hg19,GRCH37和Ensembl75是三种国际生物信息学数据库资源收集存储单位,即NCBI,UCSC和ENSEMBL各自发布的基因组信息。
hg系列,hg18/19/38来自UCSC,也是目前使用频率最高的基因组。从出道至今我就只看过hg19了,但是建议大家都转为hg38,因为它是目前的最新版本。
基因组各种版本对应关系综合来看如下所示:
ENSEMBL的版本特别复杂也很容易搞混,UCSC的版本就简单很多,常用的是hg19,最新版本为hg38。
看起来NCBI也是很简单,就GRCh36,37,38,但是里面水也很深!
Feb 13 2014 00:00 Directory April_14_2003Apr 06 2006 00:00 Directory BUILD.33Apr 06 2006 00:00 Directory BUILD.34.1Apr 06 2006 00:00 Directory BUILD.34.2Apr 06 2006 00:00 Directory BUILD.34.3Apr 06 2006 00:00 Directory BUILD.35.1Aug 03 2009 00:00 Directory BUILD.36.1Aug 03 2009 00:00 Directory BUILD.36.2Sep 04 2012 00:00 Directory BUILD.36.3Jun 30 2011 00:00 Directory BUILD.37.1Sep 07 2011 00:00 Directory BUILD.37.2Dec 12 2012 00:00 Directory BUILD.37.3
从上面可以看到,有37.1, 37.2和 37.3 等等,不过这种版本一般指的是注释在更新而基因组序列一般不变。
总之你需要记住, hg19基因组大小是3G,压缩后八九百兆。
如果要下载GTF注释文件,基因组版本尤为重要。
变化上面链接中的release就可以拿到所有版本信息
本身需要一系列参数:
1. Navigate to http://genome.ucsc.edu/cgi-bin/hgTables2. Select the following options:clade: Mammalgenome: Humanassembly: Feb. 2009 (GRCh37/hg19)group: Genes and Gene Predictionstrack: UCSC Genestable: knownGeneregion: Select "genome" for the entire genome.output format: GTF - gene transfer formatoutput file: enter a file name to save your results to a file, or leave blank to display results in the browser3. Click 'get output'.
搞清楚版本关系后就可以进行下载了。
UCSC里面下载非常方便,只需要根据基因组简称来拼接url:
http://hgdownload.cse.ucsc.edu/goldenPath/mm10/bigZips/chromFa.tar.gzhttp://hgdownload.cse.ucsc.edu/goldenPath/mm9/bigZips/chromFa.tar.gzhttp://hgdownload.cse.ucsc.edu/goldenPath/hg19/bigZips/chromFa.tar.gzhttp://hgdownload.cse.ucsc.edu/goldenPath/hg38/bigZips/chromFa.tar.gz
或者用shell脚本指定下载的染色体号
for i in $(seq 1 22) X Y M;do echo $i;wget http://hgdownload.cse.ucsc.edu/goldenPath/hg19/chromosomes/chr${i}.fa.gz;donegunzip *.gzfor i in $(seq 1 22) X Y M;do cat chr${i}.fa >> hg19.fasta;donerm -fr chr*.fasta
编辑校对:思考问题的熊