SRA數(shù)據(jù)庫架構(gòu)及二代測序數(shù)據(jù)共享

李瑞華，田國祥，郭曉娟，李豹，張軍，呂軍,5

以454測序技術(shù)、Solexa基因組分析技術(shù)、SOLiD測序技術(shù)及Thermo Sciences/Ion Torrent半導(dǎo)體芯片測序技術(shù)為主流的二代測序技術(shù)的出現(xiàn)意味著高通量測序的實(shí)現(xiàn)[1,2]，人類進(jìn)行一系列基因組水平的研究被帶入了一個(gè)更高層次。大規(guī)模的基因組研究和高通量測序技術(shù)的不斷發(fā)展,使生物數(shù)據(jù)面臨井噴式增長[3]，由于二代測序技術(shù)可同時(shí)對(duì)大量短片段測序，這些海量測序數(shù)據(jù)將具極其復(fù)雜性及高通量性，使得存儲(chǔ)傳統(tǒng)測序數(shù)據(jù)的一些數(shù)據(jù)庫如Trace Archives數(shù)據(jù)庫等不能適應(yīng)新的測序結(jié)果。鑒于此，在2007年底，NCBI（National Center for Biotechnology Information）推出SRA數(shù)據(jù)庫，主要用來儲(chǔ)存、顯示、下載、分析及共享二代測序數(shù)據(jù)。SRA數(shù)據(jù)庫建立伊始，名為Short Read Archive，后來改為Sequence Read Archive[4]。SRA建立至今，各項(xiàng)測序數(shù)據(jù)數(shù)量急劇上升（圖1），目前已成為美國國立衛(wèi)生研究院（NIH）存儲(chǔ)二代測序數(shù)據(jù)的主要數(shù)據(jù)庫[5]，同時(shí)是國際核苷序列聯(lián)合數(shù)據(jù)庫（INSDC）的一部分，可與歐洲生物信息學(xué)中心（EBI）和日本DNA數(shù)據(jù)庫（DDBJ）之間進(jìn)行數(shù)據(jù)共享。

圖1 SRA數(shù)據(jù)庫收錄數(shù)據(jù)增長曲線

1 SRA數(shù)據(jù)庫的數(shù)據(jù)組織架構(gòu)

1.1 Meta數(shù)據(jù)指與測序?qū)嶒?yàn)及其實(shí)驗(yàn)樣品相關(guān)的數(shù)據(jù)，如實(shí)驗(yàn)?zāi)康?、?shí)驗(yàn)設(shè)計(jì)、測序平臺(tái)、樣本數(shù)據(jù)等等，Meta數(shù)據(jù)又包含以下層次：

①S t u d y——研究課題 s t u d y 的檢索號(hào)（accession number）以前綴DRP，ERP或SRP開頭。study是就實(shí)驗(yàn)?zāi)繕?biāo)而言的，一個(gè)study包含一個(gè)或多個(gè)experiment。

②Sample——樣本信息 sample的檢索號(hào)以前綴DRS，ERS或SRS開頭。sample可以包括物種信息、菌株（品系）信息、家系信息、表型數(shù)據(jù)、臨床數(shù)據(jù)，組織類型等。

③Experiment——實(shí)驗(yàn)信息 experiment的檢索號(hào)以前綴DRX，ERX或SRX開頭。experiment是SRA數(shù)據(jù)庫的最基本單元，對(duì)一個(gè)或多個(gè)樣本進(jìn)行測序，產(chǎn)生的測序數(shù)據(jù)以runs的形式存儲(chǔ)于SRA[4]。大多數(shù)描述性信息都是在SRA experiment級(jí)別捕獲的，并將顯示在公共記錄中，提交者須為每個(gè)experiment提供清晰且信息豐富的標(biāo)題和說明。

1.2 序列數(shù)據(jù)包括序列及其質(zhì)量信息等，在SRA數(shù)據(jù)庫中以run為單元存儲(chǔ)。run的檢索號(hào)以前綴DRR，ERR或SRR開頭。一個(gè)實(shí)驗(yàn)可以包含一個(gè)或多個(gè)run。

