ncbi下载数据sra和转换fastq流程

 

https://www.cnblogs.com/chenpeng1024/p/9166988.html

 

nohup prefetch --option-file SRR_Acc_List.txt &

$ wget -i filename.txt
此命令常用于批量下载的情形，把所有需要下载文件的地址放到 filename.txt 中，然后 wget 就会自动为你下载所有文件了。

$ wget -c http://example.com/really-big-file.iso
这里所指定的 -c 选项的作用为断点续传。

实践证明，wget下载sra数据是有风险的！！！中间有断点的话会造成数据不完整，以防万一，一定要加上自动断点续传参数-c！
ftp='ftp://ftp.ncbi.nlm.nih.gov/sra/sra-instant/reads/ByRun/sra/SRR'

mkdir sra  # make a output directory
cat SRR_Acc_List.txt |  while read i
do
       SRR=$(echo ${i:0:6}) 
       wget -c -t 0 -P ./sra ${ftp}/${SRR}/${i}/*
done
参数说明：
-c 自动断点续传，一定要加！否则数据会有不完整的情况
-t 配合-c参数，设置为0表示连接失败后无限次重新尝试，直到成功为止
-P 表示把数据下载到指定文件夹下

cat SRR_Acc_List.txt |  while read i
do
     SRR=$(echo ${i:0:6}) ##输出前6个字段
     wget -c -t 0 -P ./sra ${ftp}/${SRR}/${i}/*
done

 

##ncbi的fastq文件  连接没有规律

https://storage.googleapis.com/sra-pub-src-3/SRR8445201/1449F5-1_171117_NB501735_0063_AHT3CVBGX3_ACAGTG-NoIndex_L000_R1_001.fastq.gz
https://storage.googleapis.com/sra-pub-src-3/SRR8445201/1449F5-1_171117_NB501735_0063_AHT3CVBGX3_ACAGTG-NoIndex_L000_R2_001.fastq.gz

https://storage.googleapis.com/sra-pub-src-3/SRR8445205/1545F3-2_180306_NB501735_0084_AHLJ3MBGX5_ACAGTG-NoIndex_L000_R1_001.fastq.gz
https://storage.googleapis.com/sra-pub-src-3/SRR8445205/1545F3-2_180306_NB501735_0084_AHLJ3MBGX5_ACAGTG-NoIndex_L000_R2_001.fastq.gz

https://storage.googleapis.com/sra-pub-src-3/SRR8445206/1545F3-3_180307_NB501735_0085_AHLJ3WBGX5_ACAGTG-NoIndex_L000_R1_001.fastq.gz
https://storage.googleapis.com/sra-pub-src-3/SRR8445206/1545F3-3_180307_NB501735_0085_AHLJ3WBGX5_ACAGTG-NoIndex_L000_R2_001.fastq.gz

#########################################

 

使用如下命令批量下载 (放入后台不中断下载：nohup cmd &)：

nohup prefetch -O . $( Note:

1. aspera在下载其他数据库（如EBI）的数据时，仍然是十分不错的工具

2. 下载完之后，可以用如下命令批量解压：

for f in *.sra
do
nohup fastq-dump --split-3 $f &
done
--split-3
也就是说如果SRA文件中只有一个文件，那么这个参数就会被忽略。如果原文件中有两个文件，那么它就会把成对的文件按*_1.fastq，*_2.fastq这样分开。如果还出现了第三个文件，就意味着这个文件本身是未成配对的部分。可能是当初提交的时候因为事先过滤过了一下，所以有一部分数据被删除了。
1
ls *.sra|while read id;do(fastq-dump --split-3 $id);done
我们的数据是Illumina的双端测序，所以用fastq-dump --split-3命令来把sra格式数据转换为fastq。https://www.cnblogs.com/freescience/archive/2017/08/08/7277620.html

文件下载完成后放在了home目录下的ncbi/public/sra 文件夹里，可以看到新建了一个SRR824846.sra 文件。在转换文件格式前要清楚sra文件的数据类型，在下载时就能看到其为“paired-end”测序结果。二代测序主要有单端测序和双端测序两种方式，具体内容见：https://vip.biotrainee.com/d/127-paired-end-reads ，以及http://www.bio-info-trainee.com/298.html 。 
使用fastq-dump拆分PE文件时有两种常用的参数，--split-files 和--split-3 ，很奇怪，查到以下解释：

–split-spot: 将双端测序分为两份,但是都放在同一个文件中 
–split-files: 将双端测序分为两份,放在不同的文件,但是对于一方有而一方没有的reads直接丢弃 
–split-3 : 将双端测序分为两份,放在不同的文件,但是对于一方有而一方没有的reads会单独放在一个文件夹里

作者：hoptop 
链接：https://www.jianshu.com/p/a8d70b66794c

cd ~/ncbi/public/sra/   #将拆分文件放在sra文件夹里
fastq-dump --split-3 SRR824846   #将双端测序文件拆分为两个reads

不过在上一步可以加上-gzip 命令，输出gz的压缩格式，好处是可以节省空间，而且比对软件一般都支持。（参考hoptop的文章：https://www.jianshu.com/p/a8d70b66794c）

使用NCBI提供的SRA-toolkit中的工具fastq-dump直接下载SRR文件，并转换为FASTQ格式，--split-3参数表示如果是双端测序就自动拆分，如果是单端不受影响。--gzip转换fastq为压缩文件，节省空间。

具体步骤
【1】SRA文件转换成fastq文件
-----单个文件转换

fastq-dump --gzip --split-3 -O outputdir -A file1.sra
-----多个文件批量转换

复制代码
# 1、编写一个脚本  sra_to_fq.sh
for I in `seq 56 62`
do
    fastq-dump --gzip –split-3 -O ./fastq/ -A SRR35899${I}.sra
done

# --split-3：如果是双端测序数据，则输出两个文件，如果不是则只输出一个文件
# --gzip：输出格式为gzip的压缩文件（fastqc软件可以直接识别gzip压缩的文件）
# -A：accession序列号，输入的文件
# -O：outdir输出文件夹，指定输出路径

# 2、运行脚本
bash sra_to_fq.sh
复制代码
 

【2】QC（测序质量分析）：多个文件批量进行
$ fastqc  -q  -t  4  -o  ./fastqc_result/  *.fastq.gz  &
# -t 8：调用8个核心
# -q ：安静运行，在运行过程中不会生成报告，只会在结束时将报告生成一个文件
# -o ../FastQC_result.raw/ ：文件输出位置，输出到当前文件夹下的FastQC_result 子目录中
# *. fq.gz：，输入文件：当前目录下所有名字中有“  .fq.gz  ”的文件
 

【3】查看QC结果
1、单个查看：鼠标双击打开html文件查看

2、批量查看：使用 moltiqc软件: moltiqc  *fastqc.zip

Fastqc结果报告关注重点：

  1）.basic statistics

  2）.per base sequence quality

  3）.per base sequcence content

  4）.adaptor content

  5）.sequence duplication levels

主要的几个指标是GC含量，Q20和Q30的比例以及是否存在接头（adaptor）、index以及其他物种序列的污染等。

 

质控软件：

   测序数据去掉接头：cutadapt

   删掉测序质量差的reads：fastx_trimmer