定序完後的資料在哪裡 ?

前一回我們探討了 NGS 從 DNA 樣本到上機 (上 Illumina 機器定序)，
今天找找前人上機後的資料，究竟都去哪裡了~
如果已經有一批定序資料下載好等著你練習了，那麼就往下看下一篇XD

SRA (Sequence Read Archive) 資料庫存放全世界研究的定序資料，
基本上要發有關定序資料分析結果的 Paper 通常都會要求上傳到這兒，
包含 RNA seq、Single cell sequencing、Whole genome sequencing、Metagenomic(16S)等
通常-->就代表很多人不乖

• 從文獻取得 accession number

  首先，得先在 Paper 中拿到一串 accession number，
  有上傳到 SRA 的 Paper 則會在文中以 :
  Data Availability、repositories、accession number、accession SRPXXXXXX 關鍵字出現，
  範例1 : (Yang, Tzu-Wei, et al., 2019)
  

  範例2 : (Liu, Fengping, et al., 2021)
  

• 帶著 accession number 去餵 SRA Run Selector

  以範例1來說，
  帶著 SRP131074 餵給 SRA Run Selector，
  
  在Common Fields 中確認基本資訊是否與文獻提及的內容相符 (檢體類型、序列類型等)，
  通常我還會確認是否有 Platform : ILLUMINA、LibraryLayout : PAIRED、metagenome 等關鍵字。

• 挑選想分析的序列資料

  往下滑會看到表格，
  從 Library Name、Sample Name推敲每個序列檔案代表的資訊，
  通常會與 Paper 中分組的代號相關，好心一點會放在文獻的 Supplementary Material，
  實務上很多都寫得不清不楚，所以需要一點推敲
  在這裡我勾擇CC，代表已經發展成大腸癌的患者檢體(Colorectal Cancer)，
  

• 下載 Accession List

  勾選後，可以往上滑點 Accession List 下載每個序列檔案的代號，
  

  後續 SRA Toolkit 會根據 Accession List 檔案抓取資料，
  偷偷點開下載的檔案，其實很單純，就是剛剛勾選的序列檔案代號。
  

安裝序列下載工具 Python bioinfokit & SRA Toolkit

現在帶著 Accession List 要去 Linux 準備下載序列資料啦!
16S rRNA 序列檔案大小雖然較 RNA seq 小，
但是樣本數一多還是很可觀的，
SRA Toolkit 提供使用者可以快速下載 NCBI SRA 資料庫上的序列資料，
會依照你給的 Accession List 到 SRA database 下載資料。
但是對於一次需要下載數十個甚至數百個定序資料分析，
就需要 Python bioinfokit 提供批量下載的功能。

16S的資料分析往往需要好幾十個以上的樣本菌相比較，
才能看出整體菌相差異性。

下列流程是預設使用者使用 Linux，並已安裝完 Anaconda 或 Miniconda

• 批量下載定序資料 - Python bioinfokit

  先用 conda 創造一個虛擬環境，避免跟原本的你使用的 python 環境打架

  可以把 conda 想成一種包含 Python 與各類幫助分析套件的軟體，
  在 conda 建立虛擬環境(就像是沙盒)，可以幫助我們從事不同的分析使軟體彼此不衝突，
  例如 : 下載序列軟體放在一個沙盒、分析序列軟體放在另一個沙盒。

  conda create --name SRA_download python==3.8
  

  會顯示的畫面 (以miniconda為例) :

  [XXXXXX@localhost]$ conda create --name SRA_download
  Collecting package metadata (current_repodata.json): done
  Solving environment: done
  
  ## Package Plan ##
  
      environment location: /home/XXXXXX/miniconda3/envs/SRA_download
  
    Proceed ([y]/n)?
  

  輸入 y 後 Enter，會顯示的畫面 :

   Preparing transaction: done
   Verifying transaction: done
   Executing transaction: done
    #
    # To activate this environment, use
    #
    #     $ conda activate SRA_download
    #
    # To deactivate an active environment, use
    #
    #     $ conda deactivate
  
  

  創造完之後，輸入以下指令進入SRA_download虛擬環境 :

  conda activate SRA_download
  

  成功的話會在你的名稱前面出現 (SRA_download) :

  (SRA_download) [XXXXXX@localhost ~]$
  

  安裝 bioinfokit python 套件

  conda install -c bioconda bioinfokit
  

  輸入 y 後 Enter，會經歷一段漫長的過程(?，直到看到這三行出現就對了~

  ...
  Preparing transaction: done
  Verifying transaction: done
  Executing transaction: done
  

  再裝這些套件

  pip install NumPy scikit-learn seaborn pandas matplotlib SciPy matplotlib_venn adjustText statsmodels tabulate textwrap3
  

  跑出 Successfully 的相關訊息就全部安裝完成拉~

   'Successfully' built matplotlib_venn adjustText
   Installing collected packages: textwrap3, pytz, threadpoolctl, tabulate, six, pyparsing,        pillow, NumPy, kiwisolver, joblib, fonttools, cycler, SciPy, python-dateutil, patsy,            packaging, scikit-learn, pandas, matplotlib, statsmodels, seaborn, matplotlib_venn, adjustText
  
