11月30 數據淘金——公共數據再利用
高通量測序技術(shù)的出現，使全世界產(chǎn)出的測序數據出現了爆炸式增長(cháng)，這些數據存放在或大或小的數據庫中，區域性的大數據庫包括NCBI、ENA/EBI、DDBJ等，今天我們重點(diǎn)給大家介紹下NCBI的SRA數據庫。
Part 1?|?SRA數據庫介紹
SRA(Sequence Read Archive)是NCBI中專(zhuān)門(mén)用于存放原始高通量測序數據的一個(gè)子庫，收錄了各種二代、三代測序儀產(chǎn)生的數據，與ENA/EBI、DDBJ間共享原始測序數據。
INSDC（International Nucleotide Sequence Database Collaboration）成員間共享測序數據
有過(guò)數據上傳經(jīng)歷的童鞋應該對SRA并不陌生，上傳數據前我們一般要創(chuàng )建BioProject、BioSample，用于詳細說(shuō)明項目信息、樣品信息；并通過(guò)SRA的Experiment、RUN描述建庫測序相關(guān)信息，如建庫類(lèi)型、測序儀器、單雙端等；下圖概括出了幾者之間的關(guān)系。
https://www.ncbi.nlm.nih.gov/sra/docs/submitmeta/
SRA上傳和檢索數據時(shí)，我們會(huì )遇到各種各樣的編號，這些編號間的對應關(guān)系通過(guò)下表我們可以理清。項目和樣品信息首先會(huì )存放在BioProject和BioSample數據庫中，得到類(lèi)似PRJNA和SAMN的編號；在SRA數據庫中也會(huì )對項目和樣品進(jìn)行編號，分別以SRP和SRS作為前綴，并與BioProject和BioSample中對應；其余SR開(kāi)頭的編號都屬于SRA數據庫。
SRA數據庫中各種編號對應表
SRA數據庫中存儲的是高度壓縮后的sra格式數據，截止到目前，SRA中已經(jīng)累計存儲了超過(guò)20P堿基數據，而且每年仍在以極快的速度增長(cháng)。
SRA數據量增長(cháng)圖（縱坐標代表sra格式文件大小，單位TB；橫坐標代表年；藍線(xiàn)代表總數據量）
Part 2?|?SRA數據庫中疾病相關(guān)數據統計
https://www.ncbi.nlm.nih.gov/sra/docs/
既然已經(jīng)有如此多的公共數據，我們應該充分挖掘，不僅可以產(chǎn)出新發(fā)現，也可以有效降低科研成本。俗話(huà)說(shuō)的好，知己知彼，百戰不殆。要想充分利用這些公共數據，我們首先需要對這些數據有更加深刻的認識，于是我們針對熱點(diǎn)研究疾病，統計了不同測序類(lèi)型的數據量，以及項目數和樣品數，想了解其他疾病數據量情況的童鞋可以文末留言，我們統計好之后發(fā)送給您。
熱點(diǎn)研究疾病數據統計（單位:Gbase）
熱點(diǎn)癌癥數據統計（單位:Gbase）
Part 3 |?公共數據使用策略
如此多的數據，該怎樣去利用，我們整理了一些思路，供大家參考。
策略一：數據整合，增大樣本量
以研究疾病相關(guān)基因表達為例，可以整合多個(gè)項目中的RNA-Seq數據（也可以結合自己的數據，增大樣本量），計算基因表達量，并篩選疾病組織和正常組織間差異表達的基因；
再針對差異表達基因進(jìn)行共表達分析，獲得共表達基因集；然后進(jìn)一步對這些基因的功能、所屬通路進(jìn)行分析，從而更完整的描述出疾病發(fā)生的機理。
策略二：多種疾病間橫向比較
以研究肺癌患者中S100A4基因的差異表達為例，通過(guò)下載其他類(lèi)型癌癥如：胸腺癌、惡性間皮瘤的RNA-Seq數據，并分析該基因在這兩種癌癥中的差異表達情況，如果與肺癌中有相同的差異表達趨勢，則可以增強我們結論的說(shuō)服力。
策略三：不同水平間橫向比較
分析不同水平的數據，如：細胞水平、組織水平、動(dòng)物模型上目標基因的差異表達情況，增強分析結論的說(shuō)服力。
策略四：不同類(lèi)型數據間聯(lián)合分析
我們只自測了mRNA數據，但是想了解miRNA對于mRNA的調控，那我們可以下載對應疾病的miRNA類(lèi)型的數據，通過(guò)兩者的聯(lián)合分析，更深入的了解疾病發(fā)生的機理。
Part 4 |?結語(yǔ)
公共數據使用看似很困難，需要下載、轉換格式、生信分析，目前百邁客云（www.holisticcircumcision.com）已經(jīng)集成了SRA數據檢索、下載、轉換和分析，我們錄制了一個(gè)短視頻，展示了如何通過(guò)簡(jiǎn)單的鼠標點(diǎn)擊高效完成以上所有工作，詳情：http://live.biocloud.net/open/course/10
參考文獻：
[1]????Chun-Ping Yu et al.?Transcriptome dynamics of developing maize leaves andgenomewide prediction of cis elements and their cognate transcription factors.Proc Natl Acad Sci . 2015
[2]????Iyer MK et al. The landscape oflong noncoding RNAs in the human transcriptome. Nat Genet. 2015
[3]????Patil G. et al. Soybean(Glycine max) SWEET gene family: insights through comparative genomics,transcriptome profiling and whole genome re-sequence analysis. BMC Genomics.2015
[4]????Matthijs M. et al. Profiling ofthe Early Nitrogen Stress Response in the Diatom Phaeodactylum tricornutumReveals a Novel Family of RING-Domain Transcription Factors. Plant Physiol.2016
?
免費贈送云平臺使用權限
點(diǎn)擊下方按鈕,參與調查問(wèn)卷,獎品可以任選其一：
獎品一：免費使用百邁客云專(zhuān)業(yè)版套餐中真核有參轉錄組分析平臺（單次可分析300Gbase）或小RNA分析平臺（單次可分析400Mreads）或外顯子分析平臺（單次可分析300Gbase）完成一次SRA數據分析。
獎品二：開(kāi)通百邁客云所有工具（100+款）1個(gè)月免費使用權限。