一、SRA数据结构
SRA（Sequence Read Archive）数据包括下面四级。
NCBI BioProject：PRJN**** ，是单个研究计划，可能包含多个样本和数据集。
SRA Experiment: SRX****，一个实验的数据集，含有多个样本Sample。
NCBI BioSample: SAMN**** 或者SRS**** ，每一个独立的样本都会被注册为一个BioSample，用于标注样本的标签和属性。
SRA Run: SRR**** 或者ERR****，一个样本的序列库，即样本测序数据。一个SRX一般会有1个或多个SRA Run。
二、和GEO的关系
GEO数据分为两级，GEO数据库将高通量测序的原始数据上传到SRA数据库。
GSE(GEO Series) : 是一个研究的数据集，一个GSE数据集对应一个PRJN数据。
GSM(GEO sample)：每个样本具有一个特有的GSM号，每一个GSM对应一个SRX数据（有时也会有多个）。
三、SRA数据下载实例
以这篇2015年发表在CELL上的文章为例
可以看到，这篇文章数据分为两个GSE
这里只演示GSE71275数据的下载
1）可以依次点开每一个GSM，获取每一个SRR号；
optional：使用命令批量获取数据的SRR号
- #需要先安装esearch，efetch，可以用conda安装
- #下载runinfo
- esearch -db sra -query PRJNA290779 | efetch -format runinfo > runinfo.csv
- #提取其中的SRR
- cat runinfo.csv | cut -d, -f1 | grep SRR > ranids.txt
- #查看获得的SRR号
- cat ranids.txt
- SRR2125156
- SRR2125157
- SRR2125158
- SRR2125159
- #可以查看更多信息，比如数据大小，类型，单端还是双端测序等
- cat runinfo.csv | cut -d, -f1,8,13,16
- Run,size_MB,LibraryStrategy,LibraryLayout
- SRR2125156,1090,RNA-Seq,SINGLE
- SRR2125157,1114,RNA-Seq,SINGLE
- SRR2125158,1225,RNA-Seq,SINGLE
- SRR2125159,1161,RNA-Seq,SINGLE
不过runinfo中并没有样本名称和SRR的对应关系，可以通过一下命令获取
- #需要先安装xtract
- #先下载信息
- esearch -db sra -query PRJNA290779 | efetch -format docsum > docsum.txt
- #提取有用信息
- cat docsum.txt | xtract -pattern DocumentSummary -element Title,Bioproject,Biosample,Run@acc
- GSM1831735: HS5-1 Inversion rep2; Homo sapiens; RNA-Seq PRJNA290779 SAMN03897346 SRR2125159
- GSM1831734: HS5-1 Inversion rep1; Homo sapiens; RNA-Seq PRJNA290779 SAMN03897345 SRR2125158
- GSM1831733: Wild type control rep2; Homo sapiens; RNA-Seq PRJNA290779 SAMN03897344 SRR2125157
- GSM1831732: Wild type control rep1; Homo sapiens; RNA-Seq PRJNA290779 SAMN03897343 SRR2125156
由此，便获得了GSM编号与样本的对应关系。
2）开始下载
1.prefetch
- #单个下载
- prefetch SRR2125159
- #批量下载
- for i in `cat ranids.txt`;do prefetch $i;done
- #如需要多线程同时下载，可使用parallel，需要先安装
- cat ranids.txt | parallel prefetch {}
2.直接使用fastq-dump
- for i in`cat ranids.txt`;do fastq-dump $i;done
3.使用Aspera，
NCBI的ftp目前无法下载，可通过ENA 下载数据
- ascp -v -k 1 -T -l 200m -P 33001 -i /root/miniconda3/envs/bioinfo/etc/asperaweb_id_dsa.openssh era-fasp@fasp.sra.ebi.ac.uk:vol1/fastq/SRR212/006/SRR2125156/SRR2125156.fastq.gz ./
- #多线程同时下载命令
- seq 6 9 | parallel --verbose "ascp -v -k 1 -T -l 200m -P 33001 -i /root/miniconda3/envs/bioinfo/etc/asperaweb_id_dsa.openssh era-fasp@fasp.sra.ebi.ac.uk:vol1/fastq/SRR212/00{}/SRR212515{}/SRR212515{}.fastq.gz ./ "
可以看到下载速度高达62M/s，在1分31秒完成下载。