NR 数据库简介

目前有很多的数据库都存储了蛋白序列，比如NCBI Refseq, protein, swissprot 等，在各个数据库之间，或者是在某个数据库中，蛋白序列有大量冗余；为了方便使用，ncbi 构建了nr 库， 全称是 RefSeq non-redundant proteins；

Non-redundant protein sequences from GenPept,  Swissprot, PIR, PDF, PDB, and NCBI RefSeq

完整的nr 数据库的蛋白序列和预先构建好的blast 索引可以从ncbi 的ftp 服务器上下载得到，地址如下：

https://ftp.ncbi.nlm.nih.gov/blast/db/FASTA/

通常情况下，我们直接下载构建好的blast 索引就可以了，因为

1) 整个nr 的蛋白序列非常大，大概30G 左右，如果自己构建索引，非常费时；

2）ncbi 提供的blast索引，在构建时已经把每条序列的种水平的tax id 加进去了，用这个索引可以非常方便的得到序列对应的物种注释信息；

3） 使用blastdbcmd 命令可以从索引中还原出原始的nr 序列；

对于NCBI ftp 的数据，我们可以用aspera  进行下载， 速度非常快

ascp -i ~/asperaweb_id_dsa.openssh  -QTr -l6000m  anonftp@ftp-private.ncbi.nlm.nih.gov:/blast/db/FASTA/nr.00.tar.gz ./

由于nr 库较大，所以 ncbi 把 nr 库分成了很多小份的fasta 序列，建立索引

对于nr 的序列而言，其标识符中包含了很多的信息

>XP_642131.1 hypothetical protein DDB_G0277827 [Dictyostelium discoideum AX4]P54670.1 RecName: Full=Calfumirin-1; Short=CAF-1BAA06266.1 calfumirin-1 [Dictyostelium discoideum AX2]EAL68086.1 hypothetical protein DDB_G0277827 [Dictyostelium discoideum AX4]

首先是1个蛋白序列的编号，后面是这条序列对应的详细信息，方括号内是物种名称； 由于nr 库是非冗余的，这里的每一条蛋白序列可以理解为 一个聚类的group 中的代表序列，第一条是该代表序列本身的信息，后面几条是属于这个group 下的其他序列的信息；

这里有两种情况，

1） 这一个group 中所有的蛋白序列都来源于同一个物种；

WP_003131952.1 30S ribosomal protein S18 [Lactococcus lactis]

2） 这一个group 中所有的蛋白序列都来源于多个物种；

WP_000184067.1 MULTISPECIES: MbtH family protein [Bacillus]

唯一不同的是，当来源于多个物种时，会在前面加上 MULTISPECIES 关键字

对于nr 中的序列，其标识符有两种：

1） WP 开头 ：真实存在的蛋白序列

2）XP 开头： 理论上的蛋白序列（计算机软件预测的结果）

通常情况下，我们比对nr 库有两种用途：

1）蛋白质功能注释： 需要输出蛋白质的描述信息

对于这个需求，nr 库里包含了这些信息，所以比较简单，直接blast 比对，在输出结果中输出这个信息就可以了

2） 物种注释：输出蛋白对应的物种信息

在序列中有明确的 species 水平的注释，但是我们还需要phylum 等水平的注释，这时候就需要借助Taxonomy 数据库，把物种注释信息补充完整。