EST：表达序列标签，expressed sequence tags 。

顾名思义，很好理解，就是表达出来的序列，即从基因组DNA上表达出来的RNA，但是我们没法测序RNA，所以我们最终测的是表达序列的cDNA片段。

“标签”：就是指这些序列可能比较短，但是可以用来标定一个物种。

常见下载方式有两种：

1. NCBI Web下载

打开，搜索你要的物种，比如 Camellia ，可以看到结果EST (50287)。

Web下载几个还行，想要批量下载就有点费力了，ncbi反爬虫，也不好爬。

2. NCBI ftp下载

直接wget就可以批量下载了。

for one in `seq 1 81`doecho $onewget ftp://ftp.ncbi.nih.gov/repository/dbEST/dbEST.reports.000000.${one}.gzdone　　

下载后的文件格式是：

IDENTIFIERSdbEST Id:       5EST name:       EST00006GenBank Acc:    M61958GDB Dsegment:   D0S2525ECLONE INFOClone Id:       HHCSB86Source:         ATCCId in host:     77063DNA type:       cDNAPRIMERSSequencing:     M13 ForwardPolyA Tail:     UnknownSEQUENCE                TGCACAACCAAGTTTTGTGACTACGGGAAGGCTCCCGGGGCAGAGGAGTACGCTCAACAA                GATGTGTTAAAGAAATCTTACTCCAAGGCCTTCACGCTGACCATCTCTGCCCTCTTTGTG                ACACCCAAGACGACTGGGGCCCNGGTGGAGTTAAGCGAGCAGCAACTNCAGTTGTNGCCG                AGTGATGTGGACAAGCTGTCACCCACTGACAEntry Created:  May 26 1992Last Updated:   Dec 18 2012PUTATIVE ID     Assigned by submitter                2',3'-cyclic nucleotide phoshodiesteraseLIBRARYId:             LIBEST_000004Lib Name:       LIBEST_000004 Hippocampus, Stratagene (cat. #936205)Organism:       Homo sapiensVector:         lambdaZAP-IIDescription:    Female, 2 years; oligo-dT + random primed cDNA synthesis;

信息是挺全面的，自己想要哪个物种就只能自己提取了。

提取成FASTA的脚本我就不贴了（效率很重要，因为文件很大）。

 最后我还是自己写了个脚本，biopython实在是太慢了。

import gzipinf = gzip.open("dbEST.reports.000000.49.gz","rb")raw_id = ""seq = ""for line in inf:    if line.stratswith("GenBank Acc"):        id = line.split(":")[1].strip()	    if line.stratswith("SEQUENCE"):		seq = ""		while True:			rline = inf.readline()			seq+=rline.strip()			if not line.stratswith(" "):				break	if line.stratswith("Organism"):		organism = line.split(":")[1].strip()		if organism.startswith("Camellia"):			print(">"+id+"   "+organism, seq, sep="\n")

　　

我的脚本可以用，但是不一定很快。

我用awk试了很久，没有成功。

 

2018年3月16日