cd-hit-user-guide.pdf 学习cd-hit新手必备！

cd-hit是非常快速的、是中国人（Weizhong Li）写的，很好用，最大的特点就是快。基本思路是首先对所有序列按照其长度进行排序，然后从最长的序列开始，形成第一个序列类，然后依次对序列进行处理，如果新的序列与已有的序列类的代表序列的相似性在cutoff以上则把该序列加到该序列类中，否则形成新的序列类。 指导学习cd-hit cd-hit是一款由来自加州大学圣地亚哥分校的李伟中（Weizhong Li）实验室开发的快速蛋白质聚类程序。其核心优势在于其超高速度，可比其他聚类程序快上数百倍，例如BLASTCLUST，因此可以处理非常大型的数据库，如非冗余（NR）数据库。 cd-hit的版本迭代中，第一版名为CD-HI，于2001年发布并投入使用；第二版称为CD-HIT，在2002年发布，包含显著改进。自2004年起，cd-hit作为开源项目托管于***。自其发布以来，cd-hit逐渐受到越来越多用户的青睐，其用户基础估计超过数千人，在众多研究和教育机构中得到应用。例如，在UniProt，cd-hit被用于生成UniRef参考数据集；在PDB中，cd-hit被用于处理冗余序列。 cd-hit的基本原理是对所有序列按照长度进行排序，从最长的序列开始，形成第一个序列簇，随后依次对序列进行处理，若新序列与已有的簇代表序列的相似度在用户设定的阈值（cutoff）以上，则将新序列归入该簇；否则，形成新的序列簇。cd-hit的算法流程允许快速识别并剔除冗余的序列，这对于大规模数据集的处理尤为重要。 cd-hit程序具有多个模块，包括cd-hit、cd-hit-2d、cd-hit-est、cd-hit-est-2d等，它们分别用于不同的聚类和比较需求。例如，cd-hit-2d可以比较两个序列集，psi-cd-hit算法是针对结构域的聚类算法。cd-hit还提供了一系列多线程程序，例如cd-hit-para.pl和cd-hit-2d-para.pl，它们支持并行计算，从而进一步提高处理速度。 在具体使用中，用户可通过多种方式使用cd-hit，包括增量聚类、层次聚类等。另外，cd-hit提供了一个在线Web服务器，用户可以直接在网站上提交序列进行聚类处理。这个Web服务器为没有下载和运行cd-hit程序能力的用户提供了一个便捷的使用途径。 除了程序本身，cd-hit还提供了多种辅助工具，如plot_len.pl、clstr_sort.pl、clstr_merge.pl、clstr_renumber.pl、clstr_rev.pl等，这些工具可以帮助用户对聚类结果进行排序、合并、重排以及反转等操作，从而更好地分析和处理聚类数据。 在cd-hit的官方文档中，还包含了一个常见问题解答（FAQ）部分，为用户在使用过程中可能遇到的问题提供了答案。文档末尾列出了相关的参考文献，供用户进一步学习和深入了解cd-hit的算法和应用背景。 cd-hit是一款功能强大且高效的序列聚类分析工具，它不仅在处理速度上有明显优势，而且在处理大规模生物信息数据库时表现出色，是生物信息学研究中不可或缺的工具之一。