一文尝试解决水稻参考基因组下载

昨天发了如何一步下载水稻泛基因组的contig序列，就有小伙伴在后台问我如何下载水稻最新版日本晴参考基因组序列。由于我主要是研究拟南芥(Arabidopsis thaliana)， 默认都是去TAIR上下载TAIR10的参考序列和注释信息，对水稻其实没有多大了解。但是，其实只要看看别人研究用的啥参考也就懂的差不多了。

Pan-genome analysis highlights the extent of genomic variation in cultivated and wild rice文章有一个部分叫做URL。

URL

从URL里面我发现了两个水稻的注释组织，RGAP和RAP,根据提供的链接我跳转到了如下两个网页。

RAP

RGAP

怎么说呢，这两个网站的风格总感觉相差了半个世纪。当然这不是重点，重点是找到数据下载的地方。下载的URL分别为:

http://rice.plantbiology.msu.edu/pub/data/Eukaryotic_Projects/o_sativa/annotation_dbs/pseudomolecules/

FTP

http://rapdb.dna.affrc.go.jp/download/irgsp1.html

HTTP

参考基因组选择

现在又有一个严峻的问题摆在我们眼前，不难发现RGAP和RAP都提供了多个版本的参考基因组下载，我们要下载谁呢？

首先根据Improvement of the Oryza sativa Nipponbare reference genome using next generation sequence and optical map data 可知，无论是RGAP还是RAP，两者最新版本是一致的，不存在冲突，所以可以大胆下载最新版。

当然我也分别下载IRGSP1.0和RGAP7的参考基因组序列。

wget http://rapdb.dna.affrc.go.jp/download/archive/irgsp1/IRGSP-1.0_genome.fasta.gz
unzip IRGSP-1.0_genome.fasta.gz
bioawk -c fastx '{print $1 "\t" length($seq)}' IRGSP-1.0_genome.fasta 
wget http://rice.plantbiology.msu.edu/pub/data/Eukaryotic_Projects/o_sativa/annotation_dbs/pseudomolecules/version_7.0/all.dir/all.chrs.con
bioawk -c fastx '{print $1 "\t" length($seq)}' all.chrs.con

大小相同

两者大小一摸一样，所以序列基本上是一致的，那么序列比对就不存在问题了。但是，请注意两个染色体序列的命名哦！chr01和chr1的区别说不定某一天就会坑你哦。

水稻泛基因组文章选择的是IRGAP4, 我同样也下载了序列，发现长度其实是不同。因此，需要下载对应的注释信息。

IRGAP4

基因命名问题

这个问题我在水稻如何做KEGG富集分析曾经说到过，也是让人难受的问题。尽管RAP和IRGSP目前用于注释的参考序列已经是一致的。但是两者的注释是不同的。否则也就没有必要来两个组织了。

尽管它们在对基因的定义上存在差异，但是两者在转录本上其实是非常一致的。毕竟CDS的序列转录出来后就摆在哪里，你还能拿他怎么样。

对gene注释不同

对转录本注视相同

对于几个基因的名字转换，用这个在线工具就行了

RAP-db

那如果你需要批量转换RAP和IRGSP的ID呢？那你可能需要下载这个http://rapdb.dna.affrc.go.jp/download/archive/RAP-MSU_2017-08-04.txt.gz，然后写一个脚本。

ID转换在线工具

当然，我们可能还会遇到其他奇奇怪怪的ID，感谢生信媛编辑群的小伙伴-李广伟师兄提供的一个把可以在线转换id，用基因名字编号查找发表的文献的网站

http://funricegenes.ncpgr.cn/

funricegenes

除了页面丑了点以外，没啥毛病。

如何下载批量下载泛基因组的67个contig

最近我一直在读重磅！！黄学辉等课题组水稻基因组复杂变异再登NG，因为是一篇信息量和数据量都很大的文章。尤其文章中还提供了66个品种水稻的contig的下载，我觉得应该还有很多东西可以继续挖下去。那么问题来了，如何一步就下载完所有的contig数据呢？

假设你有一个做生信的师弟，那就很简单了。只要说一句，“最近有一篇水稻泛基因组的文章，里面有很多数据，你帮我去下载一下吧”。是不是狠方便

嘿嘿嘿

但是，假设你就是那个刚开始搞生信的师弟，那你难不成还准备打开那个网站，一个一个点吧。还别说，一共也就67个链接，点起来也不需要10分钟的时间。

网页

当然，作为一个搞生信，有一点unix基础的人，肯定不会这样子搞。我们一般用一行命令就搞定了

wget -r 1 -np -nd -A *.fa.gz http://202.127.18.228/RicePanGenome/# -r 递归# -np 不要回到上一级# -nd 不要创建文件夹# -A *.fa.gz ： 只下载fa.gz结果的文件

飞一般的感觉

顺便放一下自己的知识星球，如果你觉得我对你有帮助的话。

知识星球