【原】轉(zhuǎn)錄組不求人系列(二): 公共數(shù)據(jù)庫數(shù)據(jù)挖掘

TS的美夢 2021-12-18

展開全文

截至目前，無論是人的還是其他生物的，一些常見疾病還是模型都進(jìn)行過轉(zhuǎn)錄組測序，而且測序數(shù)據(jù)已經(jīng)上傳至公共數(shù)據(jù)庫，如果自己的研究中恰好需要一些組學(xué)數(shù)據(jù)支持，或者課題研究需要從組學(xué)尋找，那么最經(jīng)濟(jì)實(shí)惠的辦法就是數(shù)據(jù)挖掘了。很多時(shí)候，分子學(xué)實(shí)驗(yàn)想要看基因在組學(xué)驗(yàn)證下的變化，如果已經(jīng)有別人做的數(shù)據(jù)，直接就可以分析用，只是關(guān)注的基因不一樣，沒必要自己去測！

1、三大數(shù)據(jù)庫

一般測序數(shù)據(jù)發(fā)文章都會(huì)上傳至三大數(shù)據(jù)庫，話不多說，先上鏈接：

生物信息三大數(shù)據(jù)：NCBI（https://www.ncbi.nlm./genome/）

EMBL_EBI（https://www./）

NGDC（https://ngdc./）

NCBI大家應(yīng)該很熟悉了，測序數(shù)據(jù)在其GEO數(shù)據(jù)庫中：GEO數(shù)據(jù)庫比較友好，基本會(huì)上傳count數(shù)據(jù)或者表達(dá)矩陣，比較友好！

EMBL_EBI歐洲生物信息研究所：EMBL_EBI一般上傳的都是測序的原始文件，例如FASTQ文件，如果需要挖掘則需要從頭開始，要求較高！

NGDC國家基因組科學(xué)數(shù)據(jù)中心。近年來我國也越來越重視這一塊了，現(xiàn)在很多國人的數(shù)據(jù)都會(huì)放在這上面。NGDC中的數(shù)據(jù)一般不公開，如果需要使用需要聯(lián)系作者獲得其同意！

三個(gè)數(shù)據(jù)庫雖然不同，但是基本形式是一樣的，上傳的測序數(shù)據(jù)有原始數(shù)據(jù)，也有樣本信息的metadata數(shù)據(jù)。數(shù)據(jù)庫的檢索要么按照關(guān)鍵字檢索，要么通過數(shù)據(jù)集號檢索！

2、以GEO數(shù)據(jù)為例，下載轉(zhuǎn)錄組數(shù)據(jù)

轉(zhuǎn)錄組數(shù)據(jù)分為兩種，一種是芯片數(shù)據(jù)，一種是高通量數(shù)據(jù)，這兩種數(shù)據(jù)分析方法不同，數(shù)據(jù)文件不同。我們分別為例，找兩組數(shù)據(jù)看看其差別和具體內(nèi)容。

芯片數(shù)據(jù)，直接在GEO中搜索<Pancreatic cancer, array>，選擇一個(gè)合適的數(shù)據(jù)（我這里是隨機(jī)選擇的），選擇了GSE125424。

從主頁就可以看出樣本的所有信息。

點(diǎn)擊下載Series Matrix file即為其表達(dá)矩陣。這里需要注意一點(diǎn)。如果這個(gè)矩陣不完整，記得下載下方的RAW data，用這個(gè)數(shù)據(jù)去做。下載完的的數(shù)據(jù)打開發(fā)現(xiàn)，基因名為序號，所以還需要下載其注釋平臺(tái)的信息。

高通量數(shù)據(jù)，檢索時(shí)可限定為<Pancreatic cancer, high throughput sequencing>樣本信息和芯片數(shù)據(jù)一樣，可以查看。數(shù)據(jù)下載方法也一樣！

然而，這里有個(gè)問題我不得不提，光看數(shù)據(jù)主頁的信息是不夠的，樣本信息也很重要，有時(shí)候我們需要做與性狀的關(guān)聯(lián)，所以還需要詳細(xì)的樣本信息。在頁面的最底部，點(diǎn)擊SRA Run Selector（很多網(wǎng)上的帖子很少提到這個(gè)信息）