Closed ixxmu closed 1 year ago
这个肝癌单细胞转录组数据的SRA数据库链接是:
可以看到居然是bam文件格式:
Organism Sample File Name Size Updated
Homo sapiens SAMN19017675 095_possorted_genome_bam.bam 55.2Gb 2021-05-05 10:26:32
Homo sapiens SAMN19017676 104_possorted_genome_bam.bam 22.8Gb 2021-05-05 05:41:14
Homo sapiens SAMN19017677 106_possorted_genome_bam.bam 21.1Gb 2021-05-05 05:51:20
Homo sapiens SAMN19017678 114_possorted_genome_bam.bam 50.1Gb 2021-05-05 08:36:12
Homo sapiens SAMN19017679 119_possorted_genome_bam.bam 44.7Gb 2021-05-05 09:00:40
Homo sapiens SAMN19017680 713_possorted_genome_bam.bam 21.4Gb 2021-05-05 06:10:24
Homo sapiens SAMN19017681 725_possorted_genome_bam.bam 26.2Gb 2021-05-05 05:42:48
Homo sapiens SAMN19017682 740_possorted_genome_bam.bam 52.5Gb 2021-05-05 09:12:26
其实也有对应的bioproject的ID :https://www.ncbi.nlm.nih.gov/bioproject/PRJNA727404
这里推荐每个人安装自己的conda,这样的话一个服务器里面的每个用户独立操作,安装方法代码如下:
# 首先下载文件,20M/S的话需要几秒钟即可
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
# 接下来使用bash命令来运行我们下载的文件,记得是一路yes下去
bash Miniconda3-latest-Linux-x86_64.sh
# 安装成功后需要更新系统环境变量文件
source ~/.bashrc
安装好conda后需要设置镜像(取决于你服务器的情况,部分网络比较好的服务器可以不设置镜像)
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
一个完整并且好用的conda真的是生产力工具。接下来就使用conda来配置mamba后设置kingfisher环境。
七八年前我写教程,尤其是多组学测序数据分析,都是从ncbi的sra数据库里面下载sra文件,然后一步步处理。很多教程还录制成为了视频上传到b站。但是读者多了之后我接受到的大家的反馈就是从ncbi的sra数据库里面下载sra文件实在是太慢了,因为我做演示的服务器在境外,所以自己压根就没有意识到这点。但是陆陆续续有小伙伴告诉我应该是使用aspera从ebi的ena数据库直接下载fastq文件即可,高速而且还少了一个sra文件转为fastq的步骤。所以后来我也开始在日常更新的公众号里面推荐这个方法,就是参考:使用ebi数据库直接下载fastq测序数据 , 需要自行配置好。但是风水轮流转,没想到,也没有过去多少年,就风水轮流转, aspera从ebi的ena数据库这个手段时灵时不灵的。现在只能是回归sra下载,见:转录组上游定量分析其实真不难,4步可定(一),从ncbi的sra数据库里面下载sra文件需要的是sra-tools这个工具套件, 如果你按照我的转录组流程配置:在全新服务器配置转录组测序数据处理环境,会发现安装的是sra-tools-2.8.0 ,后面仍然是报错,所以得指定版本,比如从github安装最新版。
慢慢的,大家在交流群提到了无论是使用sra-tools从ncbi的sra数据库里面下载sra文件,还是使用aspera从ebi的ena数据库直接下载fastq文件,都是得费劲测试和验证, 还得自己准备每个项目的全部的样品的信息,工作繁琐。所以就有了kingfisher,仅仅是需要一个项目ID,就可以自动去检索ebi的ena数据库和ncbi的sra数据库,自动合适的方式下载,非常方便。
代码如下所示:
conda install mamba
mamba create -n kingfisher python=3.8
mamba init
mamba list
mamba activate kingfisher
mamba install -c bioconda kingfisher
mamba activate kingfisher
kingfisher get -r SRP318499 -m ena-ascp ena-ftp prefetch aws-http
因为是根据sra数据库的id所以下载的是sra文件 , 需要把它们转为fq文件
