GEO的SRA|fastq下载

GEO的各种英文缩写

GPL GEO Platform 平台
GSE GEO Series
SRA-----Sequence Read Archive

存档来自高通量测序平台的原始测序数据和比对信息，包括Roche 454GSSystem®，Illumina GenomeAnalyzer®，Applied BiosystemsSOLiDSystem®，HelicosHeliscope®，CompleteGenomics®和PacificBiosciencesSMRT®。

SRA - SRA submission accession
SRP - SRA study accession
SRX - SRA experiments accession
SRR - SRA run accession
SRS - SRA sample accession
SRZ - SRA analysis accession

下机数据分析常规流程

image.png

安装aspera

####aspera支持NCBI断点续传，同样可以提高下载速度？
wget -c https://download.asperasoft.com/download/sw/connect/3.8.1/ibm-aspera-connect-3.8.1.161274-linux-g2.12-64.tar.gz
tar zxvf ibm-aspera-connect-3.8.1.161274-linux-g2.12-64.tar.gz
cd /home/xjqi/.aspera/connect/bin
./ascp --help

数据下载

可以下载sra文件或fastq文件
sra文件为fastq.z又经压缩后的内容
用prefetch命令下载文件会直接调用ascp（添加到环境变量后，这里我还没搞通透）
我们需要的信息中的变量其实是GSEXXXXXX，根据链接格式进行更改

EBI数据库下载fastq.gz 列表----

fastq.gz文件. https://www.ebi.ac.uk/ena/data/search?query=GSE111229

image.png
image.png
image.png

GEO下载sra文件列表----

sra文件. https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE111229

image.png
image.png
image.png

####PRJNA436229.txt为fastq.gz的列表，prefetch.txt为SRR的list，是我们需要下载内容的名称列表
cat PRJNA436229.txt |grep 'gz'|cut -f 10|head -n 2|while read line;do wget $line;done
cat prefetch.txt |while read id;do prefetch $id -O ~/;done
####可以看到下载下来的文件有很多NC、KC、DQ开头的，看了一下是二进制文件，但具体什么情况，尚不了解。

image.png

SRR转为fastq数据

####Single-end 43 bp long reads were aligned at ESCG to mm10 mouse genome.这是数据搜索时看到的测序策略描述。
####single end和mate pair（pair end）数据转换时参数是不同的？
fastq-dump --gzip -O ./ ./SRR1039508.sra