COG 数据库

同源基因族数据 库（Database of Clusters of Orthologous Genes，COGs）是NCBI维护的一个同源蛋白质信息数据库。在做 宏基因组分析的时候，可以使用该数据库的信息对宏基因组的序列进行注释。

COG 数据库的资源可以从项目页 面下载。其中包括 最新的数据库数据和研究 团队开发的软件包。

下载 COG 数据

可以直接从ftp地址下载数据：

wget -r -c --wait 5 --random-wait ftp://ftp.ncbi.nih.gov/pub/COG/COG2020/data -P COG2020

数据将被保存在 COG2020 文件夹中。

COG的fasta文件特别多（2020版本有5950个FASTA，一万多文件），有时候网络 不稳定难以下载完全，可以单个文件下载：

cog_fa_url="ftp://ftp.ncbi.nih.gov/pub/COG/COG2020/data/fasta/"
wget ${cog_fa_url} -O index.html

cog_fa_dir=COG2020/fasta

for x in `egrep -o '">(.*)</a>' index.html | sed -e "s/\">//g" -e "s/<\/a>//g" | egrep -v "Parent"`; do
    wget --wait 2 --random-wait -O ${cog_fa_dir}/${x} ${cog_fa_url}${x}
    sleep 1
done

COG 数据

下载的COG 数据主要有如下文件：

• Readme.2020-09-15.txt：对于下载的COG数据的说明

• fun-20.tab：COG 功能分类说明，有3列

  1. 功能分类ID，一个字母
  2. 16进制表示的该功能的颜色
  3. 功能分类描述

• cog-20.def.tab：COG描述文件，介绍了每个COG族的信息，有7列

  1. COG ID
  2. COG 功能分类（单字母功能分类ID，可以有多个）
  3. COG 名称
  4. 和该 COG 相关的基因（可选）
  5. 和该 COG 相关的通路（可选）
  6. PubMed ID（可选，多个ID用分号分隔）
  7. PDB ID（可选，PDB结构数据库ID，多个ID用分号分隔）

• cog-20.cog.csv：描述蛋白和COG的联系，有13列，每行是一个蛋白质和一个 COG的关系，有多个结构域的蛋白质以多行来表示

  1. 编码蛋白质的基因的ID
  2. NCBI Assembly ID：组装基因组的ID
  3. 蛋白质ID
  4. 蛋白质长度
  5. 该蛋白质的COG相关序列位置，即从第几位到第几位认为是COG相关的序列
  6. COG相关序列长度
  7. COG ID
  8. 保留列
  9. COG相关性：0代表同时覆盖了蛋白质和COG的大部分序列，1代表覆盖了COG 大部分序列和部分蛋白质序列，2代表覆盖了蛋白质大部分序列和COG部分 序列，3代表覆盖了部分蛋白质序列和COG序列
  10. 匹配的蛋白质序列和COG序列的PSI-BLAST得分
  11. 匹配的蛋白质序列和COG序列的PSI-BLAST e-value
  12. COG序列长度
  13. 匹配序列在COG序列上的位置

• cog-20.org.csv：组装基因组的信息

  1. NCBI Assembly ID：组装基因组的ID
  2. 物种名称
  3. NCBI分类ID
  4. 在COG中使用的分类

• cog-20.tax.csv：在COG中使用的分类信息描述

  1. 在COG中使用的分类
  2. 上一级别分类（如果存在的话）
  3. 基因组的NCBI分类ID

• fasta 文件夹里是按照不同的族分类存储的序列：每个族的序列存一个FASTA 文件，另外还有一个对应TXT文件保存了相应的元数据。

使用 COG 注释序列