Introduction
TaxonKit是一个用于处理生物分类学数据的命令行工具。
它的主要功能是处理NCBI的生物分类学数据，包括对分类单元（如物种、属、科等）的查找、分类单元的上下位关系查询、分类单元名称的标准化等。
为了方便R社区用户（自己）使用和流程整合，我把Taxonkit工具整合进了R包pctax，也开发了一些配套的系统发育分析和可视化方法。
R调用Taxonkit
准备工作
- 安装
pctax
pctax稳定版本可在CRAN上获得:
install.packages("pctax")
或者你可以通过以下方式从GitHub安装pctax的开发版本:
# install.packages("devtools")
devtools::install_github("Asa12138/pctax")
- 安装taxonkit：
library(pctax)
pctax::install_taxonkit(make_sure = TRUE)
#成功后taxonkit会安装在下面这个目录👇
tools::R_user_dir("pctax")
- 下载NCBI Taxonomy数据文件:
pctax::download_taxonkit_dataset(make_sure = TRUE)
#成功后Taxonomy数据文件会在下面这个目录👇
file.path(Sys.getenv("HOME"), ".taxonkit")
该函数会下载官网最新版本的Taxonomy数据库，如果需要制定版本的数据库，可以自己在官网下载：https://ftp.ncbi.nih.gov/pub/taxonomy/，然后指定位置：
pctax::download_taxonkit_dataset(make_sure = TRUE,taxdump_tar_gz = "~/Downloads/taxdump.tar.gz")
使用
# 下列命令不报错说明可以正常使用
check_taxonkit(print = FALSE)
主要功能与taxonkit一致：
| 函数 | 功能 |
|---|---|
taxonkit_list |
列出指定TaxId下所有子单元的的TaxID |
taxonkit_lineage |
根据TaxID获取完整谱系（lineage） |
taxonkit_reformat |
将完整谱系转化为“界门纲目科属种株”的自定义格式 |
taxonkit_name2taxid |
将分类单元名称转化为TaxID |
taxonkit_filter |
按分类学水平范围过滤TaxIDs |
taxonkit_lca |
计算最低公共祖先(LCA) |
并且help(taxonkit_*)可查看详细使用说明。
# 列出[genus] Homo下的所有子单元
taxonkit_list(ids = c(9605), indent = "-", show_name = TRUE, show_rank = TRUE)
## [1] "9605 [genus] Homo"
## [2] "-9606 [species] Homo sapiens"
## [3] "--63221 [subspecies] Homo sapiens neanderthalensis"
## [4] "--741158 [subspecies] Homo sapiens subsp. 'Denisova'"
## [5] "-1425170 [species] Homo heidelbergensis"
## [6] "-2665952 [no rank] environmental samples"
## [7] "--2665953 [species] Homo sapiens environmental sample"
## [8] "-2813598 [no rank] unclassified Homo"
## [9] "--2813599 [species] Homo sp."
## [10] ""
taxonkit_lineage, taxonkit_reformat, taxonkit_name2taxid, taxonkit_filter 与 taxonkit_lca 默认从文件中读取数据，也可通过指定text = TRUE从字符串输入读取输入数据：
# 查询9606和63221的完整谱系
taxonkit_lineage("9606\n63221", show_name = TRUE, show_rank = TRUE, text = TRUE)%>%
pcutils::strsplit2(split = "\t",colnames = c("taxid","lineage","name","level"))
## taxid
## 1 9606
## 2 63221
## lineage
## 1 cellular organisms;Eukaryota;Opisthokonta;Metazoa;Eumetazoa;Bilateria;Deuterostomia;Chordata;Craniata;Vertebrata;Gnathostomata;Teleostomi;Euteleostomi;Sarcopterygii;Dipnotetrapodomorpha;Tetrapoda;Amniota;Mammalia;Theria;Eutheria;Boreoeutheria;Euarchontoglires;Primates;Haplorrhini;Simiiformes;Catarrhini;Hominoidea;Hominidae;Homininae;Homo;Homo sapiens
## 2 cellular organisms;Eukaryota;Opisthokonta;Metazoa;Eumetazoa;Bilateria;Deuterostomia;Chordata;Craniata;Vertebrata;Gnathostomata;Teleostomi;Euteleostomi;Sarcopterygii;Dipnotetrapodomorpha;Tetrapoda;Amniota;Mammalia;Theria;Eutheria;Boreoeutheria;Euarchontoglires;Primates;Haplorrhini;Simiiformes;Catarrhini;Hominoidea;Hominidae;Homininae;Homo;Homo sapiens;Homo sapiens neanderthalensis
## name level
## 1 Homo sapiens species
## 2 Homo sapiens neanderthalensis subspecies
从文件中读取数据：
names <- system.file("extdata/name.txt", package = "pctax")
taxonkit_name2taxid(names, name_field = 1, sci_name = FALSE, show_rank = FALSE)%>%
