RNA-seq流程[基因组和注释文件下载]

有三大全文网站提供参考基因组下载，它们分别是：
1.NCBI （https://www.ncbi.nlm.nih.gov/grc）
2.UCSC (http://hgdownload.soe.ucsc.edu/downloads.html)
3.Ensemble （http://asia.ensembl.org/index.html?redirect=no）
4.GENCODE （https://www.gencodegenes.org/）

目前最常用的人和小鼠的参考基因组版本如下（Jimmy总结）：
|NCBI | UCSC| Ensemble|
|GRCh36 | hg18 | ENSEMBL release_52 |
|GRCh37 | hg19 | ENSEMBL release_59/61/64/68/69/75|
|GRCh38 | hg38 | ENSEMBL release_76/77/78/80/81/82|

NCBI
基因组文件
https://www.ncbi.nlm.nih.gov/genome/?term=human
注释文件
ftp://ftp.ncbi.nlm.nih.gov/genomes/
ftp://ftp.ncbi.nlm.nih.gov/genomes/Homo_sapiens/ARCHIVE/BUILD.37.3/GFF/ref_GRCh37.p5_top_level.gff3.gz (hg19)

UCSC
文件格式介绍
https://genome.ucsc.edu/FAQ/FAQformat.html
基因组
http://hgdownload.soe.ucsc.edu/downloads.html
选择对应的物种->Genome sequence files->选择chromFa.tar.gz/hg19.fa.gz+hg19.chrom.sizes

#如果是chromFa.tar.gz
tar -zvfx chromFa.tar.gz
cat *.fa > hg19.fa
rm chr*.fa
#如果是hg19.fa.gz
gzip -d hg19.fa.gz

注释文件
http://genome.ucsc.edu/cgi-bin/hgTables?
mammal->human->hg19->genes and gene prediction ->uscs genens ->knowgene->GTF->get output
genome选择物种，track可以选择UCSC或者NCBI，output format选择GTF格式

Ensemble
http://asia.ensembl.org/info/data/ftp/index.html
选择DNA下载基因组，选择Gene sets下载注释文件
注释文件（另一个渠道）
ftp://ftp.ensembl.org/pub/current_gtf
举例

wget ftp://ftp.ensembl.org/pub/current_gtf/homo_sapiens/Homo_sapiens.GRCh38.90.gtf.gz （hg38）
wget ftp://ftp.ensembl.org/pub/release-75/gtf/homo_sapiens/Homo_sapiens.GRCh37.75.gtf.gz （hg19）

GENCODE
https://www.gencodegenes.org/
可以下载人和鼠的各个版本的基因组和注释文件
举例
https://www.gencodegenes.org/human/release_29.html

hisat2的index文件获取

ftp://ftp.ccb.jhu.edu/pub/infphilo/hisat2/data/
http://ccb.jhu.edu/software/hisat2/index.shtml
#或者自行创建
#homo
hisat2_extract_exons.py gtf/Homo_sapiens.GRCh38.98.chr.gtf > index/homo.exons.gtf &
hisat2_extract_splice_sites.py gtf/Homo_sapiens.GRCh38.98.chr.gtf > index/homo.splice_sites.gtf &
hisat2-build -p 4 --ss index/homo.splice_sites.gtf --exon index/homo.exons.gtf genome/ensembl/Homo_sapiens.GRCh38.dna.toplevel.fa index/GRCh38_tran/genome &
#mus
hisat2_extract_exons.py gtf/Mus_musculus.GRCm38.98.chr.gtf > index/mus.exons.gtf &
hisat2_extract_splice_sites.py gtf/Mus_musculus.GRCm38.98.chr.gtf > index/mus.splice_sites.gtf &
hisat2-build -p 4 --ss index/mus.splice_sites.gtf --exon index/mus.exons.gtf genome/ensembl/Mus_musculus.GRCm38.dna.toplevel.fa index/GRCm38_tran/genome &

备注【下面一段话的链接地址丢了，如果看到请联系我，会在参考文献处添加】
GRCh37与GRCh38：有什么区别？
GRCh37和GRCh38都是Genome Reference Consortium（GRC）的人类基因组组装。GRCh38（也称为“build 38”）是在2009年GRCh37发布四年后发布的，因此它可以被视为一个版本，其中包含对早期版本的更新注释。
首先，GRCh38版本有三个更新：
修复错误的读数
包含模型着丝粒序列
添加备用基因座
除此之外，GRCh37中的一些错误组装区域已在GRCh38中重新投入使用。这是第一个具有着丝粒序列的人类参考基因组，取代了早期构建中的300万个缺口（即GRCh37）。包含着丝粒序列将开辟以前从未有过的新研究领域。
GRCh38还包括在早期版本中部分捕获的基因组序列。然而，基因组中仍然存在差距，新的技术和方法都有助于缩小差距，旨在最大限度地覆盖人类基因组。
我现在需要使用GRCh38重新分析我的数据吗？
如果您一直在使用GRCh37，则无需返回并重新分析数据。值得庆幸的是NCBI已经解决了这个问题。
NCBI的Genome Remapping Service将注释数据从GRCh37转换为GRCh38。有关此工具的更多详细信息，请单击此处。