【原】經驗 | 記錄 NCBI 下載基因組的大坑

生信藥丸 2021-08-21

展開全文

寫在前面

最近分析的物種由于國外品種與國內品種差異還是比較大,，雖然大部分文章用的參考基因組都是以國外品種為主，但是由于考慮到目前我這邊數(shù)據幾乎全部都是來源于國內品種,，因此在考慮是不是用國內品種的基因組會更妥善,。
剛好今年4月份國內品種的基因組又更新了一版，似乎是國內品種中目前質量最高的參考基因組,，有被吸引到,，因此有了這篇踩坑記錄。。,。。,。

一,、在基因組文獻中找到參考基因組及注釋的存儲路徑

如圖可知該基因組存儲在ncbi上，也給出了BioProject Number,。注釋文件存儲在另外一個網站,，似乎類似于FTP，直接下載即可,，并沒有太大問題,。

二、NCBI下載基因組與注釋文件（開始踩坑）

根據給出的BioProject Number,，直接在NCBI上進入物種基因組下載界面,，并點擊下載

在NCBI上，一般能夠下載到某物種的基因組文件及其對應的注釋文件,。但是我要下的該物種似乎確實沒有將注釋文件一并上傳到NCBI上,。因此直接去文章中給出的鏈接下載。

得到基因組與注釋文件之后,，使用TBtools提取CDS序列一直提不出來,，非常奇怪。

一般來說遇到這種情況,，基本上都是用戶操作不當或者文件有問題,。因此直接查一下文件的完整性。
使用TBtools的File MD5 Sum功能計算下載的基因組的MD5,，發(fā)現(xiàn)文件完整度沒問題。

提不出CDS序列,，輸出的是空文件,。也許是GFF3文件哪里有問題。檢查了一下,，發(fā)現(xiàn)似乎也沒異常,，該有的信息都有，除了基因ID長得比較奇怪,。,。。而且TBtools也能夠成功提取該GFF3文件的信息,，

順道看了一眼參考基因組內容,，驚呆了。。,。問題竟然出現(xiàn)在染色體ID上,，應該是NCBI默認給染色體ID更改過了名字，導致參考基因組中的染色體ID與GFF3中的染色體ID不一致,。雖然信息很全,，但是并沒有啥用，甚至還會導致一系列報錯,。,。

fine，既然找到了原因,，那么只需要寫個命令將基因組中的染色體名稱改成與GFF3中一致即可,。

三、關于下載參考基因組

我覺得下載參考基因組首先還是要直接看基因組文章里面DATA AVAILABILITY部分,，是否有給出基因組及其注釋文件的下載鏈接或者存儲網站,，直接訪問下載，往往會比較靠譜,。
網上搜索是否有所需物種相應的基因組數(shù)據庫
權威的綜合數(shù)據庫，如Ensembl,、Phytozome等等,。

最近Ensembl（https://asia./index.html）用的比較多，一般直接進入Ensembl提供的FTP中搜索自己需要的物種以及參考基因組版本,，F(xiàn)TP網址為：http://ftp./pub/
進入會看到版本選擇界面

確定好版本號之后，即可選擇要下載的文件類型,，Ensembl提供了非常詳細的相關文件下載，一般我們需要的是基因組序列以及注釋文件,，即fasta與gff3

接著選取所感興趣物種下載即可，可以下載其參考基因組序列,、CDS與蛋白序列等等

最后，關于Ensembl ID,。
通常Symbol是我們更愿意看到的ID,，即基因的官方名稱，如GFAP,、MYB等,，便于我們直觀的知道這是個什么基因，但是在數(shù)據分析的過程中,，基因ID往往不會直接以Symbol的形式出現(xiàn),，這個時候可以借助轉換工具來對其進行轉換，如Y叔的clusterProfiler,，或者直接在Ensembl網站上轉換等,。

Ensembl ID的含義，如ENSSSCG00000037372

其中ENS是Ensembl ID的標識符,；
SSC為物種名的縮寫（SSC指的是豬，如果是人的話,，則默認為ENS,，沒有物種名）；
G表示該ID為基因ID,，指的是一個基因,；如果是T，則為轉錄本ID,，指的是某個基因的轉錄本,；P則為蛋白；具體的縮寫可以參考Ensembl官方說明：http://asia./info/genome/stable_ids/prefixes.html
字母后面的一串數(shù)字為唯一的ID號,，若ID后面還帶著.1,、.2等版本號標識符（如：ENSSSCG00000037372.3），則表示其在Ensembl中更新的次數(shù),，一般在做分析時需要將版本號給去掉,。