目录

• 1. eggNOG简介
• 2. eggNOG-Mapper注释原理
• 3. eggNOG 5.0数据资源
• 4. eggNOG-Mapper使用
• 5. NOG、KOG、COG、KEGG、GO区别？

最近考虑到所用的一些数据库太旧了，需要更新。在整理的时候发现eggNOG数据库在去年的时候已经做了一次更新eggNOG 5.0: a hierarchical, functionally and phylogenetically annotated orthology resource based on 5090 organisms and 2502 viruses。距离上个版本eggNOG4.5已经过去了3-4年，更新频率相对来说比较慢。但这次更新的内容是翻倍式增加的，以下是4.5和5.0比较。

eggNOG数据库全称是：直系同源蛋白分组比对（evolutionary genealogy of genes: Non-supervised Orthologous Groups）数据库，由EMBL创建维护，是对NCBI的COG数据库进行拓展，提供不同分类水平蛋白的直系同源分组（Orthologous Groups，OG），包括真核、原核及病毒的数据信息。它扩展了COG数据库的分类方法，采用无监督聚类算法在全基因组范围内推导基因功能，更适用于谱系特征基因的分析。

常规功能注释方法基于序列相似性寻找直系同源基因，常用blast+blast2go或InterProscan来注释，这种方法可能找到旁系同源基因，而eggNOG能区分旁系和直系同源基因，因此开发出eggNOG-mapper来进行功能注释。eggNOG v5.0对应的工具是eggNOG-mapper v2。

注释的过程可分为图下四个过程：

• A. 序列比对：通过HMMER搜索HMMs数据库找到OG，或者通过DIAMOND搜索蛋白数据库（速度更快，更适合宏组学），每条序列的最佳匹配结果以 seed ortholog 形式存放，用于获取其他直系同源基因。

• B. 获取直系同源基因：通过seed ortholog来提取一个或一组精细的直系同源基因。

• C.去除关系较远的直系同源基因：根据bit-score或E-value对结果进行一次过滤，剔除同源性不高的结果。

• D. 功能注释：蛋白序列搜索到的直系同源基因的功能描述就是最终的注释结果，如GO、KEGG、COG等。

数据库是生物信息的基础，每个生物数据库都有各自的特点（主要是从不同角度说明生物问题），但信息的全面、分类和准确性是数据库的关键。eggNOG 5.0的下载数据在：http://eggnog5.embl.de/download/eggnog_5.0/

其中e5.proteomes.faa为所有的蛋白组序列，e5.viruses.faa为所有的病毒蛋白序列，e5.taxid_info.tsv为Taxid对应的物种名称以及完整的谱系信息，e5.og_annotations.tsv为所有的NOG信息，其第一列为Taxid，第二列为NOG groups，第三列为COG归属，第四列为Function。

除了功能，每个物种都有相应的注释信息http://eggnog5.embl.de/download/eggnog_5.0/per_tax_level/，比如1060（TaxID）：

5000余个物种对功能注释来说是比较全面的了，但如果要做物种注释，那是远远不够的。

在eggnog-mapper使用之前应该准备好：python、hmmer、diamond、fasta、注释数据库。

# 下载软件
git clone https://github.com/jhcepas/eggnog-mapper.git
# 下载数据库
cd eggnog-mapper ./download_eggnog_data.py euk  #euk真核，bact原核，arch古菌，viruses病毒

#注释
python emapper.py -i test.fa --output ./ -d euk  #默认以HMMER搜索
python emapper.py -m diamond -i test.fa --output ./ -d euk  #指定搜索数据库类型，可大类、小类
python emapper.py -i test.fa --output ./ -d maNOG #哺乳动物NOG
python emapper.py -i test.fa --output ./ -d maNOG --usemem --cpu 10  #内存和线程

至于eggNOG注释的结果，包括了一些匹配和得分信息，以及GO，KEGG，BiGG，COG，KOG，NOG等功能注释结果。但不建议用它的GO和KEGG结果，因为这两个数据库是生信领域更新最快的，信息最全，eggNOG注释的结果可能会跟不上。可以采纳下它的COG、KOG、NOG的注释信息，因为COG/KOG几乎没有更新了，还停留在2003-2014年：https://www.ncbi.nlm.nih.gov/COG/。

KEGG（Encyclopedia of Genes and Genomes）和GO（Gene Ontology）耳熟能详就不解释了，至少是目前权威公认的两大数据库。

主要是NOG和KOG、COG有点懵。

相同点：三者都是同源分类数据库，即都是OG（Orthologous Groups）。

不同点：

• COG：Clusters of Orthologous Groups of proteins，即同源蛋白簇，是NCBI的一个数据库。根据生物完整基因组的编码蛋白系统进化关系分类构建而成，每一簇COG由直系同源序列构成，从而可以推测该序列的功能，按功能共可以分为二十六类。
• KOG：EuKaryotic Orthologous Groups（为什么不叫EOG？问号脸）。广义上COG分为真核和原核生物两类，原核的一般称为COG数据库，真核的一般称为KOG数据库。
• NOG：Non-supervised Orthologous Groups，注意是非监督，因COG未及时更新，EMBL EggNOG对COG进行了完善，极大拓展了基因组信息，主要是基于HMM分析提供更细致的OG分析。

做了eggNOG，还有必要做COG/KOG吗？做不做都可以，主要看心情，看哪个更能解释你的生物学问题。一般来说，差别不会太大，COG虽然过时，但权威性还在呀。

附：不同功能数据库的层级划分

Ref：

应该是最好的eggnog-mapper功能注释教程

时隔四年，NOG数据库更新啦！

宏基因组功能注释（以COG为例）

https://www.biostars.org/p/286615/