首页 > 数据库 >单细胞测序最好的教程(十四)测序原始数据公开至NCBI数据库

单细胞测序最好的教程(十四)测序原始数据公开至NCBI数据库

时间:2024-06-20 14:32:46浏览次数:27  
标签:fq NCBI 文件 上传 测序 gz GEO 原始数据

作者按

国内对于单细胞测序相关的中文教程确实不够全面,当然NCBI官网给的上传教程也比较详细了,所以变成了会者不难。本教程你现在可能用不上,但是你如果做单细胞测序,那么未来你一定会用上,建议收藏

在这里,我们将演示如何将测序文件完整上传到NCBI上。本教程首发于单细胞最好的中文教程,未经授权许可,禁止转载。

全文字数|预计阅读时间: 3500|5min

——星夜老师

1. 注册NCBI账户

我们首先打开SRA的上传官网:https://submit.ncbi.nlm.nih.gov/subs/sra/,注册一个账户

注意

不能使用163,qq邮箱之类的,可能会收不到邮件

2. 新建SRA提交

2.1 选择Biosample

我们首先需要准备biosample,这个是需要ncbi官网审核的,每一个biosample代表了一个真实的样本。

2.2 填写信息

一般来说,我们可以指定一个数据的释放日期,我估计一年的时间论文应该能发出去,所以设置到了明年同一时间。

下拉选择人类资源Human

在这里,我们选择文件上传的方式进行填写

文件大概长这个样,绿色是必填项,黄色是可选项,你也可以添加自己的属性。不过需要注意的是,对于不同的sample_name,后面的属性不能完全一致,即使是同一种病,建议把病人来源标上,这样就能不重复了。

我们提交后出现这个页面,等待管理员审核即可。

3. 上传fastq

3.1 biosample获取

经过三天的等待,我们的fastq的上传审核终于完成了

我们点击manage data发现多了30个biosample可以进行上传,这里的Accession就是我们的biosample的id,每个样本唯一。

3.2 上传SRA数据

我们点击上一个页面的Sequence Read Archive,准备上传fastq

由于我的数据在服务器上,所以我们选择命令行上传

点击Request preload folder,ncbi提供了详细的上传教程

3.3 ascp环境安装

直接使用conda安装ascp,避免各种无意义的不兼容与报错。因为ascp的安装需要特定的glibc版本。

conda create -n ascp python=3.8
conda activate ascp
conda install -c hcc aspera-cli -y
ascp -h #检查安装

准备好ascp环境后,我们选择开始构建SRA项目

3.4 SRA上传内容填写

构建的过程比较简单,我们需要输入每一列所对应的信息即可,这里提供一个例子

biosample_accession library_ID title [library_strategy](#'Library and Platform terms'!A2) [library_source](#'Library and Platform terms'!A27) [library_selection](#'Library and Platform terms'!A36) library_layout [platform](#'Library and Platform terms'!A66) instrument_model design_description filetype filename filename2 filename3 filename4 filename5 filename6 filename7 filename8 assembly fasta_file
SAMN36786*** Name RNA-seq of Homo sapiens: Decidua RNA-Seq TRANSCRIPTOMIC SINGLE CELL RANDOM paired ILLUMINA Illumina NovaSeq 6000 Single cell 10X fastq ***_1_1_R1.fq.gz ***_1_1_R2.fq.gz ***_2_1_R1.fq.gz ***_2_1_R2.fq.gz ***_3_1_R1.fq.gz ***_3_1_R2.fq.gz ***_4_1_R1.fq.gz ***_4_1_R2.fq.gz

其中,你下载的excel里面有很多是可以选的,所以我加粗的才是需要自己填写而不法选择的。

  • biosample_accession: 生物样本访问号
  • library_ID: 库ID,这个是独一无二的,需要自己想好用什么ID存在SRA数据库
  • title: 数据标题,这个标题就任意,但是一般规则是RNA-seq of 物种:组织
  • library_strategy: 库构建策略,这里一般是RNA-seq
  • library_source: 数据来源库,这里一般是TRANSCRIPTOMIC SINGLE CELL
  • library_selection: 库选择方式,这里一般是RANDOM
  • library_layout: 库布局,我这里是双端测序,所以写paired
  • platform: 测序平台,我从测序公司给的文件里找到了Illumina
  • instrument_model: 仪器模型,我从测序公司给的文件里找到了Illumina NovaSeq 6000
  • design_description: 设计描述,我们是单细胞测序所以是Single cell 10X
  • filetype: 文件类型,我们上传的文件类型,这里一般都是fastq
  • filename: 文件名(第1个文件)一般一个单细胞文库最大是8个文件,双端测序的话最小是2个文件,大部分都是两个文件,取决于测序公司给你的结果。
  • filename2: 文件名(第2个文件)
  • filename3: 文件名(第3个文件)
  • filename4: 文件名(第4个文件)
  • filename5: 文件名(第5个文件)
  • filename6: 文件名(第6个文件)
  • filename7: 文件名(第7个文件)
  • filename8: 文件名(第8个文件)

