背景介紹
一句話介紹iSeq：
Download sequencing data and metadata from GSA, SRA, ENA, and DDBJ databases.
iSeq用于從GSA,SRA,ENA, 和DDBJ數(shù)據(jù)庫(kù)下載原始數(shù)據(jù)和元信息。
今天要介紹的工具叫iSeq，也是一個(gè)用來(lái)下載原始數(shù)據(jù)的工具。比較特別的是它可以訪問(wèn)到GSA。那么什么是GSA呢？
一句話介紹GSA：
國(guó)家基因組科學(xué)數(shù)據(jù)中心（
NGDC）的基因組序列歸檔庫(kù)（Genome Sequence Archive,GSA）是中國(guó)首個(gè)被國(guó)際期刊認(rèn)可的組學(xué)原始數(shù)據(jù)歸檔庫(kù)，旨在收集、存儲(chǔ)、管理和共享原始測(cè)序數(shù)據(jù)。相當(dāng)于中國(guó)版的NCBI
資源
- GitHub地址：
https://github.com/BioOmics/iSeq - 論文DOI號(hào)：
10.1093/bioinformatics/btae641 - 發(fā)表時(shí)間：
2024-10-24
工具還在活躍的開(kāi)發(fā)中，在我寫(xiě)這篇推文的2024-12-19時(shí)，4天前(2024-12-26)剛發(fā)布了v1.5.0版本。
安裝
conda就完事兒了
conda install iseq
當(dāng)前最新版Version 1.5.0
使用
基本使用詳解
基本的使用方式就是
iseq -i accession [options]
iSeq可以接受的登錄號(hào)有這些：
Accepted accession formats:
1.Projects: PRJEB, PRJNA, PRJDB, PRJC, GSE
2.Studies: ERP, DRP, SRP, CRA
3.BioSamples: SAMD, SAME, SAMN, SAMC
4.Samples: ERS, DRS, SRS, GSM
5.Experiments: ERX, DRX, SRX, CRX
6.Runs: ERR, DRR, SRR, CRR
看得出來(lái)各個(gè)層級(jí)和各個(gè)數(shù)據(jù)庫(kù)都是覆蓋了的。
場(chǎng)景1： 下載一整個(gè)BioProject
例如有的文章里會(huì)寫(xiě)到：
The raw CAGE sequencing data generated in this study have been submitted to the NCBI BioProject database (BioProject; https://www.ncbi.nlm.nih.gov/bioproject/) under accession number PRJNA483730.
那么就可以
iseq -i PRJNA483730 -g -t 8 -p 2
解釋一下參數(shù)。
-i是--input，必須要指定的參數(shù)-g是--gzip, 直接下載fastq.gz格式的文件，免去轉(zhuǎn)換的步驟-t是--threads, 指定用8個(gè)線程來(lái)下載-p是--parallel,可以并行的下載數(shù)據(jù)，而非串聯(lián)下載，這一步我設(shè)置成2，iSeq將會(huì)同時(shí)下載兩個(gè)文件，速度更快。這個(gè)功能是之前別的工具所不具備的，好評(píng)！
下載過(guò)程中會(huì)輸出兩個(gè)log文件，success.log和fail.log，記錄哪些文件下載完成或者失敗了。
場(chǎng)景2： 只獲取元信息
有的時(shí)候數(shù)據(jù)已經(jīng)下好了但是發(fā)現(xiàn)不知道分組之類的信息，那么可以加上``參數(shù)來(lái)只獲取元信息而非下載數(shù)據(jù)
iseq -i PRJNA483730 -m
輸出如下：
iseq -i PRJNA483730 -m
Note: PRJNA483730.metadata.tsv exists, skip downloading metadata for PRJNA483730
Note: You choose to skip downloading SRA files (-m used), only retrieve the metadata for each accession, see PRJNA483730.metadata.tsv
========================PRJNA483730 download finished========================
-
-m是--metadata，作用是去獲取數(shù)據(jù)庫(kù)中的數(shù)據(jù)元信息。
里面的內(nèi)容跟你去NCBI的run select（https://www.ncbi.nlm.nih.gov/Traces/study/）工具里查詢的結(jié)果是一致的。
當(dāng)然，你也可以用https://sra-explorer.info/來(lái)查詢。這個(gè)工具也很好用，是我日常使用率很高的工具。
場(chǎng)景3： 下載GSA數(shù)據(jù)庫(kù)的數(shù)據(jù)
既然iSeq支持下載GSA的數(shù)據(jù)，那咱們?cè)囋嚳窗伞?/p>
iseq -i PRJCA030030
如果后面什么參數(shù)都不加，默認(rèn)會(huì)存一個(gè)*.metadata.csv。文件，自動(dòng)下載一個(gè)csv格式的元信息的表格。
本來(lái)以為這個(gè)數(shù)據(jù)庫(kù)在國(guó)內(nèi)，在圣路易斯發(fā)送下載請(qǐng)求會(huì)比較慢，結(jié)果發(fā)現(xiàn)速度也不慢，能達(dá)到幾Mb到十幾Mb每秒的速度，完全OK。
File size: 2.45G Database: GSA Mode: ftp
CRR1295209_f1.fq.gz 13%[=> ] 346.55M 12.4MB/s eta 4m 4s
萌哥碎碎念
現(xiàn)在國(guó)內(nèi)的測(cè)序量遠(yuǎn)遠(yuǎn)超過(guò)任何一個(gè)西方國(guó)家，我們也有了自己的原始數(shù)據(jù)存放庫(kù)，大量的數(shù)據(jù)還是掌握在自己手里比較好。
之前還擔(dān)心下載國(guó)內(nèi)的數(shù)據(jù)的速度不行或者干脆無(wú)法下載（當(dāng)然，確實(shí)有一些數(shù)據(jù)是Non-downloadable的，比如我搜索的“water lily”，無(wú)法下載的數(shù)據(jù)有312,921條，能下載的有115,968條。但是這個(gè)哪兒都一樣，數(shù)據(jù)敏感程度不同。）嘗試了一下發(fā)現(xiàn)速度還不錯(cuò)，體驗(yàn)極佳。
總的來(lái)講iSeq體驗(yàn)不錯(cuò)，好用，特別是能下載SGA數(shù)據(jù)庫(kù)的數(shù)據(jù)是蠻不錯(cuò)的亮點(diǎn)，推薦給大家。
