GEO数据挖掘-数据下载

断断续续学习生物信息也有一段时间了，因为做实验的缘故没办法系统学习，只能看大家的帖子一点点补充。俗话说的好，好记性不如烂笔头，为方便记忆，我就将每天用到的生信知识记录下来，加油！

GEO（Gene Expression Omnibus Database),是由NCBI开发和维护的一个公共数据库。储存有基因芯片数据，新一代测序数据以及其他形式的高通量功能基因组数据。详细参考菜鸟青盐：https://www.jianshu.com/p/5d0e52e7dcc5 ，https://www.jianshu.com/p/c75ca14a43e7 以及生信菜鸟团：http://www.bio-info-trainee.com/1835.html

简单概括如下：

1. 网址：https://www.ncbi.nlm.nih.gov/geo/

2. GEO数据库包含数据内容：

*GEO Platform(GPL) 测序平台

*GEO Sample（GSM）样本ID号

*GEO Series（GSE） study的ID号

*GEO Datasets(GDS) 数据集的ID号

*常用GSE 进行数据查询和下载一次实验的结果。

SRA（Sequence ReadArchive）数据库是NCBI用于存储二代测序的原始数据，包括 454，Illumina，SOLiD，IonTorrent等。我们经常会看到文献中给出数据名字为SRA然后后面接一些数字。我们根据这个SRA的ID就可以进行下载了，然后进行数据的分析，重复文献的分析内容。参照博文https://www.jianshu.com/p/d1abdced8bcd

===================================================================

我今天要找的是Reduced diploidization and survival improvement of semi-cloned mice produced from androgenetic haploid embryonic stem cells这篇文章的RNA-seq数据，GSE99588

在geo数据库中输入GSE99588，进入网页

image

image

我想下载的是原始测序数据，所以找到左下角的SRA run selector, 点击进入

image

点击Total那一行的Accession List, 获得本研究所有样品的SRA ID

image

利用sratookit下载数据，具体 sratoolkit 下载及安装使用参照文章https://www.jianshu.com/p/d1abdced8bcd

我的操作：

1. 下载sratoolkit

wget  https://ftp-trace.ncbi.nlm.nih.gov/sra/sdk/2.9.2/sratoolkit.2.9.2-centos_linux64.tar.gz --no-check-certificate

2. 解压安装

tar xzvf sratoolkit.2.9.2-centos_linux64.tar.gz

3. 添加到环境变量 ，代码如下

echo 'export PATH="/YOUR PATH/sratoolkit.2.9.2-centos_linux64/bin:$PATH"' >> ~/.bashrc

source ~/.bashrc ##使变量生效

4. 下载原始测序数据

prefetch --option-file SRR_Acc_List.txt -O /YOUR DIR/GSE95588/
## --option-file后面跟的是刚刚下载的SRR id文件， -O 后面是指定的下载输出文件夹（我自己新建的，方便找下载文件）

5.使用 fasterq-dump 解压sra文件

用fasterq-dump的原因参照https://www.jianshu.com/p/5c97a34cc1ad博文，我写了个简单的for循环，sh运行批量处理。

image

==================================================================