3.5 上传本地fastq

填好这个表后,我们点击continue,进入文件上传页面,跨洲际上传,这里只介绍ascp,以下命令是从官网复制的,切记不可照抄

ascp -i /mnt/home/zehuazeng/ncbi/aspera.openssh -QT -l100m -k1 -d /mnt/home/zehuazeng/media/207D/origData [email protected]:uploads/starlitnightly_163.com_***

这里需要修改的只有-i和-d两个参数,注意是绝对路径

  • -i: openssh文件路径,这个是在上传页面有一个超链接可以下载
  • -d: 需要上传的文件夹,里面只需要包含你要传的fq文件即可,文件名与前面填的filename1-8一致。

由于网络波动,所以我写了一个.sh文件,检测到上传失败可以自动重传,我们命名该文件为upload.sh

#!/bin/bash

while true; do
    ascp -i /mnt/home/zehuazeng/ncbi/aspera.openssh -QT -l100m -k1 -d /mnt/home/zehuazeng/media/207O/origData8 [email protected]:uploads/starlitnightly_163.com_UFgOBYes

    if [ $? -eq 0 ]; then
        echo "Command completed successfully."
        break
    else
        echo "Command failed. Retrying in 5 seconds..."
        sleep 5
    fi
done

然后在终端输入./upload.sh即可运行,注意文件需要先修改权限chmod 777 ./upload.sh

我们发现自动上传便开始了,并且会自动检测上传成功与失败。我们等全部文件上传好后,回到刚才的SUB页面

我们选择Select preload folder,这里origData7是我们已经传好的文件夹,而origData8是正在上传的文件夹

选择完了我们点击Continue,就会跳到最后一个页面,一般来说文件会自动帮你选出来,根据你前面填写的filename1-8

我们点击Submit就好了,会跳转到最开始的页面,提示我们正在处理中。

3.6 其他

我在上传的时候遇到了一次失败,报错提示是

2023-08-06T22:03:02 sra_subprocess error: Finished: /panfs/traces01.be-md.ncbi.nlm.nih.gov/trace_software/pipeline/sra_prod/transform_tools/sharq_load.py --config /panfs/traces01.be-md.ncbi.nlm.nih.gov/trace_software/pipeline/sra_prod/config.sra.public /panfs/traces01.be-md.ncbi.nlm.nih.gov/trace_software/pipeline/sra_prod/transform_tools/sharq --platform=ILLUMINA --log-level=info --output=/export/home/SSD/production_sra_public/sge1240.212826.trace.run_load.sh/SRR25541***.run_load/SRR25541***.output ***_3_1_R2.fq.gz ***_4_1_R2.fq.gz ***_2_1_R2.fq.gz ***_2_1_R1.fq.gz ***_1_1_R1.fq.gz ***_1_1_R2.fq.gz ***_3_1_R1.fq.gz ***_4_1_R1.fq.gz; pid=218120, rc=243

这种错误不是我能解决的,于是我写了封邮件发送到[email protected],然后过了两天再看邮箱,工作人员后台已经帮我弄好了。

4. GEO上传

我们将原始数据成功上传到SRA数据库后,我们还需要上传处理后的数据到GEO数据库上。GEO数据库与SRA的上传有一些类似,但也有所区别。可能是由于处理后的文件通常不会太大,所以上传可以用ftp。

4.1 新建GEO提交

我们点击New Submission新建一个提交

我们选择high-throughout sequencing来完成scRNA-seq数据的上传,点开后发现,我们需要先下载一个meta文件进行信息的填写。

我们选择第二个,因为我们已经把测序文件上传到了SRA数据库,这样可以避免重复上传原始数据。

我们照着EXAMPLE的格式填写即可。

4.2 上传处理文件与meta

然后我们点击Create personalized upload space创建自己的ftp空间

等待一会儿便会加载出Step 2,我们点击左边的箭头展开,会发现里面提供了GEO数据库的服务器信息。

  • Host address:
  • username
  • password

我们根据这三个信息可以连接到远程的GEO服务器上,但需要注意的是,我们连接的远程目录不能是默认的,而是uploads/starlitnightly_***这个在图中我用红色区域圈了起来

我是mac系统,所以我用transmit来做ftp文件传送,我们将刚才的Hostname填到地址,username填到用户名,password填到密码,同时设定远程路径为刚刚提到的uploads/starlitnightly_***

连接后我们会发现里面是空的,我这里需要传过滤后的h5文件以及velocyto生成的剪接/未剪接矩阵,所以我新建了两个文件夹,一个叫h5_file,一个叫loom_file,同时我在meta里面已经填写好了每一个样本对应的文件名

