nanozoo/cdhit

cd-hit v4.8.1 Docker镜像文档

镜像概述

• 维护者：Martin
• 许可证：GNU General Public License v2.0
• 来源：基于https://github.com/weizhongli/cdhit%E6%9E%84%E5%BB%BA
• 版本：v4.8.1

cd-hit是一款高效的序列聚类工具，主要用于生物信息学领域中蛋白质或核酸序列的快速聚类分析，通过设定序列相似性阈值去除冗余序列，减少数据规模并保留代表性序列。本Docker镜像封装了cd-hit v4.8.1版本，提供便捷的容器化部署方式。

核心功能与特性

• 序列聚类：基于序列相似性对蛋白质或核酸序列进行聚类，支持设定不同的相似性阈值
• 冗余去除：高效识别并去除冗余序列，保留聚类中心序列
• 多序列类型支持：支持蛋白质序列（cd-hit）、DNA/RNA序列（cd-hit-est）、长序列（cd-hit-454）等多种类型
• 高效算法：采用贪婪增量聚类算法，处理大规模序列数据时具有较高的计算效率
• 容器化优势：无需复杂环境配置，可直接在Docker环境中运行，保证跨平台一致性

使用场景与适用范围

• 基因组/转录组测序数据的冗余序列去除
• 蛋白质序列数据库构建与优化
• 宏基因组数据分析中的序列去重
• 大规模序列数据的预处理与精简
• 生物信息学研究中需要序列聚类分析的场景

使用方法与配置说明

基本使用（docker run）

通过以下命令运行cd-hit镜像，需将本地数据目录挂载到容器中以实现文件交互：

bash
docker run -v /本地数据目录:/data martin/cd-hit:4.8.1 cd-hit -i /data/input.fasta -o /data/output -c 0.9

参数说明：

• -v /本地数据目录:/data：将本地数据目录挂载到容器内的/data目录，用于输入文件读取和输出文件保存
• cd-hit：指定运行cd-hit工具（针对蛋白质序列），若处理DNA/RNA序列可使用cd-hit-est
• -i /data/input.fasta：输入序列文件路径（容器内路径，对应本地挂载目录下的文件）
• -o /data/output：输出文件前缀，将生成output（聚类结果）和output.clstr（聚类信息）
• -c 0.9：序列相似性阈值（0.9表示90%相似性）

常用参数说明

cd-hit工具支持多种参数配置，常用参数包括：

• -c：序列相似性阈值（0-1，默认0.9）
• -n：字长（蛋白质序列默认5，DNA序列默认10，根据相似性阈值调整）
• -M：内存限制（MB，默认800）
• -T：线程数（默认1，建议根据CPU核心数调整）
• -d：输出序列名长度（默认10，设为0表示保留完整序列名）

示例：处理DNA序列（cd-hit-est）

bash
docker run -v /本地数据目录:/data martin/cd-hit:4.8.1 cd-hit-est -i /data/dna_input.fasta -o /data/dna_output -c 0.95 -n 10 -T 4

镜像文档与更多信息

详细使用文档可参考：Dockerwiki - version_control.html