SRA、SAM以及Fastq文件高速下载方法

来源：Wenhu评论4,262

 

NCBI-SRA和EBI-ENA数据库

SRA数据库: Sequence Read Archive：隶属NCBI (National Center for Biotechnology Information)，它是一个保存高通量测序原始数据以及比对信息和元数据 (metadata) 的数据库，所有已发表的文献中高通量测序数据基本都上传至此，方便其他研究者下载及再研究。其中的数据则是通过压缩后以.sra文件格式来保存的。

ENA数据库：European Nucleotide Archive：隶属EBI (European Bioinformatics Institute)，功能同SRA，并且对数据做了注释，界面更友好，当然对于我们来说，最诱人的当属可直接下载fastq (.gz)文件这一项了。

sra文件下载方式

多数情况下，我们下载sra文件是为了获取相应的fastq或者sam文件，这样可以和自己的pipeline对接上，直接分析，所以

  1. 找地方：用手头上的SRR (SRA Run)序列号去ENA搜索，如果有，就在这儿下；如果没有，就去SRA数据库下载
  2. 选方法：
    • 首选Aspera Connect软件，这是IBM旗下的商业高速文件传输软件，与NCBI和EBI有协作合同，我们可以免费使用它下载高通量测序文件，体验飞一般的感觉，速度可飚至300-500M/s。下载完成后，本地用fastq-dump提取fastq文件，用sam-dump提取SAM文件。
    • 其次，如果上述方法不奏效，优先使用sratoolkit中的prefetch命令。
    • 最后，使用sratoolkit中的fastq-dump和sam-dump命令下载，如果fastq-dump不稳定，推荐大家尝试Biostar Handbook中的wonderdump脚本。

警告：尽量不要用wget或curl去下载sra文件，某些情况下会导致下载的文件不完整！

Aspera Connect命令行工具ascp的安装

首先，进入Aspera Connect的下载页面，选择linux版本，复制下载地址

wget http://download.asperasoft.com/download/sw/connect/3.7.4/aspera-connect-3.7.4.147727-linux-64.tar.gz

tar zxvf aspera-connect-3.7.4.147727-linux-64.tar.gz

# 安装
bash aspera-connect-3.7.4.147727-linux-64.sh

# 查看是否有.aspera文件夹
cd # 去根目录
ls -a # 如果看到.aspera文件夹，代表安装成功

# 永久添加环境变量
echo 'export PATH=~/.aspera/connect/bin:$PATH' >> ~/.bashrc
source ~/.bashrc

# 查看帮助文档
ascp --help

至此，安装完成，下面介绍如何利用ascp在SRA和ENA中下载数据

ascp的用法：ascp [参数] 目标文件 目标地址，在线文档

先了解几个ascp命令的常用参数

-v verbose mode 唠叨模式，能让你实时知道程序在干啥，方便查错。有些作者的程序缺乏人性化，运行之后，只见光标闪，压根不知道运行到哪了

-T 取消加密，否则有时候数据下载不了

-i 提供私钥文件的地址，我也不知道干嘛的，反正不能少，地址一般是~/.aspera/connect/etc中的asperaweb_id_dsa.openssh文件

-l 设置最大传输速度，一般200m到500m，如果不设置，反而速度会比较低，可能有个较低的默认值

-k 断点续传，一般设置为值1

-Q 不懂，一般加上它

-P 提供SSH port，一般是33001，反正我不懂

ascp使用举例

  1. SRA数据库下载：首先记住，数据的存放地址是ftp-private.ncbi.nlm.nih.gov，SRA在Aspera的用户名是anonftp，下载举例：
    • 如果我想下载SRR949627.sra文件，首先我需要找到地址，去ncbi ftp-private或者ncbi faspftp，一层层寻找，直至找到，然后记下链接地址，就可以开始下载了：
    ascp -v -i ~/.aspera/connect/etc/asperaweb_id_dsa.openssh -k 1 -T -l200m anonftp@ftp-private.ncbi.nlm.nih.gov:/sra/sra-instant/reads/ByRun/sra/SRR/SRR949/SRR949627/SRR949627.sra ~/biostar/aspera/
    • 注意：anonftp@ftp-private.ncbi.nlm.nih.gov后面是:号，不是路径/！
    • 一般来说，NCBI的sra文件前面的地址都是一样的/sra/sra-instant/reads/ByRun/sra/SRR/...，那么写脚本批量下载也就不难了！
  2. ENA数据库下载：这里和上面不同，数据的存放地址是fasp.sra.ebi.ac.uk，ENA在Aspera的用户名是era-fasp，下载举例：
    • 同样，我还是下载SRR949627，方便的是ENA中可以直接下载fastq.gz文件，不用再从sra文件慢吞吞的转换了，那么地址呢，可以去ENA搜索，再复制下fastq.gz文件的地址，或者可以去ENA的ftp地址ftp.sra.ebi.ac.uk搜索，注意，是ftp，不是fasp！记下链接地址，就可以下载了：
    ascp -QT -l 300m -P33001 -i ~/.aspera/connect/etc/asperaweb_id_dsa.openssh era-fasp@fasp.sra.ebi.ac.uk:/vol1/fastq/SRR949/SRR949627/SRR949627_1.fastq.gz ~/biostar/aspera/
    • 注意：era-fasp@fasp.sra.ebi.ac.uk后面是:号，不是路径/！
    • 一般来说，EBI的sra文件前面的地址也都是一样的vol1/fastq/...，那么写脚本批量下载也就不难了！

 

发表评论

匿名网友