首先NT和NR库本身体格比较大，所以要想快速下载，必须用快速的办法，可以参照下文：

NCBI原始数据极速下载

Ncbi的nt和nr数据库是生物信息分析中广泛使用的数据库，随着测序数据的增多，这两个数据库也越来越大，2017年4月5日发布的nt数据库已经达到了139Gb，nr数据库达到了67Gb，数据库庞大意味着更全的信息，但比对用时也越来越长，无论是同源比对还是基因注释，序列比对时间已经开始影响项目的进展。实际上大部分分析工作中并不需要比对完整的数据库，使用与物种相关的信息即可达到较好的效果。在这里，推荐一种将nt/nr数据库按物种分类关系分成多个子库的方法，这样仅比对数据库的有效部分，可以达到比对速度与精度的良好平衡。

拆分nt/nr数据库关键是ncbi的taxonomy数据库，里面提供了物种的分类关系以及ncbi每条序列与分类号的对应关系，下载地址是ftp://ftp.ncbi.nih.gov/pub/taxonomy。我们需要的是accession2taxid/prot.accession2taxid.gz文件以及taxdmp.zip压缩包中的nodes.dmp文件和division.dmp文件。

prot.accession2taxid文件提供了nt/nr中accession号与物种分类taxid的对应关系，文件中第一列是accession号，第三列是对应物种的taxid号。如下所示：

accession       accession.version       taxid   gi

A00002  A00002.1        9913    2

A00003  A00003.1        9913    3

X17276  X17276.1        9646    4

X60065  X60065.1        9913    5

Nodes.dmp是\t和|符号分隔的文件，提供了taxid之间的物种分类进化树信息，第一列数据是taxid号，第二列数据是进化树上级节点的taxid号，第七列是对应界一级分类阶元的divisionid，也是我们拆分数据库的主要依据。如下所示：

2       |       131567  |       superkingdom    |               |       0       |       0       |       11      |       0       |       0       |       0       |       0       |       0       |               |

Division.dmp提供了divisionid和实际分类阶元的对应关系，第一列是divisionid，第二列是division名称，第三列是division的描述信息。如下所示：

0       |       BCT     |       Bacteria        |               |

1       |       INV     |       Invertebrates   |               |

2       |       MAM     |       Mammals |               |

3       |       PHG     |       Phages  |               |

4       |       PLN     |       Plants and Fungi        |               |

5       |       PRI     |       Primates        |               |

6       |       ROD     |       Rodents |               |

7       |       SYN     |       Synthetic and Chimeric  |            |

8       |       UNA     |       Unassigned      |       No species nodes should inherit this division assignment        |

9       |       VRL     |       Viruses |               |

10      |       VRT     |       Vertebrates     |               |

11      |       ENV     |       Environmental samples   |        Anonymous sequences cloned directly from the environment        |

通过写一个脚本将acciessionid映射到taxid，再映射到divisionid，我们可以将nt/nr中的序列拆分到以上的12个大类中，分别代表：

Bacteria, Invertebrates, Mammals, Phages, Plants and Fungi, Primates, Rodents, Synthetic and Chimeric, Unassigned, Viruses, Vertebrates, Environmental samples。

实际拆分后，nt数据库每个大类下的序列容量如下所示：

nt_BCT32G

nt_ENV4.9G

nt_INV24G

nt_MAM11G

nt_notaxonomy1.3G

nt_PHG299M

nt_PLN25G

nt_PRI13G

nt_ROD7.4G

nt_SYN356M

nt_UNA71M

nt_VRL2.9G

nt_VRT18G

nr数据库每个大类下的序列容量如下所示：

nr_BCT50G

nr_ENV551M

nr_INV3.8G

nr_MAM1.3G

nr_notaxonomy388M

nr_PHG99M

nr_PLN6.5G

nr_PRI819M

nr_ROD551M

nr_SYN20M

nr_UNA36K

nr_VRL787M

nr_VRT2.7G

 来源：百迈客