转载地址：http://boyun.sh.cn/bio/?p=1483

 

 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

参数	说明	值	默认值	备注
-t	数据库的标题【可选】	字符
-i	需要创建数据库的文件名	文件名
-l	日志文件名	文件名	formatdb.log
-p	文件数据类型	[T/F]	T	T – 蛋白质F – 核苷酸
-o	解析选项	[T/F]	F	T表示解析序列文件并产生索引文件，F则不解析
-a	数据库文件是否为ASN.1格式	[T/F]	F	T为是ASN.1格式
-b	ASN.1的模式	[T/F]	F	T为二进制，F为文本模式
-e	ASN.1数据库的序列数	[T/F]	F	T表示数据库中只有一条序列
-n	重命名数据库文件的名称	字符窜
-v	数据库卷的大小	整数	0	单位：兆字符
-s	限制索引的类型	[T/F]	F	T为仅用接收号创建索引
-L	创建数据库别名	输出文件名
-F	Gi列表的文件名	输入文件		配合-L使用
-B	生成的Gi二进制的文件名	输出文件		配合-F使用

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 1836LENGTH 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：

• a） 使用blastall 或者blastpgp程序，产生的结果为ASN.1格式时；

• b） blast比对中，“-m”参数设置为非零的值；

• c） blast比对中，使用“-I”参数，blast结果生成gi列表时；

• d） 使用fastacmd程序，用接收号或者gi号从数据库中取出序列时。

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 1836LENGTH 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：

• a）  gnl|database|identifier

• b）  lcl|identifier

• c）  identifier

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