解读SRA数据库规律一文就够
做数据分析的朋友都知道NGS测序数据一般会上传到SRA数据库里面，而这个数据库是可以免费无限制下载的，所以对它有基本的了解是一个生物信息学工程师的基本素养。下面就跟着我一起来掌握它吧。
一般的文章里面会给出数据地址，如下：根据文章的GSE号进入GEO数据库里面，就可以看到其对应的SRA数据库ID号。
https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE84498 看到如下：
层级结构是：SRP(项目)—>SRS(样本)—>SRX(数据产生)—>SRR(数据本身) 伴随数据库是project，层级是PRJNA —> SAMN 链接如下：
- https://www.ncbi.nlm.nih.gov/sra?term=SRP078156 查看样本列表
- https://www.ncbi.nlm.nih.gov/Traces/study/?acc=SRP078156 下载样本ID表格
- https://www.ncbi.nlm.nih.gov/bioproject/PRJNA327548
- https://www.ncbi.nlm.nih.gov/sra?term=SAMN05341212
首先是SRP开头的ID
一般的文章如果提到其数据上传到了SRA数据库，那么就会给出SRP开头的ID，比如：
The sequencing data have been deposited in the NCBI Sequence Read Archive (SRA) database under the accession code SRP078156.
第一步就是去SRA数据库里面查询：https://www.ncbi.nlm.nih.gov/sra?term=SRP078156
可以看到这个数据集有276个数据。
然后查看该project有哪些数据
链接：https://www.ncbi.nlm.nih.gov/Traces/study/?acc=SRP078156
可以看到该项目包含的数据多少，以及下面的信息：
BioProject:PRJNA327548
BioSampleModel:Human
Consent:public
InsertSize:0
Organism:Homo sapiens
SRA Study:SRP078156
总共有 1.53 Tb 的数据，有点大。
然后看PRJNA开头的ID
进入链接：https://www.ncbi.nlm.nih.gov/bioproject/PRJNA327548 等同于 SRP开头的
可以看到发表的文章，以及涉及到的样本。
这个实验共50个样本
然后进入每个样本
链接：https://www.ncbi.nlm.nih.gov/sra?term=SAMN05341212 等同于SRS开头的ID
可以看到每个样本都有6个不同的数据，如下：
RNA-Seq of OSCC patient: OSCC
1 ILLUMINA (NextSeq 500) run: 35.5M spots, 10.7G bases, 3.9Gb downloads
- Accession: SRX1922019
RNA-Seq of OSCC patient: adjacent normal
1 ILLUMINA (NextSeq 500) run: 37.9M spots, 11.5G bases, 4.3Gb downloads
- Accession: SRX1922018
Whole-exome sequencing of OSCC patient: OSCC
1 ILLUMINA (Illumina HiSeq 2000) run: 123.6M spots, 25G bases, 10.2Gb downloads
- Accession: SRX1969884
Whole-exome sequencing of OSCC patient: PBMC
1 ILLUMINA (Illumina HiSeq 2000) run: 114.1M spots, 23G bases, 9.5Gb downloads
- Accession: SRX1969883
Targeted gene sequencing of OSCC patient: OSCC
1 ION_TORRENT (Ion Torrent Proton) run: 20.5M spots, 2.3G bases, 1.2Gb downloads
- Accession: SRX1923057
Targeted gene sequencing of OSCC patient: PBMC
1 ION_TORRENT (Ion Torrent Proton) run: 20.1M spots, 2.3G bases, 1.2Gb downloads
- Accession: SRX1923056
接着进入SRX开头每个数据描述
每个样本有6个数据，还可以再进入每个数据，查看详情：https://www.ncbi.nlm.nih.gov/sra/SRX1922019
最后进入以SRR开头的数据本身
链接是：https://trace.ncbi.nlm.nih.gov/Traces/sra/?run=SRR3820386
有些样本数据缺失
我根据构造的ftp链接下载了一个项目，共276个数据，但是有2个数据是缺失的，我仔细检查了一下：
https://trace.ncbi.nlm.nih.gov/Traces/sra/?run=SRR3943893
https://www.ncbi.nlm.nih.gov/sra/SRX1969880
ftp://ftp-trace.ncbi.nih.gov/sra/sra-instant/reads/ByRun/sra/SRR/SRR394/SRR3943893
发现的确是没有，但是另外的274个样本又都没有问题， 看样子根据构造的ftp链接下载sra文件的方法可能要过时了，wget本来就慢，现在还出错，好尴尬。
但是，还好有prefetch
~/biosoft/sratoolkit/sratoolkit.2.8.2-1-centos_linux64/bin/prefetch SRR3943893prefetch下载的数据一般存放在~/ncbi/public/sra/文件下，prefecth在下载前会先查找该文件下是否已经存在该文件。