2 SRA數(shù)據(jù)庫的基本使用

進(jìn)入SRA數(shù)據(jù)庫官網(wǎng)：https://www.ncbi.nlm.nih.gov/sra，點(diǎn)擊SRA Toolkit Documentation（圖2）。

在SRA Toolkit Documentation頁面選擇SRA Toolkit Installation and Configuration Guide（圖3），打開提供的下載鏈接（圖4），找到與電腦操作系統(tǒng)相對(duì)應(yīng)的下載工具安裝包（圖5），進(jìn)行SRA Toolkit下載，下載成功后將壓縮包解壓，解壓后可見一bin文件夾，各種測序下載工具和多種的數(shù)據(jù)格式轉(zhuǎn)換工具即在該文件夾內(nèi)，其中“prefetch”是常用的數(shù)據(jù)下載工具，“fastqdump”是常用的fastq格式轉(zhuǎn)換工具（圖6）。

在S R A 數(shù)據(jù)庫首頁搜索框內(nèi)輸入相關(guān)研究，可以是疾病名稱或者序列數(shù)據(jù)等（本文以“肺癌lung cancer”為例），或點(diǎn)擊搜索框下的“advanced”進(jìn)入高級(jí)檢索界面，通過限定詞進(jìn)行更精確的檢索（圖7），SRA提供了“OR、AND、NOT”即“或與非”幾個(gè)操作以達(dá)到更精確方便的查找。

通過在SRA數(shù)據(jù)庫搜索“l(fā)ung cancer”，結(jié)果顯示目前有17 714個(gè)數(shù)據(jù)集，每個(gè)數(shù)據(jù)集鏈接下均提供相應(yīng)的SRA ID，界面右側(cè)還顯示對(duì)應(yīng)物種的數(shù)據(jù)集個(gè)數(shù)（圖8），點(diǎn)擊每一個(gè)數(shù)據(jù)集鏈接均可進(jìn)入相應(yīng)詳細(xì)信息界面。

選擇打開任一個(gè)數(shù)據(jù)集鏈接，即可得到其詳細(xì)信息界面，以第一個(gè)數(shù)據(jù)集為例，打開后顯示該數(shù)據(jù)集不同層次數(shù)據(jù)的項(xiàng)目編碼（圖9）。點(diǎn)擊study項(xiàng)目編碼，得到該study的詳細(xì)信息（圖10），顯示這個(gè)研究的實(shí)驗(yàn)數(shù)、run數(shù)及數(shù)據(jù)量，本例中study包含15個(gè)experiments和15個(gè)runs。

圖2 SRA數(shù)據(jù)庫官方網(wǎng)站首頁

圖3 SRA Toolkit Documentation頁面

圖4 SRA Toolkit下載鏈接

圖5 下載SRA Toolkit安裝包

圖6 SRA Toolkit內(nèi)bin文件夾下各項(xiàng)工具

圖7 SRA數(shù)據(jù)庫首頁進(jìn)行檢索

圖8 搜索研究疾病所得數(shù)據(jù)集

圖9 數(shù)據(jù)集詳細(xì)信息

圖10 study詳細(xì)信息

分別點(diǎn)擊圖9中All experiments及All runs（或點(diǎn)擊圖10中顯示的實(shí)驗(yàn)數(shù)15及run數(shù)15），可依次得到experiments及runs的詳細(xì)信息（圖11～12）。

圖11 experiments的詳細(xì)信息

圖12 runs的詳細(xì)信息

圖13 下載安裝aspera connect

3 SRA數(shù)據(jù)庫序列數(shù)據(jù)下載

從SRA數(shù)據(jù)庫下載高通量的序列數(shù)據(jù)，可直接在SRA數(shù)據(jù)庫網(wǎng)頁下載或者利用上文提到的SRA Toolkit下載，但兩種方法均耗時(shí)過長，此時(shí)可采用一種大數(shù)據(jù)下載工具Aspera。首先下載Aspera：到Aspera網(wǎng)站（https://downloads.asperasoft.com/en/downloads/8?list）下載操作系統(tǒng)對(duì)應(yīng)的aspera connect，進(jìn)行安裝（圖13）。