ls *sra| xargs -iF -P 4 sh -c ' kingfisher extract --sra F -t 2 -f fastq.gz'
我看了看,可能是因为作者提供的bam文件的,所以这个过程显得非常奇怪:
ls -lh |cut -d" " -f 5-
13G 1月 20 21:04 SRP318499.1.fastq.gz
13G 1月 20 12:30 SRP318499.1.sra
9.9G 1月 20 21:01 SRP318499.2.fastq.gz
9.5G 1月 20 12:44 SRP318499.2.sra
20G 1月 20 21:49 SRP318499.3.fastq.gz
16G 1月 20 12:59 SRP318499.3.sra
21G 1月 20 21:52 SRP318499.4.fastq.gz
19G 1月 20 13:18 SRP318499.4.sra
19G 1月 20 13:38 SRP318499.5.sra
11G 1月 21 02:21 SRP318499.6.fastq.gz
9.7G 1月 20 13:47 SRP318499.6.sra
12G 1月 21 02:33 SRP318499.7.fastq.gz
9.9G 1月 20 14:02 SRP318499.7.sra
22G 1月 21 03:02 SRP318499.8.fastq.gz
22G 1月 20 14:25 SRP318499.8.sra
289G 1月 20 14:56 SRP318499.fastq
另外,也有可能是因为这个sra数据库项目是10x技术单细胞,所以上面的参数可能是不准确,所以我们重新使用一行代码下载数据,这次根据对应的bioproject的ID :https://www.ncbi.nlm.nih.gov/bioproject/PRJNA727404
mamba activate kingfisher
kingfisher get -p PRJNA727404 -m ena-ascp ena-ftp prefetch aws-http
但是很不幸,仍然是下载的每个样品是单个fq文件,不符合10x这个单细胞转录组技术。
ls -lh |cut -d" " -f 5-
26G 1月 21 09:54 SRR14424777.fastq.gz
14G 1月 21 10:04 SRR14424778.fastq.gz
11G 1月 21 10:10 SRR14424779.fastq.gz
24G 1月 21 10:25 SRR14424780.fastq.gz
25G 1月 21 10:41 SRR14424781.fastq.gz
12G 1月 21 10:49 SRR14424782.fastq.gz
13G 1月 21 10:57 SRR14424783.fastq.gz
27G 1月 21 11:18 SRR14424784.fastq.gz
这个时候需要参考 只能下载bam文件的10x单细胞转录组项目数据处理 ,如果你熟悉10x单细胞转录组数据,就知道:
首先,1-26个cycle就是测序得到了26个碱基,先是16个Barcode碱基,然后是10个UMI碱基;通常是R1文件
然后,27-34这8个cycle得到了8个碱基,就是i7的sample index;通常是I1文件
最后35-132个cycle得到了98个碱基,就是转录本reads(目前很多测序仪都是150bp了),通常是R2文件
也就是说R2 文件是真正的测序reads,肯定是文件最大。因为这个项目对应的ebi数据库链接是:https://www.ebi.ac.uk/ena/browser/view/PRJNA727404,就是上面的 kingfisher get -p PRJNA727404
命令获取到的8个fq.gz 文件。
所以仍然是得回到 https://trace.ncbi.nlm.nih.gov/Traces/?view=study&acc=SRP318499 页面,去下载那些bam文件,会复杂一点了。需要参考 只能下载bam文件的10x单细胞转录组项目数据处理 进行bam文件转为fq文件,然后再针对fq文件进行cellranger的定量流程。定量后的表达量矩阵很容易进行降维聚类分群,文章给出来的示范如下行:
可以看到,恶性肿瘤上皮细胞是每个病人都不一样,但是其它免疫细胞和间质细胞是可以比较好整合在一起的。感兴趣的可以去读一下文章:
正常走cellranger的定量流程即可,代码我已经是多次分享了。参考:
差不多几个小时就可以完成全部的样品的cellranger的定量流程。基础知识非常重要,我们在单细胞天地多次分享过cellranger流程的笔记(2019年5月),大家可以自行前往学习,如下:
如果你有自己的单细胞转录组数据需要处理,可以直接参加我们的活动 ,详见:春节期间单细胞转录组数据分析全免费,如果你感兴趣我们处理过的数据集,可以直接填表留下联系方式即可,我们会在元宵节之前统一发放全部的代码和数据给大家的:
强烈建议你推荐给身边的博士后以及年轻生物学PI,多一点数据认知,让他们的科研上一个台阶:
https://mp.weixin.qq.com/s/1WwI7kIRVqHZXpqYmfkTnQ