SRA数据库及其数据的下载

SRA数据库

Sequence Read Archive (SRA)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OxfordNanpores在内的二代测序技术所产生的原始序列数据（GEO数据库是经过一定处理的数据。）。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）。

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

因为其整合在NCBI中，所以搜索时需要通过NCBI的官网https://www.ncbi.nlm.nih.gov/的搜索框中的下拉菜单中选取SRA进行数据的搜索。

使用SRA的数据可以验证实验结果、增大样本量以及开辟新的研究手段。（官方自评）

SRA的数据类型

Studies-- 研究课题（前缀为ERP或SRP，包含多个Experiment)
Experiments-- 实验设计（前缀为SRS，包含Sample、DNA source、测序平台和测序数据等信息）
Samples-- 样品信息（前缀为SRX，包含一个或多个Runs)
Runs-- 测序结果集（SSR开头的记录，代表测序仪器所产生的reads）

SRA Toolkit的测试

SRA Toolkit是NCBI官方提供的用于下载GEO以及SRA等数据库中数据的下载工具，此外R中也有基于SRA Toolkit的包。

首先看看SRA Toolkit的用法：

SRA Toolkit官方下载地址为：https://trace.ncbi.nlm.nih.gov/Traces/sra/sra.cgi?view=software

根据系统的不同可以分为CentOS、Ubuntu、MacOS以及Windows，均只有为64位版本。

安装

Windows

为7z格式的绿色软件的压缩包，下载完成后，将其解压至目标位置后，将该路径添加至系统环境中。

Linux

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

下载数据

需要下载文件时，打开cmd命令行，通过cd命令将路径定位至软件的解压缩目录下~ \sratoolkit\bin，以SRR390728的这个数据进行测试：

Windows:

fastq-dump.exe -X 5 -Z SRR390728

Linux：

在\sratoolkit\bin目录下时:

./fastq-dump -X 5 -Z SRR390728

该条命令的解读如下：

fastq-dump命令通过整合的fastq-dump工具下载fastq格式的数据，或者将已经下载好的sra数据转换为fastq格式。
-X 5的意思是返回前5个记录的结果。
-Z的意思是输出在屏幕上，待下载结束后屏幕将会出现5个记录。

需要注意的是，虽然这个数据有184M，但通过这个命令仅会下载2M左右，下载的文件路径为：

C:\Users\[User's name]\ncbi\public\

此时屏幕上显示的前5个记录的内容为：

Read 5 spots for SRR390728
Written 5 spots for SRR390728
@SRR390728.1 1 length=72
CATTCTTCACGTAGTTCTCGAGCCTTGGTTTTCAGCGATGGAGAATGACTTTGACAAGCTGAGAGAAGNTNC
+SRR390728.1 1 length=72
;;;;;;;;;;;;;;;;;;;;;;;;;;;9;;665142;;;;;;;;;;;;;;;;;;;;;;;;;;;;;96&&&&(
@SRR390728.2 2 length=72
AAGTAGGTCTCGTCTGTGTTTTCTACGAGCTTGTGTTCCAGCTGACCCACTCCCTGGGTGGGGGGACTGGGT
+SRR390728.2 2 length=72
;;;;;;;;;;;;;;;;;4;;;;3;393.1+4&&5&&;;;;;;;;;;;;;;;;;;;;;<9;<;;;;;464262
@SRR390728.3 3 length=72
CCAGCCTGGCCAACAGAGTGTTACCCCGTTTTTACTTATTTATTATTATTATTTTGAGACAGAGCATTGGTC
+SRR390728.3 3 length=72
-;;;8;;;;;;;,*;;';-4,44;,:&,1,4'./&19;;;;;;669;;99;;;;;-;3;2;0;+;7442&2/
@SRR390728.4 4 length=72
ATAAAATCAGGGGTGTTGGAGATGGGATGCCTATTTCTGCACACCTTGGCCTCCCAAATTGCTGGGATTACA
+SRR390728.4 4 length=72
1;;;;;;,;;4;3;38;8%&,,;)*;1;;,)/%4+,;1;;);;;;;;;4;(;1;;;;24;;;;41-444//0
@SRR390728.5 5 length=72
TTAAGAAATTTTTGCTCAAACCATGCCCTAAAGGGTTCTGTAATAAATAGGGCTGGGAAAACTGGCAAGCCA
+SRR390728.5 5 length=72

当进行到这一步时，说明软件安装成功，并且可以正常下载数据了。

数据下载

关于SRA Toolkit的命令和参数将在后面详解，此时，可以先试试下载一个原始的压缩格式的sra数据：

Windows:

prefetch.exe SRR390728

Linux:

./prefetch SRR390728

此时的cmd命令行显示如下：

2019-06-16T09:19:44 prefetch.2.9.3: 1) Downloading 'SRR390728'...
2019-06-16T09:19:44 prefetch.2.9.3:  Downloading via https...

如果结束后未报错，则说明下载成功。

等下载完成后，linux中可以通过下述命令进行md5校验

md5sum -b

当校验通过时，就可以愉快的折腾数据了。

sratoolkit

该工具整合了prefetch、fastq-dump以及sam-dump。这三个工具中，prefetch用于下载原始文件，fastq-dump可以下载fastq格式的文件，也可以将下载好的sra格式文件转换为fastq格式。分别介绍这3个工具的用法与参数。

prefetch

用法

prefetch [options] <path/SRA file | path/kart file> [<path/file> ...]
prefetch [options] <SRA accession>
prefetch [options] --list <kart_file>

参数

参数	说明
-h或--help	帮助
-V或--version	版本信息
-f或--force <value>	value: no、yes和all。no为默认值，当本地发现下载完成的文件时，将跳过该文件。yes代表即使本地先前已经下载完成，仍然下载该文件。all值代表忽略旧文件，并且忽略正在下载的文件。
--transport	value: ascp、http、bost(优先ascp)，默认值为both
-l或--list	li

示例

该示例将Shell命令行cd至sra文件目录下，然后指明fastq-dump.exe路径，最终会将SRR390728.sra转换为fastq文件，转换后的文件处于sra文件目录下，为fastq格式的同名文件。

fastq-dump

用法

#single-end 单端测序

.../fastq-dump DRR000003.sra # 结果生成DRR000003.fastq

.../fastq-dump --fasta DRR000003.sra # 结果生成DRR000003.fastq

#pair-end 双端测序

.../fastq-dump --split-3 DRR002018.sra # 结果生成 DRR002018_1.fastq，DRR002018_2.fastq

示例

Windows:

H:\sratoolkit\bin\fastq-dump.exe SRR390728.sra

这个命令是在SRR390728.sra所在的目录下，通过fastq-dump.exe的绝对路径运行的。

Linux:

/home/soft/sratoolkit/bin/fastq-dump SRR390728.sra

注意，这个命令是在SRR390728.sra的目录下，输入fastq-dump的绝对路径进行的。

等了数个小时后

Read 7178576 spots for SRR390728.sra
Written 7178576 spots for SRR390728.sra

作者：波波在敲代码
链接：https://www.jianshu.com/p/beb47b89c1d3
来源：简书