SRA数据库的使用

sra数据库

一：简介

SRA （ Sequence Read Archive）是NCBI旗下的数据库之一，其作用是存储包括Illumina、454、IonTorrent、Complete Genomic、PacBio和Oxford Nanpores在内的二/三代测序技术所产生的原始序列数据。这些数据可以提交给GeneBank（美国）、EMBL（欧洲）和DDBJ（日本）这三大核酸数据库之一，并会在三者间共享，这三大核算数据库组成的联合核苷酸数据库被称为INSDC（国际核苷序列联合数据库）。除了原始序列数据外，SRA现在也存在raw reads在参考基因的比对信息。

SRA的官方网址为：https://www.ncbi.nlm.nih.gov/sra/

根据SRA数据产生的特点，将SRA数据分为四类：

​ 1. Studies-- 研究课题

​ 2. Experiments-- 实验设计

​ 3. Runs-- 测序结果集

​ 4. Samples-- 样品信息

SRA中数据结构的层次关系为：Studies->Experiments->Samples->Runs.

​ 1. Studies是就实验目标而言的，一个study 可能包含多个Experiment。

​ 2. Experiments包含了Sample、DNA source、测序平台、数据处理等信息。

​ 3. 一个Experiment可能包含一个或多个runs。

​ 4. Runs 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：

​ 1. SRP，ERP，DRP表示Studies；

​ 2. SRX，ERX，DRX 表示 Experiments；

​ 3. SRS，ERS，DRS 表示 Samples；

​ 4. SRR ，ERR，DRR表示 Runs；

二：SRA界面详解

1.1 以放线菌为例进行搜索。

1.2 点击进去其中一个项目

2. 也可以用具体的sra id 号进行搜索

直接在搜索框输入sra id号就可以了

3. SRA的高级搜索

以BALB / c小鼠淋巴结组织的RNA-Seq记录为例：

三：数据下载

一般我们使用NCBI提供的SRA Toolkit来下载数据，下面是SRA Toolkit用法

1. windows下安装

cd  安装目录（一直到可执行程序bin下）

2. linux 下安装

1、下载：

直接下载安装包（在网页上下载），或者通过ftp协议下载（命令如下，比较慢）。

wget "http://ftp-trace.ncbi.nlm.nih.gov/sra/sdk/current/sratoolkit.current-centos_linux64.tar.gz"

2. 解压

tar -zxvf sratoolkit.2.11.0-centos_linux64.tar.gz 

3. 运行下载

以SRR2172038为例子，下载并转为fastq格式，和sam格式（常用工具）

#进入可执行程序目录下
cd sratoolkit.2.11.0-centos_linux64/bin 

#下载 SRR2172038的数据，格式为sra格式. 下载完之后会出现SRR2172038.sra的数据
./prefetch SRR2172038

#利用 fasterq-dump 将sra格式转为fastq格式
./fasterq-dump SRR2172038.sra

#或者利用sam-dump转成sam格式
./sam-dump SRR2172038.sra

4. 批量下载

• 使用python脚本

# prefetch.py
import os
# SRR14067479-SRR14067488
for i in range(79,89):
    id = 'SRR140674'str(i)
    print("正在下载SRR140674"id)
    os.system('prefetch -p 'id)
    print("完成下载SRR140674"id)

python prefetch.py         # 直接运行

• 使用 SraAccList.txt

进入 all runs 详情页：

使用SRA TooKit 下载，（上面下载的txt文档为SraAccList.txt）：

prefetch   --option-file SraAccList.txt

备注：

1. 这里只做简单演示。可以根据 模块的 --help参数，查看具体的参数进行使用。

2. 可以将下载的SRA TooKit 加入到环境变量中，这样就可以在全局使用SRA TooKit

3. 具体详情的信息，NCBI官网提供了相关的电子书籍

网址：https://www.ncbi.nlm.nih.gov/books/NBK56551/