMES_ID两个物化视图。

         在Gen其每一条序列数据都有唯一的GI号，它就是序列的身份证。在得知TaxaID后，建立GI、Gene和TaxaID的对应关系就十分重要。在DB中，这个表称为SIG_NUCL，它有4个字段，分别是tax_id,GI,Gene和Flag。其中，Gene的外键是SIG_Gene表中值。由于同一个taxa的某一个基因可能有多个序列，且长短不一，最终要选哪个必须由研究者手动来定，所以表中增设了Flag开关，1代表选取某序列，0代表暂存但在计算中不使用。

      以上说得元数据在更新时一定要小心，以免造成破化。建议采用自动手动结合的方式进行更新。

 实战：Linyphiidae分析系统发育树构建。