lncRNA实战项目-第三步-了解参考基因组及注释文件

下载原始测序数据:

在GEO数据库搜索GSE87182, 这里没有直接给出ftp地址,需要先从BioProject找到SRA号,可以得到RNA-Seq的SRA的accession_list,共64组数据(SRA数据下载方法参考:https://www.ncbi.nlm.nih.gov/books/NBK158899/)。

得到SRA号就可以从NCBI的SRA或者EBI的ENA批量下载原始数据了,NCBI下载的原始数据是sra格式,需要用SRA Toolkit软件包转化为fastq数据格式,EBI下载的数据直接是fastq格式。

这里要注意SRR号并不是连续的,好像有人已经踩过这个坑了,我还是掉进去了,下了一个晚上的数据白瞎了。重新下载,这次只选择下载CC,OC两个脑区域的数据,刚好这两组数据的测序平台也一致。

#NCBI下载
for ((i=230;i<=237;i++));do wget ftp://ftp.ncbi.nlm.nih.gov/sra/sra-instant/reads/ByRun/sra/SRR/SRR404/SRR4042$i/SRR4042$i.sra;done
for ((i=393;i<=400;i++));do wget ftp://ftp.ncbi.nlm.nih.gov/sra/sra-instant/reads/ByRun/sra/SRR/SRR401/SRR4015$i/SRR4015$i.sra;done

SRR4015393和SRR4015394测序质量不好,最好不要下载这两组数据练习。

#EBI下载
for ((i=230;i<=237;i++));do wget ftp://ftp.sra.ebi.ac.uk/vol1/fastq/SRR404/000/SRR4042$i/SRR4042$i\_1.fastq.gz;done
for ((i=230;i<=237;i++));do wget ftp://ftp.sra.ebi.ac.uk/vol1/fastq/SRR404/000/SRR4042$i/SRR4042$i\_2.fastq.gz;done

另外若觉得wget下载速度慢,可以选择其他下载方法(SRA、SAM以及Fastq文件高速下载方法):

  • 首选Aspera Connect软件,这是IBM旗下的商业高速文件传输软件,与NCBI和EBI有协作合同,我们可以免费使用它下载高通量测序文件,体验飞一般的感觉,速度可飚至300-500M/s。下载完成后,本地用fastq-dump提取fastq文件,用sam-dump提取SAM文件。
  • 其次,如果上述方法不奏效,优先使用sratoolkit中的prefetch命令
  • 最后,使用sratoolkit中的fastq-dump和sam-dump命令下载,如果fastq-dump不稳定,推荐大家尝试Biostar Handbook中的wonderdump脚本

SRA数据库介绍

SRA(Sequence ReadArchive)数据库是存储二代测序的原始数据。

根据SRA数据产生的特点,将SRA数据分为四类: tudies-- 研究课题 xperiments-- 实验设计 uns-- 测序结果集 amples-- 样品信息 RA中数据结构的层次关系为:Studies->Experiments->Samples->Runs. tudies是就实验目标而言的,一个study 可能包含多个Experiment。 Experiments包含了Sample、DNA source、测序平台、数据处理等信息。 一个Experiment可能包含一个或多个runs。 uns 表示测序仪运行所产生的reads。 SRA数据库用不同的前缀加以区分: ERP或SRP表示Studies; RS 表示 Samples; RX 表示 Experiments; RR 表示 Runs;

下载基因组数据:

基因组数据:ftp://ftp.ensembl.org/pub/release-91/fasta/macaca_mulatta/dna/ Ensemble基因组数据的形式包含以下2种: (1)masked/unmasked dna_sm- Repeats soft-masked (converts repeat nucleotidesto lowercase) dna_rm- Repeats masked (converts repeats to to N's) dna- No masking (2) toplevel / primary assembly toplevel- Includes haplotype information (notsure how aligners deal with this) primary_assembly– contains all toplevel sequenceregions excluding haplotypes and patches. This is best used for performingsequence similarity searches where patch and haplotype sequences would confuseanalysis.

