玩转ENCODE项目的数据资源（一）

本系列主要内容

介绍ENCODE的数据概况，在data portal上查询数据，使用REST API批量下载数据，参照ENCODE官方数据处理流程构建自己的pipeline。同时介绍ENCODE项目培训课程（主要是数据分析）的资料。

这是一个包含四篇文章的小专栏，内容分别为：

1. 介绍ENCODE计划的数据体系（data model）
2. 批量下载ENCODE portal的数据（附示例代码）
3. 学习ENCODE的官方数据处理流程（pipeline）（附代码仓库列表）
4. ENCODE项目数据分析培训课程的资源（附下载链接）

本篇主要内容

通过介绍ENCODE计划的数据概况，你可以了解这个项目产生了什么数据，以及这些数据对你有没有价值。

一句话介绍ENCODE计划

ENCODE的目标是定义人类基因组中所有发挥“功能”的DNA元件，并研究这些元件与蛋白和RNA之间的相互作用如何调控细胞的转录活动。第一阶段于2003年由NIH开启，最新一期的ENCODE Phase 4从2017年2月开始实施，资助总金额达到3200万美元，基本上确立了未来五年世界范围内基因组学的前沿研究方向。

为什么要启动Phase 4

引用自National Human Genome Research Institute (NHGRI)：

Although much progress has been made over the past decade, these catalogs are incomplete. The purpose of this FOA is to solicit applications for research projects to apply state-of-the-art, high-throughput and cost-effective data generation pipelines to develop an expanded catalog of candidate functional elements in the human and mouse genomes.

Phase 4的重点研究方向请查看：https://www.encodeproject.org/data/annotations/

ENCODE的数据调度中心 Data Coordination Center (DCC)

ENCODE作为周期长，经费多，参与者众多的合作项目，当然要设立超大型数据中心 Data Coordination Center (DCC)，把每个数据摆放在合适的位置，让用户方便的查询下载数据。其中Phase 1-3的DCC在UCSC，到了Phase 4，DCC搬到了Standford University。DCC的任务包括和Data Analysis Center (DAC) 合作定义数据模型 (data model)，并将数据存储在数据库里（data portal)，分享给全世界的研究人员。

ENCODE 生物样本（biosample）的多样性

• ENCODE的bioample按照种类分为immortalised cell line (GM12878, K562等), tissue (liver, lung等), whole organisms, primary cell (bone marrow cell等)和stem cell (H1-ESC等), in vitro differentiated cells (neutron cell)等等。
• 按照在ENCODE里的重要性分为tier1，tier2和其他。Tier1的细胞系（GM12878，H1-ESC和K562）拥有最高的优先性，配套的数据也最多。详细请查看https://www.encodeproject.org/search/?type=Biosample

ENCODE Assay的多样性

• ENCODE phase 2起包括：ChIP-seq, DNase I Hypersensitivity, RNA-seq和DNA methylation等
• ENCODE phase 3和4陆续增加了包括ATAC-Seq, ChIA-PET, Hi-C, eCLIP-Seq等

完整列表请参考：https://www.encodeproject.org/profiles/experiment.json

ENCODE的数据模型 (data model)

在一次实验（Experiment）中，会有生物学和技术性重复（Biological and Technical Replicate），制备的文库（Library）以及来源的生物学样本（Biosample）。它们都是不同类型的对象（object），对应着自己的metadata，比如Experiment对应的metadata包括：实验日期，文库制备流程（protocol），操作人和测序仪器等，完整版请查看：https://www.encodeproject.org/profiles/experiment.json。一些重要的object拥有自己独一无二的标示（accession number），以ENCXX开头。请看图：

图片来自https://www.encodeproject.org/help/getting-started/

图片来自https://www.encodeproject.org/help/getting-started/

这些objects以及metadata组成的关系网络称作 Data model。完整版data model和metadata请查看：https://github.com/ENCODE-DCC/encoded/blob/master/src/encoded/schemas/biosample.json

有了metadata，产生数据的实验室（Mapping Center）就有了一套规则描述自己产生的每一个数据，用户也可以轻易的搜索到自己所需的数据。

结语

ENCODE在产生，管理，可视化数据以及数据流程的标准化，研究的可重复性上积累了大量经验，翻阅一下相关论文，逛一下代码仓库都会有收获。

下一节主要介绍使用data portal，通过metadata搜索数据，以及批量下载数据（附示例代码）。

参考资料

ENCODE portal官网：https://www.encodeproject.org

ENCODE DCC Github仓库地址：https://github.com/ENCODE-DCC

ENCODE Phase 4 Funding申请页面： https://grants.nih.gov/grants/guide/rfa-files/RFA-HG-16-002.html#_Section_I._Funding

ENCODE Wikipedia页面：https://en.wikipedia.org/wiki/ENCODE