安裝完成后，將其安裝路徑下的bin目錄添加到環(huán)境變量中，具體步驟是：首先復(fù)制該文件所在的路徑，打開控制面板→“系統(tǒng)”（或系統(tǒng)與安全）→“高級(jí)系統(tǒng)設(shè)置”，點(diǎn)擊右下角的“環(huán)境變量”，在“環(huán)境變量”界面“系統(tǒng)變量”中選擇“Path”，點(diǎn)擊編輯，將所復(fù)制路徑粘貼到變量值后方，注意路徑之間要用分號(hào)隔開，點(diǎn)擊全部的“確定”鍵保存，環(huán)境變量即設(shè)置成功。

打開計(jì)算機(jī)命令提示符（方法有很多，這里介紹一種：按“win+r”鍵打開運(yùn)行面板，輸入“cmd”，點(diǎn)擊“確定”），使用下方命令進(jìn)行下載所需數(shù)據(jù)：

ascp -v -k 1 -T -l 200m -i "C:UsersAdministratorAppDataLocalProgramsAsperaAspera Connectetcasperaweb_id_dsa.putty"dbtest@sra-download.ncbi.nlm.nih.gov:data/sracloud/traces/dra2/DRR/000001/DRR001472 ./

上述命令中C:UsersAdministratorAppDataLocalProgramsAsperaAspera Connect是aspera connect的安裝路徑，traces/dra2/DRR/000001/DRR001472是所需數(shù)據(jù)的路徑，可根據(jù)實(shí)際需要進(jìn)行更改，本文以“DRR001472”為例進(jìn)行介紹，路徑獲取方式如下圖（圖14）（直接在圖14中點(diǎn)擊右下方紅色框內(nèi)鏈接也可直接下載，但下載速度常較慢）。運(yùn)行上述命令即可得到DRR001472數(shù)據(jù)文件（圖15）。

4 將原始數(shù)據(jù)轉(zhuǎn)換為fastq格式

由于適用于大部分生物軟件的是fastq格式數(shù)據(jù)，所以我們需要將下載的原始數(shù)據(jù)轉(zhuǎn)換為fastq格式。具體方法是：打開命令運(yùn)行界面，輸入以下內(nèi)容并運(yùn)行：fastq-dump DRR001472，即可進(jìn)行格式轉(zhuǎn)換（圖16），轉(zhuǎn)換完成后，fastq格式數(shù)據(jù)存在于原始數(shù)據(jù)相同目錄下（圖17）。

圖14 DRR001472下載路徑獲取

圖15 DRR001472序列下載成功

圖16 fastq格式數(shù)據(jù)轉(zhuǎn)換

圖17 fastq格式數(shù)據(jù)轉(zhuǎn)換

5 總結(jié)

隨著大數(shù)據(jù)時(shí)代降臨,呈爆炸式井噴式激增的海量數(shù)據(jù)資源在各個(gè)領(lǐng)域開始量化進(jìn)程[6]。數(shù)據(jù)的可再利用性、數(shù)據(jù)共享政策正引起全球普遍重視[7]。SRA數(shù)據(jù)庫作為存儲(chǔ)二代測序原始數(shù)據(jù)的代表性數(shù)據(jù)庫，接受來自各種測序項(xiàng)目數(shù)據(jù)[8]，對(duì)于廣大生物信息學(xué)研究者提供了極具前景及研究價(jià)值的生物分析平臺(tái)。本文從SRA數(shù)據(jù)庫架構(gòu)、數(shù)據(jù)下載及數(shù)據(jù)格式轉(zhuǎn)換方面等進(jìn)行相關(guān)介紹, 旨在減少科研工作者在數(shù)據(jù)獲取、軟件使用方面所花費(fèi)的時(shí)間和精力，提高科研效率。