Skip to content

基因體學 › 參考資料 › 原始資料庫

原始資料庫 (Raw Data Repositories) ​

論文發表的定序資料多數存放在 INSDC(國際核酸序列資料庫聯盟)的三個鏡像資料庫中;處理後的表現量矩陣常放在 GEO。重新分析公開資料時,先找到 accession,再決定從哪裡下載。

資料庫 ​

資料庫機構收錄何時用
SRANCBI(美國)原始 reads論文最常提供 SRR / PRJNA
ENAEMBL-EBI(歐洲)原始 reads、組裝、註解直接下載 FASTQ.gz 最方便
DDBJ / DRA日本原始 reads亞洲團隊上傳
GEONCBI處理後的表現量、樣本描述(原始 reads 連到 SRA)想直接拿 count matrix 或樣本 metadata
ArrayExpress / BioStudiesEMBL-EBI功能基因體實驗(與 GEO 類似)歐洲團隊的表現量資料
dbGaP / EGANCBI / EMBL-EBI受控存取的人類資料(可識別個人)需提出申請並經資料存取委員會核准

INSDC 三個資料庫每天互相同步:SRA 的 SRR 在 ENA 也查得到,反之亦然。

Accession 的階層 ​

層級SRA / ENA / DDBJ 前綴GEO意義
研究 (project)PRJNA / PRJEB / PRJDB;SRP / ERP / DRPGSE一篇論文 / 一個計畫
樣本 (sample)SAMN / SAMEA;SRS / ERSGSM一個生物樣本
實驗 (experiment)SRX / ERX / DRX—一個 library
RunSRR / ERR / DRR—一次定序輸出,實際下載的單位

一個樣本可能有多個 run(多個 lane 或重複定序),分析時通常合併。

下載 ​

bash
# 1. 先查出 run 清單與 FASTQ 連結(ENA filereport API)
curl -s "https://www.ebi.ac.uk/ena/portal/api/filereport?accession=PRJNA123456&result=read_run&fields=run_accession,sample_alias,fastq_ftp,fastq_md5&format=tsv"

# 2a. ENA:直接下載 FASTQ.gz(路徑依 accession 長度多一層子資料夾,以 filereport 的連結為準)
wget ftp://ftp.sra.ebi.ac.uk/vol1/fastq/ERR164/ERR164407/ERR164407.fastq.gz
wget ftp://ftp.sra.ebi.ac.uk/vol1/fastq/ERR609/001/ERR6090701/ERR6090701_1.fastq.gz

# 2b. SRA:sra-tools
prefetch SRR1234567
fasterq-dump --split-files --threads 8 SRR1234567     # 產生 _1.fastq、_2.fastq(未壓縮,記得再壓縮)

# 2c. 一次處理整個專案(含 metadata 表)
nextflow run nf-core/fetchngs --input ids.csv --outdir fetched
方法優點注意
ENA FTP / HTTPS已是 FASTQ.gz,可用 wget / curl;目錄附 .md5 檢查完整性大量資料可改用 Aspera(ascp)加速
ENA File Downloader / enaBrowserTools依 accession 批次下載Java / Python 工具
sra-tools官方工具,可取得完整原始資訊fasterq-dump 需要大量暫存空間
nf-core/fetchngs自動抓 metadata、下載、產生樣本表需要 Nextflow(見 Nextflow)

下載後先比對 md5 與 reads 數;並從 GEO / SRA 的樣本描述整理出 metadata(條件、批次、性別),這往往比下載本身更花時間,也是重新分析最容易出錯的地方。

ENA 下載方式說明:ENA file download。