如何从NCBI下载基因组数据
Posted Xeonilian
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了如何从NCBI下载基因组数据相关的知识,希望对你有一定的参考价值。
本文关于如何在 NCBI
的 ftp
里下载需要的基因组数据。
例如:我想从NCBI上下载 Escherichia coli ATCC 25922。
已知信息
原文提供的信息是:
This Whole Genome Shotgun project has been deposited at DDBJ/EMBL/ GenBank under the accession number ASHD00000000. The version described in this paper is version ASHD01000000.
我们获得的关键信息:
- 物种和菌株名字:
Escherichia coli ATCC 25922
; - Accession number:
ASHD00000000
; - version:
ASHD01000000
。
理论
- 平时下载单条序列常常是直接从页面选择导出fasta文件,对于基因组应该找到其在FTP中的位置然后将整个文件夹下载下来。
实际操作
在
All database
里搜索Escherichia coli ATCC 25922
后发现在Genome数据库中有1条信息。开心的点开后发现是所有大肠杆菌的基因组信息,一共有9610个。进入list之后搜索25922没有任何结果。问题:这里不支持模糊搜索,如果要得到结果,你需要精确的输入
Escherichia coli ATCC 25922 Strain: ATCC 25922 Assembly: GCA_000401755.1
。谁会知道这么详细的信息?正确操作:输入25922之后按上下箭头,会自动补齐。
此时你应当在表中找到:
- 可以点进FTP的链接。
- Assembly:GCA_000401755.1 。
- WGS:ASHD01。
说明
- 其实我想找的就是这个Assembly No.,因为它直接对应基因组在FTP中的文件夹位置。
- 点开FTP链接,你会进入以下文件夹:
ftp://ftp.ncbi.nlm.nih.gov/genomes/all/GCF/000/401/755/GCF_000401755.1_Escherichia_coli_ATCC_25922/
也就是 genomes->all->GCF->000->401->755,F代表这个地方的是reference sequences。
实际上在 genomes->all->GCA->000->401->755 中有一份一样的。
- 如果原文提供的是Assembly No,你就不需要再去NCBI查找了,直接能通过FTP地址找到,我一般使用
FileZilla
下载。 如果下载多个genomes也能根据Assembly No写简单代码批量操作。
而
WGS
里面你可以单独的看到每个蛋白质,cotig等的信息,实际上就是把FTP里面能下的内容拆开了,并且是页面下载的。NCBI 里面新旧命名系统,一个东西在不同的库里面有不一样的名字很是让新手头痛。
参考
[1] WGS页面,此处应搜索ASHD01。
[2] 所有大肠杆菌基因组汇总,此次使用25922补齐信息搜索。
[3] NCBI提供的如何下载基因组说明。
以上是关于如何从NCBI下载基因组数据的主要内容,如果未能解决你的问题,请参考以下文章