经验 | 记录 NCBI 下载基因组的大坑

写在前面

写在前面

  • 最近分析的物种由于国外品种与国内品种差异还是比较大，虽然大部分文章用的参考基因组都是以国外品种为主，但是由于考虑到目前我这边数据几乎全部都是来源于国内品种，因此在考虑是不是用国内品种的基因组会更妥善。

  • 刚好今年4月份国内品种的基因组又更新了一版，似乎是国内品种中目前质量最高的参考基因组，有被吸引到，因此有了这篇踩坑记录。。。。。

一、在基因组文献中找到参考基因组及注释的存储路径

如图可知该基因组存储在ncbi上，也给出了BioProject Number。注释文件存储在另外一个网站，似乎类似于FTP，直接下载即可，并没有太大问题。

二、NCBI下载基因组与注释文件（开始踩坑）

根据给出的BioProject Number，直接在NCBI上进入物种基因组下载界面，并点击下载

在NCBI上，一般能够下载到某物种的基因组文件及其对应的注释文件。但是我要下的该物种似乎确实没有将注释文件一并上传到NCBI上。因此直接去文章中给出的链接下载。

得到基因组与注释文件之后，使用TBtools提取CDS序列一直提不出来，非常奇怪。

一般来说遇到这种情况，基本上都是用户操作不当或者文件有问题。因此直接查一下文件的完整性。
使用TBtools的File MD5 Sum功能计算下载的基因组的MD5，发现文件完整度没问题。

提不出CDS序列，输出的是空文件。也许是GFF3文件哪里有问题。检查了一下，发现似乎也没异常，该有的信息都有，除了基因ID长得比较奇怪。。。而且TBtools也能够成功提取该GFF3文件的信息，

顺道看了一眼参考基因组内容，惊呆了。。。问题竟然出现在染色体ID上，应该是NCBI默认给染色体ID更改过了名字，导致参考基因组中的染色体ID与GFF3中的染色体ID不一致。虽然信息很全，但是并没有啥用，甚至还会导致一系列报错。。

fine，既然找到了原因，那么只需要写个命令将基因组中的染色体名称改成与GFF3中一致即可。

三、关于下载参考基因组

  1. 我觉得下载参考基因组首先还是要直接看基因组文章里面DATA AVAILABILITY部分，是否有给出基因组及其注释文件的下载链接或者存储网站，直接访问下载，往往会比较靠谱。

  2. 网上搜索是否有所需物种相应的基因组数据库

  3. 权威的综合数据库，如Ensembl、Phytozome等等。

  • 最近Ensembl（https://asia.ensembl.org/index.html）用的比较多，一般直接进入Ensembl提供的FTP中搜索自己需要的物种以及参考基因组版本，FTP网址为：http://ftp.ensembl.org/pub/

  • 进入会看到版本选择界面

  • 确定好版本号之后，即可选择要下载的文件类型，Ensembl提供了非常详细的相关文件下载，一般我们需要的是基因组序列以及注释文件，即fasta与gff3

  • 接着选取所感兴趣物种下载即可，可以下载其参考基因组序列、CDS与蛋白序列等等

最后，关于Ensembl ID。
通常Symbol是我们更愿意看到的ID，即基因的官方名称，如GFAP、MYB等，便于我们直观的知道这是个什么基因，但是在数据分析的过程中，基因ID往往不会直接以Symbol的形式出现，这个时候可以借助转换工具来对其进行转换，如Y叔的clusterProfiler，或者直接在Ensembl网站上转换等。

Ensembl ID的含义，如ENSSSCG00000037372

  • 其中ENS是Ensembl ID的标识符；

  • SSC为物种名的缩写（SSC指的是猪，如果是人的话，则默认为ENS，没有物种名）；

  • G表示该ID为基因ID，指的是一个基因；如果是T，则为转录本ID，指的是某个基因的转录本；P则为蛋白；具体的缩写可以参考Ensembl官方说明：http://asia.ensembl.org/info/genome/stable_ids/prefixes.html

  • 字母后面的一串数字为唯一的ID号，若ID后面还带着.1、.2等版本号标识符（如：ENSSSCG00000037372.3），则表示其在Ensembl中更新的次数，一般在做分析时需要将版本号给去掉。

写在最后

近期状态似乎还不错，虽然通勤真的很累，特别是要挤早高峰和晚高峰的广州死亡3号线。。。
嗯。。愿天下打工人都不用通勤

赞 (0)

相关推荐