次世代シークエンシング:
データベースの見方、ダウンロード方法

UB3/informatics/bioinformatics/ngs_sra

このページの最終更新日: 2022/05/16

  1. NCBI の NGS データベース
    • SRA データベース
  2. SRA からデータをダウンロードする
  3. fastq ファイルのパラメーター

広告

概要: NCBI の NGS データベース

NCBI にある次世代シーケンス (NGS) のデータは、少なくとも以下のように分類されている。いずれも PubMed から検索することができる。

  • Sequence Read Archive (SRA) には、アセンブル前のリードが登録されている。このページでは、主に SRA データベースの使い方を解説している。
  • アセンブルされた配列が欲しい場合には、Assembly というデータベースがある。ここから assemble 済みの配列をダウンロードしたり、それに対して BLAST したりできる。

SRA データベースの項目

2015 年の このブログ (1) の記述から少しアップデートされているように思う。

「日本人のデータを探す」という実例を見てみるのがわかりやすいだろう。DDBJ のわかりやすい解説ページ も役に立つ。

Study

論文情報など。All experiments, All runs などという項目へのリンクもあり、メタデータ的な性格をもつ項目。

Sample

サンプル情報。単一の生物の場合や、メタゲノムの場合などいろいろ。

Library

シーケンサーの種類、genome または transcriptome の別、ライブラリー構築のプロトコールなど。

Experiment attributes

GEO Accession 番号が載っている。

Runs

それぞれの Run ごとに固有のページがあり、そこへのリンクと簡単なサマリーが載っている。


実例1: 日本人のデータを探す

実例として、日本人の NGC データを探す方法を書いておく。


  1. PubMed のドロップダウンメニューを SRA にし、Japanese というキーワードで検索。9,500 件ほどのデータがヒットする (2018 年 2 月時点)。
  2. ページ右側に Top Organisms という項目がある。これを見ると腸内細菌叢のデータも混じっていることがわかるので、Homo sapiens をクリック。これでヒトの配列のみになる。
  3. Illumina Genome Analyzer など、様々なデータが一覧で表示されるはずである。塩基数、データサイズ、Accession などの情報は、この一覧ページでも見ることができる。
NCBI SRAデータセット

Whole genome resequencing of Masaru Tomita というデータに興味をひかれる。情報科学分野から生命科学に転向したメタボローム分野のパイオニア。実名でゲノム配列を登録するなど、さすがにやることが違う。


  1. データの一つをクリックすると、詳細な画面に移動できる。「日本人のデータ」ということを確認したい場合は、Runs の番号をクリックする。各データに 1 つの Accession 番号があり、その中に複数の Run データが番号つきで格納されているという構造になっているようだ。
NCBI SRAデータセット

このように、1 つのデータに 1 Run しか含まれていない場合は、データのサンプル提供者 = Run のサンプル提供者ということになる。以下の 5 をするかわりに、この画面から直接 Sample をクリックしても良い。


  1. Run の番号をクリックしたページに、Biosample という項目があり、ここにサンプル提供者の情報が載っている。リンクをクリックして、サンプル提供者のページへ。
  2. 下のように、biomaterial provider が日本人であることを確認できる。細胞の種類などもここに書かれている。
NCBI SRAデータセット
広告

SRA からデータをダウンロードする

NGS データのダウンロードには、コマンドラインの知識が必要となる。

Mac の TerminalLinux の Terminal、または Windows の Command Prompt を使うことになる。

どの OS の場合も、ダウンロードに使うのは SRA toolkitfastq-dump という関数である。ここでは、簡単に Mac または Linux で実行するコマンドだけを書いておく。インストール方法、オプションなどの詳細は fastq-dump のページ を参照のこと。

データの番号を使って、以下のように実行する。

fastq-dump --split-files DRR048384

これで、上記の日本人データ DRR048384 がダウンロードされる。私の場合はホームフォルダにダウンロードされた。処理が終わると、ターミナルに再びコマンドを入力できる状態になる。

ダウンロードした fastq ファイルは、アダプターの除去、低品質な配列の除去などのクリーンアップは終了していることが多い。詳細については fastq ファイルのクリーンアップ を参照のこと。


広告

References

ページ分割のため本文中に引用されていないものがありますが、番号と本文は対応しています。

  1. yokaのblog. 次世代シーケンスデータベース (SRA) の見かた. Link: Last access 2018/02/05.
  2. https://www.illumina.com/documents/products/technotes/technote_Q-Scores.pdf

コメント欄

各ページのコメント欄を復活させました。スパム対策のため、以下の禁止ワードが含まれるコメントは表示されないように設定しています。レイアウトなどは引き続き改善していきます。「管理人への質問」「フォーラム」へのバナーも引き続きご利用下さい。

禁止ワード: http, the, м (ロシア語のフォントです)


このページにコメント

Name:


Comment:



これまでに投稿されたコメント

Date Name Comment

2022-03-10 22:17:30.547460

ZAP

2022-03-10 22:15:11.515564

ZAP

2022-03-10 20:56:18.372341

ZAP