介绍

CD-HIT（Cluster Database at High Identity with Tolerance，https://bioinformatics.org/cd-hit/）以fasta格式的序列数据库作为输入，并生成一组“非冗余”（non-redundant，nr）的代表序列作为输出。此外，cd-hit还输出一个簇（cluster）文件，记录每个nr代表序列的序列“成员”。其目的是在不删除任何序列信息的情况下，通过仅移除“冗余”（或高度相似）的序列来减少数据库的总体大小。这就是为什么生成的数据库被称为非冗余（nr）数据库的原因。本质上，cd-hit从给定的fasta序列数据库中生成一组密切相关的蛋白质家族。

CD-HIT使用“最长序列优先”的列表移除算法来移除高于某个身份阈值的序列。此外，该算法实现了一种非常快速的启发式方法，以在序列之间找到高身份片段，从而避免了许多高成本的全对齐操作。

随着最近的发展，cd-hit软件包提供了用于DNA序列聚类和比较两个数据库的新程序。它还具有许多用于聚类控制的新选项。

下载

使用

运行

参考

官网：http://bioinformatics.org/cd-hit/

文献：Cd-hit: a fast program for clustering and comparing large sets of protein or nucleotide sequences (2006)

文献：CD-HIT: accelerated for clustering the next-generation sequencing data (2012)