1、创建 BioProject 号和 BioSample 号
对某一个物种进行了基因组测序,则申请 BioProject 和 BioSample 号各一个。
2、使用 tbl2asn 准备后缀为 .sqn 的 ASN.1 文件
在 windows 下可以使用 Sequin来制作 .sqn 文件。该文件是下面所述的 3 个文件的信息的综合体。tbl2asn 是命令行的工具,适合大基因组数据的 .sqn 文件生成。
3、生成包含作者信息的 .sbt 模板文件(Submission Template)
推荐使用网页http://www.ncbi.nlm.nih.gov/WebSub/template.cgi,填入数据生成 template.sbt 文件,并下载到本地。当然,此文件也可以使用 Sequin生成。
填写信息时,可填入 BioProject 和 BioSample 号。
4、准备后缀为 .fsa 的fasta文件
fasta 文件的的 header 要求如下:
1. ">" 和 第一个空格之间的内容是序列名。 2. header部分可以加入其它因素,比如:organism [organism=Saccharomyces cerevisiae] strain [strain=S288C] isolate [isolate=CWS1] # 代表在什么个体上获得的样品 chromosome [chromosome=XVI] topology [topology=circular] location [location=mitochondrion] molecule [moltype=mRNA] (DNA is the default) technique [tech=wgs] protein name [protein=helicase] genetic code [gcode=4]
5、准备后缀为 .tbl 的表格格式的基因组注释信息文件
此文件有 5 列,每列用 tab 分割,称为 feature table。
此文件是最为关键的一步。该文件必须包含:编码基因的结构注释信息、非编码基因的结构注释信息 和 基因的功能注释信息。一旦做不好, NCBI的工作人员就会发email反馈修改意见。
feature table 格式的要点如下:
1. 对每条序列的所有注释之前,有一行额外的内容,例如: >Feature scaffold_1 该行内容后面的所有注释信息属于序列 scaffold_1 ,一定不能遗漏 Feature 这个单词,Feature 和 scaffold_1 用空格分隔。 2. 每个 feature 使用 5 行内容进行阐述,并分成 2 个部分。 第 1 部分是 feature 在序列上的结构信息。有 3 列,分别为该 feature 的起始位点、结束位点和 feature 名。若 feature 在正义链上,则起始位点 < 结束位点,若在负义链上,则起始位点 > 结束位点。若 feature 为断裂基因的 CDS 或 exon 等信息时,则有多行数据,但仅在其首行的第 3 列上显示 feature 名。 第 2 部分是 feature 的功能注释信息。使用第 4、5 列,前面有 3 个 tab 键。第 4 列对应 feature 的 qualifier,第 5 列是 qualifier 的值。qualifier 是对 feature 的描述标签。如果有多个 qualifier 及其值,则用多行进行表示。 3. feature 和 qualifier 的具体标签名称参考http://www.insdc.org/documents/feature_table.html。 4. 常用的 feature 名称有:gene, mRNA, CDS, exon, 5'UTR, 3'UTR, tRNA, rRNA, ncRNA 等。其中 ncRNA 是指除了 tRNA 和 rRNA 以外的其余 ncRNA。 5. gene 的 qualifier 标签一般是 gene, 第 5 列使用基因组系统化的 geneID。mRNA 和 CDS 的 qualifier 标签一般使用 product,第 5 列是 Nr 注释的结果。exon 的 qualifier 标签一般使用 number,其值为 1,2,3... 。UTR 的 qualifier 标签可以使用 note。tRNA 和 rRNA 的 qualifier 标签一般使用 product,第 5 列是相应种类的 RNA 名称。ncRNA 的 qualifier 标签中必须有 ncRNA_class,第 5 列则是 ncRNA 的类别,比如 miRNA, siRNA, scRNA 等。此外,可以使用 note 作为 qualifier 的标签,其值可随意标示。 6. mRNA 和 CDS 的 product 的取值,使用 Nr 注释的最优结果。最优结果如果包含 "hypothetical protein" 、 "predicted protein" 、 "unknown" 、 "partial" 或 "homolog" 时,则需要取其它注释结果,或采取一定的措施了。
6、tbl2asn 命令生成 .sqn 文件
在当前目录下生成了 3 个文件: species.sbt, species.fsa, specis.tbl 。
运行 tbl2asn 生成目标文件 species.sqn 。
tbl2asn -t C001.sbt -p ./ -a s -V vb # -a s 一个fasta文件有多条序列时,使用此参数配置。# -V vb v表示对输入的数据进行验证,生成 2 个 .val 的文件;-b 生成GeneBank格式的文本文件,以 .gbf 为后缀。 # 运行完毕后需要查看 val 文件,其中有很多错误与警示信息。有些蛋白质序列不是以 M 开头,会在此处提示 ERROR 。尽量排除除此之外的错误和警告。
7、使用 GenomeMacroSend 上传 .sqn 文件
在 GenomeMacroSend 网页
http://www.ncbi.nlm.nih.gov/projects/GenomeSubmit/genome_submit.cgi的最下方的输入框中填写信息上传 .sqn 文件。
8、全网页方法上传数据
基因组数据上传:Genomes(WGS) submission portal
转录组数据上传:TSA submission portal
使用网页方式上传数据和上述方法基本一致。feature tab 的制作依然需要自己手工制作,再上传。
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------I am a line !--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
网友评论