我们直接拖动文件进入对应文件夹即可上传。同时需要注意的是,meta文件也需要一并上传

4.3 提交GEO申请

我们在传好文件后,回到GEO申请界面,点击Notify GEO,我们填写好目录和文件描述,点击submit即可。

4.4 确认GEO

大概一天左右(工作日),你就会收到一封来自GEO工作人员的审核邮件,如果有问题会在邮件里说明,我这里没有问题就直接回道GEO里查看我的提交,发现确实多了一个记录。

我们点进去后,可以点击Update更新一些相关信息。

标签:fq,NCBI,文件,上传,测序,gz,GEO,原始数据
From: https://www.cnblogs.com/starlitnightly/p/18258599

相关文章

  • 单细胞测序最好的教程(十六):关于RNA速率你想知道的都在这
    作者按本章节详细讲解了基于RNA速率的三种拟时序模型,包括稳态模型,EM模型和深度学习模型,并对比了不同模型的适用场景与计算特点。本教程首发于单细胞最好的中文教程,未经授权许可,禁止转载。全文字数|预计阅读时间:5000|10min——Starlitnightly(星夜)5.2RNA速率1.背景单细......
  • 【楔子】单细胞测序-最佳的分析Pipeline
    作者:starlitnightly日期:2023.07.14!!!note楔子从事单细胞分析也有一段时间了,国内大部分中文教程都是使用R语言进行分析,使用Python的还比较少,或者是直译scanpy的教程,不过scanpy可能已经比较旧了。在这里,我们参考了Singlecellbestpractice,希望能给国内的从业者带来一个完......
  • 港股OMD-C原始数据接口知识拓展
    OMD-C包括SS、SP、SF三个级别。简单来说,就是通过三种级别推送不同的数据,具体使用哪一档由企业自行选择。OMD-C数据服务分为实时服务、刷新服务、重传服务三部分来完成所有数据的处理。OMD-C包括约20个消息类型的数据,每天约产生3亿条数据。港交所数据持有HKEx(香港交易所)数据......
  • NC | 三代测序鉴定SV的方法权衡
    SV鉴定方法概述近日,范德堡大学发表一篇关于长读长鉴定SV比较的文章。Tradeoffsinalignmentandassembly-basedmethodsforstructuralvariantdetectionwithlong-readsequencingdata这类文章近几年来比较多,去年就有一篇类似的发表在NM上。Asurveyofalgorithmsf......
  • 比较第三代测序技术在不同基因组中的组装策略
    目录论文概述论文速读论文方法论文实验论文总结论文概述本文主要探讨了第三代测序技术在不同基因组中的组装策略比较。随着长读序列技术的发展,如PacificBiosciences和OxfordNanopore技术,组装精度和计算成本得到了显著提高。然而,从头组装仍然存在计算成本高、结果质量差等挑战......
  • 单细胞RNA测序(scRNA-seq) 理解Seurat对象存储信息含义和基本操作
    单细胞测序技术是在单个细胞水平上,对基因组、转录组和表观基因组水平进行分析测序技术。bulkRNA-seq获得的是组织或器官等大量细胞中表达信号的均值,无法获取细胞之间的差异信息(即丢失了细胞的异质性),而单细胞测序技术可以很好的弥补bulkRNA-seq这一不足,即获取混合样本中......
  • 易基因:RNA免疫共沉淀测序 (RIP-seq) 技术介绍
    大家好,这里是专注表观组学十余年,领跑多组学科研服务的易基因。RIP-seq是将RNA免疫共沉淀(RNAImmunoprecipitation,RIP)与二代测序技术(NGS)相结合以研究细胞内RNA与蛋白互作的技术,RIP利用目标蛋白抗体把相应的RNA-蛋白复合物(RNABindingProtein,RBP)沉淀下来,然后经过富集和纯化就可以......
  • 记录接口操作日志, 原始数据和变更数据 这几个工具可以看看
    mzt-biz-log支持Springboot,基于注解的可使用变量、可以自定义函数的通用操作日志组件此组件解决的问题是:「谁」在「什么时间」对「什么」做了「什么事」Github地址:https://github.com/mouzt/mzt-biz-logMyBatis-Plus数据变动记录插件https://baomidou.com/plugins/data-ch......
  • 2005-2022年各省恩格尔系数数据(含原始数据+计算过程+计算结果)
    2005-2022年各省恩格尔系数数据(含原始数据+计算过程+计算结果)1、 时间:2005-2022年2、 来源:统计年鉴、住户调查年鉴、国家统计局3、 范围:31省4、 指标:食品消费支出(2013-2022)、居民人均消费支出(2013-2022)、城镇居民人均消费支出(2005-2012)、城镇居民食品消费支出(2005-......
  • 在机器学习项目中,将原始数据集划分为训练数据集和测试数据集划分比例的确定
    在机器学习项目中,将原始数据集划分为训练数据集和测试数据集是非常重要的一步。这个划分比例会影响模型的训练效果和对未来数据的泛化能力。虽然没有固定的规则,但有一些建议和常见做法可以参考:常见的划分比例70%训练/30%测试:这是一个较为传统的划分比例,被广泛应用于各种机器......