使用Biojava或Biopython检索某些生物的全基因组genbank文件

Question

谁知道如何使用BIopython或BioJAVA从FTP ncbi中自动搜索和解析gbk文件。我在BIojava中搜索了实用程序，但没有找到任何实用程序。我也尝试过BioPython，下面是我的代码：

from Bio import Entrez
Entrez.email = "test@yahoo.com"
Entrez.tool = "MyLocalScript"
handle = Entrez.esearch(db="nucleotide", term="Mycobacterium avium[Orgn]")
record = Entrez.read(handle)
print record
print record["Count"]
id_L = record["IdList"]
print id_L
print len(id_L)

然而，只有3种鸟分枝杆菌(全基因组序列和完整的注释)，我得到的结果是59897。

谁能告诉我如何在BioJava或BioPython中执行搜索。否则，我将不得不从头开始自动执行此过程。

谢谢。

Answer 1

我们这样做的方法是通过使用efetch接口指定id：

Entrez.efetch(db="nucleotide", id=<ACCESSION ID HERE>, rettype="gb", retmode="text")

使用您使用的搜索词会返回太多的匹配项，所有这些都是您正在下载的。在这里查看48个不同的生物项目和你的搜索词：

http://www.ncbi.nlm.nih.gov/bioproject/?term=Mycobacterium+avium

根据经验，获得所需内容的最准确方法是使用ACCESSION。

Answer 2

如果您希望以自动的方式在NCBI中动态搜索此信息，则可以使用ESearch接口按照与EFetch相同的方式按名称进行搜索。通过这种方式，您可以获取访问ID，然后使用此列表通过EFetch获取核苷酸信息(或所需的任何信息)。

http://www.ncbi.nlm.nih.gov/books/NBK25499/#_chapter4_ESearch_

Entrez E-Utilities非常灵活，尽管您确实需要过滤结果以仅获得所需的数据。

但是，如果您要对此数据进行进一步的分析，并且您不需要非常及时地了解序列的最新版本，也不需要动态获取不同类型的数据，那么您只需从ftp下载所需的数据并对其进行本地处理/过滤可能会更好。这可能比对Entrez执行查询更快(在我看来，在批量查询时，Entrez有点慢)。