chapter49 SRA命名方案

SRA（Short Read Archive）数据在一个层次结构中。
NCBI BioProject：PRJN**** (比如PRJNA257197)，是单个研究计划，可能包含多个样本和数据集。
NCBI BioSample: SAMN**** 或者SRS**** (比如SAMN03254300)，每一个独立的样本都会被注册为一个BioSample，有独一无二的标签和属性。
SRA Experiment: SRX****，一个特定样本的序列库
SRA Run: SRR**** 或者ERR**** (比如SRR1553610)，一个实验的数据集，含有多个样本Sample。

下载SRA数据

常用sratoolkit

fastq-dump下载fastq数据

#下载双端测序文件
fastq-dump --split-files SRR1553607

sam-dump下载sam文件

可以用ftp访问

所有的SRA数据在ftp://ftp-trace.ncbi.nih.gov/sra/sra-instant中

#下载SRR1972739，得到SRR1972739.sra
wget -nc ftp://ftp-trace.ncbi.nih.gov/sra/sra-instant/reads/ByRun/sra/SRR/SRR197/SRR1972739
#再用fastq-dump进行转化为fastq，-X只提取前面10000个reads
fastq-dump -X 10000 --split-files SRR1972739.sra

数据下载地址

默认为~/ncbi/public/sra/
注意：即使设置仅下载10000 reads，仍然会全部下载完

下载SRA数据的常用思路

首先获得数据的PRJN号，再从中获取数据的SRR号，用fastq-dump下载

#使用esearch搜索，可见共891个样本
root:~# esearch -db sra -query PRJNA257197

#下载runinfo
esearch -db sra -query PRJNA257197 | efetch -format runinfo > runinfo.csv
#提取其中的SRR
cat runinfo.csv | cut -d, -f1 | grep SRR > ranids.txt
#进行下载
cat ranids.txt | parallel fastq-dump {}

当runinfo信息不足时，下载xml数据

esearch -db sra -query PRJNA257197 | efetch -format docsum > docsum.xml
cat docsum.xml | xtract -pattern DocumentSummary -element Bioproject,Biosample,Run@acc > xml.txt