生信log18|一个上传基因组到NCBI的图文详细教程

开篇废话一下：> 这篇日志分享的实际上是我总结了NCBI基因组上传流程并分享给组内同学参考的PPT教程，当然我们PPT上面还有16S rRNA基因的上传教程，因为是师兄做的，此处不作分享，仅分享基因组上传的部分。上传基因组途中经历了一些波折和等待，也正好记录一些大家可以避开的坑。

1、NCBI基因组上传需要什么文件

• 原核的基因组（草图/完成图）上传的是已经过拼接和过滤的基因组文件也即格式为fasta的序列文件，后缀可为.fasta/.fna/.fsa，来源可以为序列拼接后的.fasta也可以是Prokka注释后得到的.fsa；

• 其他的测序文件如转录组，宏基因组，宏转录组这些要求上传的是rawdata，也即下机数据fastq；

2、序列文件的质量要求是什么

• 上传到NCBI的序列文件最少要过滤 < 200bp以下的序列，更多的文章选择的是把过滤 < 1000bp的序列都过滤掉（此处附seqkit过滤的方法）；

###seqkit 的安装
conda install -c bioconda seqkit
mamba install seqkit #上面哪一种都可以
    
#过滤序列长度小于1000bp的序列，参数-m 保留大于某个长度的序列（-m, -min-len int only print sequences longer than the minimum length (-1 for no limit) (default -1)
seqkit seq -m 1000 your_fasta_file

• 不能有太严重的宿主污染（人源的序列/线粒体的序列等等），这个污染不太严重的话NCBI会给序列打上轻度污染也就放你过了，

  但是如果其他序列要素过多，还是不能上传的，问了一下前辈说是用biopython，目前我还没太清楚怎么用，后续探索了会把 log放出来让大家参考。

3、图文全程流程（以下的序号与NCBI的流程一致）

此处提醒一下，要上传数据就必须先注册账号

• Step 0 选择上传的数据库

• Step 0.2 开始需要填一些资料

• step 1 填写基础信息

• Step 2 填写基因组的基础信息，有些项目可能就有多个基因组（比如说人类计划，不可能说每个基因组都单独开一个项目，这样不方便管理）

• Step2.2 序列拼接软件和版本对基因组拼接的结果可能很大也可能很小，为了实验的重复性，建议大家开始做的分析的时候就把这些信息记录在文档里面，方便日后写文章和数据的上传。

• Step 3

• Step 4

• Step 5

• Step 6

• Step 7.1

• Step 7.2 : 数据上传后NCBI会检查数据的质量

• Step 8

• Step 9 顺序没有关系，一般建议先填导师的，文章名字没有的话可以先填文章草稿的名字，因为基因号是唯一的只要放表的文章能链接到这里就行，或者建议自己再搞块地把数据上传到另外的地方以防数据混淆。

• Step 10 :提交之后的状态显示。

4、中间发生的一些小插曲（坑）

• 物种的分类问题

  前期我们做16S rRNA序列进化树发现，物种A跟物种B更近，因此就将其的物种分类定义为了物种B的属，结果发现序列上传至NCBI后，网站会用基因组做物种分类的鉴定，最后发现物种A原来是另外一个物种。NCBI对物种分类使用的方法是ANI值（平均核苷酸一致性）；

• 建议及解决方案

  1、用基因组序列进行单拷贝序列建树；

  2、经过第一步基因组建树后可以进行下一步的ANI值鉴定（一般阈值为95%的认为是同类型物种，需要收集其他同种同属或者亲缘比较接近的基因组序列进行比对）。

  ---

  参考

  seqkit官方教程文档

  基因组建树

走过路过不要错过，各位看官不要手下留情，请使劲点赞👍