下载NCBI的SRA数据 详细教程

SRA（Sequence ReadArchive）数据库是NCBI(National Center for Biotechnology Information)旗下用于存储高通量测序数据的子库。来自世界各地研究的测序数据在此处都可以免费下载，本文就聊聊如何下载SRA数据库对应的测序数据。

1. SRA基本框架

下载数据之前，咱们可以先聊聊SRA数据库的一些基础知识。
SRA数据库的组织框架是基于 STUDY, SAMPLE, EXPERIMENT, RUN 四个概念构建的。

1. STUDY ：研究课题/研究项目， 和NCBI的子库[BioProject](https://www.ncbi.nlm.nih.gov/bioproject/)数据库里面的项目相关联 , 检索号(accession number) 通常以前缀 SRP,DRP,ERP 开头(例如SRP000544)
2. SAMPLE ：样本信息， 和NCBI的子库[BioSample](https://www.ncbi.nlm.nih.gov/biosample/)数据库里面的样本相关联，检索号(accession number) 通常以前缀 SRS,DRS,ERS 开头(例如SRS001487)
3. EXPERIMENT : 实验信息, 一次实验包含了一个或多个样本进行一个多多个RUN的测序。检索号(accession number) 通常以前缀 SRX,DRX,ERX 开头
4. RUN：RUN通俗理解就是测序仪运行一次产生的测序数据，是 SRA 里面最小的概念，该编号通常直接链接到对应某一个/对fastq下机的文件。检索号 (accession number) 通常以前缀 SRR,DRR,ERR 开头。

说了这么多是不是依然傻傻分不清SRP,DRP,ERP等，其实编号的含义很简单：
第一个字母：表示样本最初被上传到的源数据库，NCBI会同步EBI和DDBJ的数据，同步后会保留源数据的来源信息。

S – NCBI’s SRA database  
E – EBI’s database  
D – DDBJ database  

第二个字母：固定为"R"，代表Read
第三个字母：数据的类型，可以是项目、样本、实验或RUN

R – Run  
X – Experiment  
S – Sample  
P – Project / study 

2. SRA数据下载

SRA数据下载有多种方式，这里我列了常用的两种方式：1）通过官网提供的 SRA-Toolkit 工具进行下载 2）直接wget/curl下载。

2.1. SRA-Toolkit 工具进行下载：

这种方式自然要先安装 SRA-Toolkit，可以直接下载对应的二进制包，解压即可使用。
对应的下载链接为https://github.com/ncbi/sra-tools/wiki/02.-Installing-SRA-Toolkit

#Ubuntu
wget http://ftp-trace.ncbi.nlm.nih.gov/sra/sdk/current/sratoolkit.current-ubuntu64.tar.gz
#CentOS
wget http://ftp-trace.ncbi.nlm.nih.gov/sra/sdk/current/sratoolkit.current-centos_linux64.tar.gz
#Mac OS X
wget http://ftp-trace.ncbi.nlm.nih.gov/sra/sdk/current/sratoolkit.current-mac64.tar.gz

#解压 tar.gz名字以实际文件名为准
tar -xzvf sratoolkit.*.tar.gz

下载解压后，可以看到文件夹bin/目录下面有一堆二进制运行的组件，其中 prefetch，srapath ， fastq-dump都是常用的工具集。

此处下载使用prefetch 工具，例如下载千人基因组项目的数据ERR009357。

prefetch ERR009357

也可以提供RUN的SRR/DRR/ERR检索号列表, 例如此处我们下载SRR_Acc_List.txt文件内的所有ERR数据：

$ cat  SRR_Acc_List.txt
ERR003133
ERR003134
ERR003135
ERR003136
ERR003137

$ nohup prefetch -O . $(<SRR_Acc_List.txt) &   # 此处的 nohup + &  用于放入后台下载，避免关闭终端导致下载中断

2.2. wget/curl 下载：

使用wget/curl下载需要事先知道对应sra数据的下载链接，一种方式可以通过以下链接：
https://trace.ncbi.nlm.nih.gov/Traces/sra/?run=SRR编号 获取，其中SRR编号替换为你需要下载的RUN检索号即可，例如打开https://trace.ncbi.nlm.nih.gov/Traces/sra/?run=ERR009357 即可查看 ERR009357对应的详细信息。其中 Data access 页面即可看到对应的下载链接。其中，Metadata, Reads 页面可以查看样本实验信息。

复制下载链接，使用wget/curl下载即可。

wget https://sra-downloadb.be-md.ncbi.nlm.nih.gov/sos1/sra-pub-run-5/ERR009357/ERR009357.4

嫌麻烦的话也可以通过 srapath 获取对应下载链接：

#srapath获取ERR009357的下载链接
$ srapath ERR009357
https://sra-downloadb.be-md.ncbi.nlm.nih.gov/sos1/sra-pub-run-5/ERR009357/ERR009357.4

#wget下载
$ wget https://sra-downloadb.be-md.ncbi.nlm.nih.gov/sos1/sra-pub-run-5/ERR009357/ERR009357.4

#curl 下载
$ curl https://sra-downloadb.be-md.ncbi.nlm.nih.gov/sos1/sra-pub-run-5/ERR009357/ERR009357.4

3. SRA数据转化为fastq文件

下载完 sra 文件，我们往往需要先将 sra 的文件转化为 fastq 文件才能用于后续分析。此处也是使用前面安装的 SRA-Toolkit 中的fastq-dump工具。
一行命令即可解决：

#SE数据
fastq-dump SRR15671203 -O ./ 

#PE数据
fastq-dump ERR009357.4 --split-3 -O ./

参考链接：
https://www.ncbi.nlm.nih.gov/sra/docs/submitmeta/
https://trace.ncbi.nlm.nih.gov/Traces/sra/sra.cgi?view=toolkit_doc