pcutils::strsplit2(split = "\t",colnames = c("name","taxid"))
## name taxid
## 1 Homo sapiens 9606
## 2 Akkermansia muciniphila ATCC BAA-835 349741
## 3 Akkermansia muciniphila 239935
## 4 Mouse Intracisternal A-particle 11932
## 5 Wei Shen
## 6 uncultured murine large bowel bacterium BAC 54B 314101
## 7 Croceibacter phage P2559Y 1327037
系统发育树
如果是做16S测序的话，在分析过程中就会得到一个带距离的系统发育树。宏基因组分析如果组装MAG后用GTDB-Tk比对数据库后也可以获得有距离的系统发育树。
但有时候我们想要从物种名或taxid获取整齐的谱系信息，用来一个构建系统发育树（层级树，没有真实的距离，只展示包含关系）。这是一个常见的需求，很多文章都会画一个这样的树图来展示自己的数据。
可以实现这个需求的工具有一些：
- iPhylo：https://iphylo.net/，免费，快速，支持NCBI taxonomy和一些化学物质分类树，赞
- R包
taxtree，很慢 - PhyloT：https://phylot.biobyte.de/，收费
当然可以使用pctax包快速完成，对于分析流程都在R里做的人来说非常方便:
names <- system.file("extdata/name.txt", package = "pctax")%>%readLines()
# 首先通过`name_or_id2df`获取整齐的系统发育分类：
tax_df=name_or_id2df(names,mode = "name")
# 去除部分NA，原因可能是学名不标准，或者在新数据库里删除了，因为taxonomy数据库是不断变化的
tax_df=na.omit(tax_df)
#用`df2tree`将分类层级表转化为树对象
tax_tree=pctax::df2tree(tax_df[,3:9])
# tax_tree是phylo对象，可以用ape包直接简单绘图
ape:::plot.phylo(tax_tree)
可视化
pctax还提供了一些系统发育信息展示方法：
- 系统发育树
data(otutab, package = "pcutils")
#otutab是丰度数据，taxonomy是分类层级表（可通过name_or_id2df获得）
ann_tree(taxonomy, otutab) -> tree
easy_tree(tree, add_abundance = TRUE) -> p
p
添加主要Phylum的strip：
easy_tree(tree, add_abundance = TRUE,add_tiplab = FALSE) -> p
some_tax <- table(taxonomy$Phylum) %>%
sort(decreasing = TRUE) %>%
head(5) %>%
names()
add_strip(p, some_tax)
当然，更多系统发育树的绘制可以参考我之前写的R绘制优美的进化树（基础）和R绘制优美的进化树（进阶），或者使用iPhylo网站来交互式绘图：iPhylo 生成并绘制优美的分类树
- 桑基图：
sangji_plot(tree)
3.旭日图
sunburst(tree)
TaxonKit 使用
TaxonKit是采用Go语言编写的命令行工具， 提供Linux, Windows, macOS操作系统不同架构（x86-64/arm64）的静态编译的可执行二进制文件。
发布的压缩包不足3Mb，除了Github托管外，还提供国内镜像供下载，同时还支持conda和homebrew安装。
用户只需要下载、解压，开箱即用，无需配置，仅需下载解压NCBI Taxonomy数据文件解压到指定目录即可。
- 源代码 https://github.com/shenwei356/taxonkit ，
- 文档 http://bioinf.shenwei.me/taxonkit （介绍、使用说明、例子、教程）
选择系统对应的版本下载最新版 https://github.com/shenwei356/taxonkit/releases ，解压后添加环境变量即可使用。或可选conda安装
conda install taxonkit -c bioconda -y
表格数据处理，推荐使用 csvtk 更高效：
conda install csvtk -c bioconda -y
测试数据下载可直接 https://github.com/shenwei356/taxonkit 下载项目压缩包，或使用git clone下载项目文件夹，其中的example为测试数据
git clone https://github.com/shenwei356/taxonkit
TaxonKit为命令行工具，采用子命令的方式来执行不同功能， 大多数子命令支持标准输入/输出，便于使用命令行管道进行流水作业， 轻松整合进分析流程中。
- 输出：
- 所有命令输出中包含输入数据内容，在此基础上增加列。
- 所有命令默认输出到标准输出（stdout），可通过重定向（
>）写入文件。 - 或通过全局参数
-o或--out-file指定输出文件，且可自动识别输出文件后缀（.gz）输出gzip格式。
- 输入：
- 除了
list与taxid-changelog之外，lineage,reformat,name2taxid,filter与lca均可从标准输入（stdin）读取输入数据，也可通过位置参数（positional arguments）输入，即命令后面不带 任何flag的参数，如taxonkit lineage taxids.txt - 输入格式为单列，或者制表符分隔的格式，输入数据所在列用
-i或--taxid-field指定。
- 除了
TaxonKit直接解析NCBI Taxonomy数据文件（2秒左右），配置更容易，也便于更新数据，占用内存在500Mb-1.5G左右。 数据下载：
# 有时下载失败，可多试几次；或尝试浏览器下载此链接
wget -c https://ftp.ncbi.nih.gov/pub/taxonomy/taxdump.tar.gz
tar -zxvf taxdump.tar.gz
# 解压文件存于家目录中.taxonkit/，程序默认数据库默认目录
mkdir -p $HOME/.taxonkit
cp names.dmp nodes.dmp delnodes.dmp merged.dmp $HOME/.taxonkit
Taxonkit的作者大大贴心地提供了中文文档：https://bioinf.shenwei.me/taxonkit/chinese/，非常详细，大家可以参考使用。