根据README中的介绍,primary_assembly 和 toplevel相比不包含haplotype, 更适合用于比对,对于mask/un mask 通常选择softmask或者unmasked, 一般不用rm的。这个有一个讨论,几个人的回答并不一致,我还是模模糊糊,并不很明白。

macaca的基因组版本没有给出primary_assembly, 所以我下载了sm.toplevel和toplevel, 有时间去比较下会对下游分析有什么影响。

wget ftp://ftp.ensembl.org/pub/release-91/fasta/macaca_mulatta/dna/Macaca_mulatta.Mmul_8.0.1.dna_sm.toplevel.fa.gz
wget ftp://ftp.ensembl.org/pub/release-91/fasta/macaca_mulatta/cdna/Macaca_mulatta.Mmul_8.0.1.cdna.all.fa.gz
wget ftp://ftp.ensembl.org/pub/release-91/fasta/macaca_mulatta/ncrna/Macaca_mulatta.Mmul_8.0.1.ncrna.fa.gz
wget ftp://ftp.ensembl.org/pub/release-91/fasta/macaca_mulatta/cds/Macaca_mulatta.Mmul_8.0.1.cds.all.fa.gz
wget ftp://ftp.ensembl.org/pub/release-91/fasta/macaca_mulatta/dna/Macaca_mulatta.Mmul_8.0.1.dna.toplevel.fa.gz

下载注释数据:

注释数据:https://asia.ensembl.org/info/data/ftp/index.html

wget ftp://ftp.ensembl.org/pub/release-91/gtf/macaca_mulatta/Macaca_mulatta.Mmul_8.0.1.91.gtf.gz
wget ftp://ftp.ensembl.org/pub/release-91/gff3/macaca_mulatta/Macaca_mulatta.Mmul_8.0.1.91.gff3.gz

参考资料:

SRA数据下载方法参考:https://www.ncbi.nlm.nih.gov/books/NBK158899/ SRA、SAM以及Fastq文件高速下载方法: http://bioinfostar.com/2017/12/23/How-to-download-SRA-data-zh_CN/ SRA数据库介绍:https://www.shengxin.ren/article/16

原文发布于微信公众号 - 生信技能树(biotrainee)

原文发表时间:2018-02-13

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏ATYUN订阅号

【框架】为降低机器学习开发者门槛,苹果发布了Turi Create框架

近日,苹果在GitHub上发布了Turi Create框架。苹果表示,这个框架旨在通过简化机器学习模型的开发,降低开发者构建模型的门槛。详细说明如下: Turi...

3426
来自专栏大数据文摘

手把手 | 哇!用R也可以跑Python了

703
来自专栏生信宝典

高通量数据分析必备|基因组浏览器使用介绍 - 2

基因组浏览器的基本使用、各部分功能和不同Track展示,在高通量数据分析必备|基因组浏览器使用介绍 - 1已有介绍。这次进一步介绍其可用的公共数据信息、区域截图...

913
来自专栏CVer

利用OpenCV玩转YOLOv3

YOLOv3是You Only Look Once系列的最新目标检测算法,关于YOLOv3的介绍,网上一大堆,本文就不跟风描述。想要了解YOLOv3的同学,可以...

2132
来自专栏AI研习社

谷歌发布 TensorFlow 1.5,全面支持动态图机制和 TensorFlow Lite

AI 研习社消息,日前,谷歌发布 TensorFlow 1.5,TensorFlow 又一次迎来更新。 在此前的版本中,TensorFlow 迎来三大重大变化:...

2824
来自专栏魏艾斯博客www.vpsss.net

Picdiet 在线图片压缩 极速压缩 80%图片质量不变

2101
来自专栏数据结构与算法

洛谷P1345 [USACO5.4]奶牛的电信Telecowmunication

题目描述 农夫约翰的奶牛们喜欢通过电邮保持联系,于是她们建立了一个奶牛电脑网络,以便互相交流。这些机器用如下的方式发送电邮:如果存在一个由c台电脑组成的序列a1...

31810
来自专栏Python中文社区

Python进行数据可视化分析快速教程实例

Jupyter Notebook介绍 Jupyter Notebook是一个交互式笔记本,支持运行 40 多种编程语言。IPython notebook 是一个...

2066
来自专栏大数据文摘

机器学习:如何在安卓上集成TensorFlow

2165
来自专栏机器之心

教程 | 如何使用Keras、Redis、Flask和Apache把深度学习模型部署到生产环境?

73910

扫码关注云+社区