使用Biojava或Biopython检索某些生物的全基因组基因库文件

Question

有谁知道如何使用BIopython或BioJAVA从FTP ncbi自动搜索和解析gbk文件。 我已经在BIojava中搜索了实用程序，但是没有找到任何实用程序。 我也尝试过BioPython，这是我的代码：

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)

但是，只有3种鸟分枝杆菌属物种（完整的基因组序列和完整注释），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

我们的方法是通过使用efetch接口专门指定id：

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

使用搜索词（例如您使用的搜索词）会返回太多匹配项，您正在下载所有这些匹配项。 在这里查看48个不同的生物项目以及您的搜索词：

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 ID。

Answer 2

如果要自动以动态方式在NCBI中搜索此信息，则可以按名称进行搜索，方法与使用ESearch界面的EFetch相同。 通过这种方式，您可以获取配件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_

尽管确实需要过滤结果以仅获取所需数据，但Entrez E-Utilities非常灵活。

但是，如果您要对这些数据进行进一步的分析，而无需了解最新的序列版本，也不需要动态获取不同类型的数据，那么可能会更好您只需从ftp下载所需的数据并在本地处理/过滤。 这可能比对Entrez的查询要快（我认为批量查询时有点慢）。