數據淘金——公共數據再利用

百度可以买彩票 www.hhjibw.com.cn 高通量測序技術的出現,使全世界產出的測序數據出現了爆炸式增長,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中專門用于存放原始高通量測序數據的一個子庫,收錄了各種二代、三代測序儀產生的數據,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

有過數據上傳經歷的童鞋應該對SRA并不陌生,上傳數據前我們一般要創建BioProject、BioSample,用于詳細說明項目信息、樣品信息;并通過SRA的Experiment、RUN描述建庫測序相關信息,如建庫類型、測序儀器、單雙端等;下圖概括出了幾者之間的關系。

https://www.ncbi.nlm.nih.gov/sra/docs/submitmeta/

SRA上傳和檢索數據時,我們會遇到各種各樣的編號,這些編號間的對應關系通過下表我們可以理清。項目和樣品信息首先會存放在BioProject和BioSample數據庫中,得到類似PRJNA和SAMN的編號;在SRA數據庫中也會對項目和樣品進行編號,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中已經累計存儲了超過20P堿基數據,而且每年仍在以極快的速度增長。

SRA數據量增長圖(縱坐標代表sra格式文件大小,單位TB;橫坐標代表年;藍線代表總數據量)

Part 2?|?SRA數據庫中疾病相關數據統計

在SRA數據庫的愿景中,除了進行原始測序數據的保存之外,還有一個目的就是希望這些數據可以被再次利用,得出新的發現。但是目前這些數據就像宇宙中無法被探測的暗物質,無人問津。

https://www.ncbi.nlm.nih.gov/sra/docs/

既然已經有如此多的公共數據,我們應該充分挖掘,不僅可以產出新發現,也可以有效降低科研成本。俗話說的好,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,于是我們針對熱點研究疾病,統計了不同測序類型的數據量,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,我們統計好之后發送給您。

熱點研究疾病數據統計(單位:Gbase)

熱點癌癥數據統計(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

以研究疾病相關基因表達為例,可以整合多個項目中的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行共表達分析,獲得共表達基因集;然后進一步對這些基因的功能、所屬通路進行分析,從而更完整的描述出疾病發生的機理。

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,通過下載其他類型癌癥如: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、動物模型上目標基因的差異表達情況,增強分析結論的說服力。

策略四:不同類型數據間聯合分析

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類型的數據,通過兩者的聯合分析,更深入的了解疾病發生的機理。

Part 4 |?結語

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(百度可以买彩票 www.hhjibw.com.cn)已經集成了SRA數據檢索、下載、轉換和分析,我們錄制了一個短視頻,展示了如何通過簡單的鼠標點擊高效完成以上所有工作,詳情://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

點擊下方按鈕,參與調查問卷,獎品可以任選其一:

獎品一:免費使用百邁客云專業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:開通百邁客云所有工具(100+款)1個月免費使用權限。