KEGG获取数据

这是一篇demo。

API获取数据

http://rest.kegg.jp//[/…]

其中operation可选info、list、find、get、conv、link、ddi，后面的参数可以是数据库名称以及选项，在其主页有详细的介绍。

pathway map

直接使用wegt指令在服务器操作：

wget -c http://rest.kegg.jp/list/pathway

结果如下所示：

KO以及对应的gene

list操作可以列出所有的KO、pathway、genome，但是无法列出所有的genes（KEGG可能在这里故意设置了限制），但是我们可以通过其他方法link到genes，例如先list所有的KO，然后使用link操作获取每个KO对应的gene名称：

wget -c http://rest.kegg.jp/list/ko
cut -f 1 ko | sed 's/ko://' | while read id; do wget -c http://rest.kegg.jp/link/genes/$id; done
cat K* | sed 's/ko://' > ko_genes.txt

结果如下所示：

其中，K02261是KO编号，COX2是基因名称，hsa是物种名称（人类）， 4513为COX2在hsa中对应的编号（Entry），也就是说不同的物种对于同一个基因，在KEGG上对应的编号是不同的。如在KEGG网站中显示如下：

genes

如何下载所有的gene？这时候需要以基因组或者物种为单位，我们首先list所有的KEGG genome，获取所有的物种信息，然后list每个物种的gene id，如下所示：

wget -c http://rest.kegg.jp/list/genome
cut -f 2 genome | cut -f 1 -d "," | while read id; do wget -c http://rest.kegg.jp/list/$id; done
cat * | cut -f 1 > all_genes.list

fasta

在下载的genome列表中还给出了每个物种的taxid，可以根据该taxid筛选特定类群的物种，这样下载更加快速。例如全部的KEGG gene有2800万个，而原核生物的大概只有1300万个，接下来我们根据gene id下载序列。获取蛋白或基因序列可以通过get操作，如下所示：

格式为genebank，里面包含基因和蛋白序列，我们可以添加选项/aaseq或者/ntseq就可以只提取序列，如下所示：

那么接下来只需写个小小的循环，遍历所有的gene id即可：

cat all_genes.list | while read id; do wget -c http://rest.kegg.jp/get/$id/aaseq; done
cat * > kegg_genes.fasta

引用

API下载

了解API

参考文章如引起任何侵权问题，可以与我联系，谢谢。