会了GEO数据下载，来看看怎么上传吧

刘小泽写于2020.8.12

1 注册NCBI GEO账号

先注册NCBI账号，在：https://www.ncbi.nlm.nih.gov/

然后注册GEO账号，在：https://www.ncbi.nlm.nih.gov/geo/submitter/

GEO可上传的数据类型种类主要集中在芯片和高通量数据，比如芯片数据的四大主流：Affymetrix、Agilent、Nimblegen、Illumina，高通量的RNA-Seq、ChIP-Seq、ATAC-Seq等。另外还有RT-PCR、SAGE数据可以上传

2 提交高通量测序数据须知

重点需要提交三部分：

1. 实验总览（metadata spreadsheet）：参考样本 https://www.ncbi.nlm.nih.gov/geo/info/examples/seq_template.xlsx
2. 处理过后的数据（processed data files）：需要注意
   • 不可以提交中间过程的比对文件（如BAM、SAM、BED），但如果结果只有这样的比对文件，可以写信给他们询问是否合格
   • 一般来说，提交什么类型的数据取决于实验类型：
     • 表达量相关的数据：例如 genes, transcripts, exons, miRNA等表达量，需要原始表达矩阵 或 标准化后的表达矩阵（例如 Cufflinks, Cuffdiff, DESeq, edgeR的结果文件）。可以每个样本一个文件，也可以使用一整个表达矩阵，但需要包含全部基因和全部样本的信息（不可以只用差异基因）
     • ChIP-Seq数据：必须包含有关于peak丰度的文件（如WIG, bigWig, bedGraph）
   • 所有处理过的文件描述都必须体现在metadata文件中
   • 如果提交了WIG, bedGraph, GFF, GTF文件，格式需要参考： UCSC file format FAQ
3. 原始数据（raw data files）： GEO的原始数据也是会提交给SRA
   • 必须是包含reads、质量值的原始fastq格式，不符合要求的数据会直接从GEO系统中删除
   • 如果测序数据使用了barcode（例如10x Genomics, Drop-Seq, InDrops的数据），可以提交不经过拆分的multiplexed files；对于其他多路复用（Multiplexed）的数据来说，必须要先经过demultiplex操作，将样本分开
   • PE测序数据：一般每个run会产生两个数据（特殊情况下，每个run中的序列和质量值文件是分开的，也就是产生了4个文件）
   • MD5Sum：推荐使用MD5验证数据，方法是：
     • Unix: md5sum
     • OS X: md5
     • Windows: 需要用某些应用程序（如winmd5free，或者 Microsoft's File Checksum Integrity Verifier (FCIV) utility ）
   • 关于数据压缩：为了加快传输，可以适当将数据压缩，但不强求。可以使用gzip、bzip2（后缀是.gz或.bz2） ，但不要压缩二进制文件（如BAM、bigWig、bigBed），也不要上传ZIP文件

3 GEO接受的数据与不可接受的数据

GEO可接受的

基因表达、基因调控、表观以及其他功能基因组学研究，例如

• mRNA profiling, RNA-seq (example)
• small RNA profiling, miRNA-seq (example)
• ChIP-Seq (example)
• HiC-seq (example)
• methyl-seq, bisulfite-seq (example)

GEO不可接受的

• 需要权限访问的人类数据：可以提交给dbGaP and controlled access SRA

• 转录本组装：可以提交给 SRA 以及 Transcriptome Shotgun Assembly Database)

• 全基因组测序：可以提交给SRA and WGS

• 宏基因组测序：可以提交给SRA

• 重测序以及变异相关研究：可以提交给SRA 或 合适的 variation resource

• 全外显子数据：可以提交给SRA

4 重头戏-实验总览（metadata spreadsheet）

参考样本： https://www.ncbi.nlm.nih.gov/geo/info/examples/seq_template.xlsx

总共包含7大块

4.1 SERIES

与文章相关的内容

• 标题（title）
• 摘要（summary）
• 实验设计（overall design）
• 参与者（contributor）：可以写多个
• 附件（supplementary file）

4.2 SAMPLES

与样本信息相关的内容

• 样本编号（Sample name）
• 样本名称（title）
• 样本来源（source name）
• 物种（organism）
• 样本描述（characteristics: strain、tissue、age、genotype、cell line、treatment）
• 与该样本相关的文件（molecule、processed data file 、raw file）

4.3 PROTOCOLS

样本的实验操作以及建库流程，简单描述即可

4.4 DATA PROCESSING PIPELINE

数据处理描述，比如基因组版本是什么、怎么比对、怎么过滤、怎么找peaks、怎么定量

4.5 PROCESSED DATA FILES

数据处理后的文件名称

• file name
• file type：除了raw count数据，其余可以统一写成abundance measurements
• file checksum

4.6 RAW FILES

• 原始数据名称（file name）
• 文件类型（file type）：比如fastq
• md5校验（file checksum）
• 测序仪器型号（instrument model）
• 单端or双端（single or paired-end）

4.7 PAIRED-END EXPERIMENTS

如果使用了双端测序数据，需要列出各自的名称

• file name 1
• file name 2

5 准备工作结束后，可以开始上传

上面的实验总览（metadata spreadsheet）、处理过后的数据（processed data files）、**原始数据（raw data files） ** 都准备好，就可以开始准备上传了

学习如何使用FileZilla进行上传

首先会看到自己的上传目录，一会将用到

然后设置FileZilla：

• host (ftp-private.ncbi.nlm.nih.gov)
• username (geoftp)
• password (rebUzyi1)

此时会发生报错，忽略它

修改Remote site，然后回车连接：

最后就可以将本地数据上传到GEO指定位置了

Tips：为了避免FileZilla上传过程出现中断，可以设置断点续传

6 最后，提醒GEO数据上传完成

并且会提示再核实一遍信息，没有问题的话5个工作日内就会进行审核

Tips：补充

来自：https://www.ncbi.nlm.nih.gov/geo/info/submissionftp.html

• 在上传前，首先新建一个主目录，例如：geo_submission_august17 ，然后把所有的要传送的数据都放里面。如果paper中包含了多个组学数据（例如同时做了ChIP-Seq、RNA-Seq），可以在主目录下新建不同组学的子目录，例如：geo_submission_august17/ChIPseq

• 如果总文件大小超过了1T，需要提前联系GEO

• 对于Mac、PC用户，推荐使用客户端，如Filezilla；对于LINUX/UNIX用户，推荐使用ncftp、lftp命令

• GEO的FTP server登录：

  
  

• 登录后，一定要去到自己的上传目录下，再将主目录拖拽上传

• 最后通知GEO的时候，也要提醒他们自己上传的目录名字是什么【在数据传完之前，不要通知GEO】。如果不通知，两个星期后数据就会被删除

• 文件可以压缩为gz或bzip2【但二进制文件不能压缩】，也可以用tar打包，但千万不要用ZIP

• 文件名中只能存在：alphanumerals [A-Z, a-z, 0-9], underscores [_] and dots [.]

---

欢迎关注我们的公众号～_～　　
我们是两个农转生信的小硕，打造生信星球，想让它成为一个不拽术语、通俗易懂的生信知识平台。需要帮助或提出意见请后台留言或发送邮件到[email protected]

Welcome to our bioinfoplanet!