   'Successfully' installed NumPy-1.23.2 SciPy-1.9.1 adjustText-0.7.3 cycler-0.11.0 fonttools-4.37.1 joblib-1.1.0 kiwisolver-1.4.4 matplotlib-3.5.3 matplotlib_venn-0.11.7 packaging-21.3 pandas-1.4.4 patsy-0.5.2 pillow-9.2.0 pyparsing-3.0.9 python-dateutil-2.8.2 pytz 2022.2.1 scikit-learn-1.1.2 seaborn-0.11.2 six-1.16.0 statsmodels-0.13.2 tabulate-0.8.10 textwrap3-0.9.2 threadpoolctl-3.1.0
  

  (Renesh Bedre, 2020)

• 定序資料工具 - SRA Toolkit

  下載 3.0.0 版本 SRA Toolkit 壓縮安裝檔到本機

  wget https://ftp-trace.ncbi.nlm.nih.gov/sra/sdk/3.0.0/sratoolkit.3.0.0-ubuntu64.tar.gz
  

  解壓縮安裝檔

  tar -zxvf sratoolkit.3.0.0-ubuntu64.tar.gz
  

  你在的目錄會多一個sratoolkit.3.0.0-ubuntu64資料夾，就是主程式。
  接著設定環境變數

  export PATH=$PATH:$PWD/sratoolkit.3.0.0-ubuntu64/bin
  

  Reference : Github

• 調整預設設定

   vdb-config -i
  

  會顯示的畫面 :

  

  紅色底線的字母就代表進入需要按的按鍵

  
  按 T 進入 TOOLS，再按 P ，上下鍵選擇 current directory，
  再按 S 儲存，再按 o 代表 ok ，按兩次 Esc 即可離開。

• 下載小資料試試

  你的目錄應該要有 :

  • 最一開始下載的檔案SRR_Acc_List.txt，將他放到 Linux 目錄，

    這邊也提供範例檔案包含六種序列SRR_Acc_List.txt

    SRR6498087
    SRR6498088
    SRR6498089
    SRR6498090
    SRR6498091
    SRR6498092
    

    (Yang, Tzu-Wei, et al., 2019)

  • 接著我們製作一個 python 執行檔，檔名可自訂，教學方便叫做batch_download.py
    內容如下 (可以在 Linux 以 vim 創建或是在 Windows / Mac 建好傳上去)

    from bioinfokit.analys import fastq
    fastq.sra_bd(file='SRR_Acc_List.txt', t=16, other_opts='--split-files' )
    

    t=16，代表使用16核心
    file='SRR_Acc_List.txt'，代表包含序列編號的檔案
    other_opts='--split-files'，代表輸出的檔案要將Forward Reverse分別以_1, _2 表示

    執行batch_download.py

    python batch_download.py
    

    會顯示的畫面 :

    Donwloading SRR6498087
    Donwloading SRR6498088
    Donwloading SRR6498089  
    Donwloading SRR6498090
    Donwloading SRR6498091
    Donwloading SRR6498092      
    

    等到下一行再次出現，就代表完成啦!

    [XXXXXX@localhost ~]$
    

    可以 ll 查看目錄是否有該檔案

    -rw-r--r--  1 XXXXXX users 28171694 Aug 23 15:10 SRR6498087_1.fastq
    -rw-r--r--  1 XXXXXX users 28171694 Aug 23 15:10 SRR6498087_2.fastq
    -rw-r--r--  1 XXXXXX users 26139160 Aug 23 15:11 SRR6498088_1.fastq
    -rw-r--r--  1 XXXXXX users 26139160 Aug 23 15:11 SRR6498088_2.fastq
    -rw-r--r--  1 XXXXXX users 64697336 Aug 23 15:13 SRR6498089_1.fastq
    -rw-r--r--  1 XXXXXX users 64697336 Aug 23 15:13 SRR6498089_2.fastq
    -rw-r--r--  1 XXXXXX users 28171694 Aug 23 15:10 SRR6498090_1.fastq
    -rw-r--r--  1 XXXXXX users 28171694 Aug 23 15:10 SRR6498090_2.fastq
    -rw-r--r--  1 XXXXXX users 26139160 Aug 23 15:11 SRR6498091_1.fastq
    -rw-r--r--  1 XXXXXX users 26139160 Aug 23 15:11 SRR6498091_2.fastq
    -rw-r--r--  1 XXXXXX users 64697336 Aug 23 15:13 SRR6498092_1.fastq
    -rw-r--r--  1 XXXXXX users 64697336 Aug 23 15:13 SRR6498092_2.fastq
    

    如果發現檔案名稱並非 .gz 副檔名結尾的壓縮檔，
    記得將檔案做壓縮，避免後續分析報錯。

    gzip *.fastq
    

    到這裡都順利，可以將sratoolkit.3.0.0-ubuntu64.tar.gz殘餘的安裝檔刪除

    rm sratoolkit.3.0.0-ubuntu64.tar.gz
    

• 下次需要下載序列資料時

  只要啟動虛擬環境就可以從本篇的「下載小資料試試」，就能繼續分析新的資料。

  conda activate SRA_download
  

  而離開環境的方式 :

  conda deactivate
  

  就會看到前面的括號環境名稱消失，就是成功離開。

拿到序列資料後，下回補充一些小知識，就準備跑分析 !

本篇文章同步刊載於科學毛怪部落格 PetSci Blog。