生信入门：如何将测序原始数据上传NCBI

身边的小伙伴们经常咨询我如何上传原始数据到NCBI，于是就有了这篇文章。

在多数国际期刊上发表学术论文的一个前提条件：提供所涉高通量测序数据的Accession Number。这就需要将测序数据raw reads（fastq文件）上传到某个公开的数据库，然后在文章中标明数据存储的位置和登录号。

NCBI的SRA (Sequence Read Archive) 是最常用的存储高通量测序数据的数据库。

大家可能觉得数据上传很困难，实际上并不复杂。除了先注册一个NCBI帐号（https://submit.ncbi.nlm.nih.gov/），只需以下三步：

1.      申请BioProject号;

2.      申请BioSample号；

3.      创建SRA任务并上传数据。

申请BioProject号

填写测序项目的研究目的，按照实际情况填写就可以。关于其中的项目类型（Project Type）的选择，一般高通量测序数据可选择“Raw sequence reads”。

申请成功后，1小时内邮箱会收到以 PRJN 开头的BioProject号。注意BioProject号是以 PRJN 开头的，而不是SUB开头的号。这步小伙伴们一般都木有问题。

申请BioSample号

填写测序所用的样品的性质，包括样品名称、类型、来源等。通常来说，一个样品就是一个BioSample。

注意：如果是多个样品请选择Batch/Multiple BioSamples这个选项，可以批量处理，填写一个表格上传就可以，不用一个样品一个样品的提交。

在填写Attributes这一步时，小伙伴们最容易出现类似如下的报错信息：

解决方法：确保organism那一列可以区分每个样品，也就是说每个样品的命名不要重复。

正确上传表格后，点击最后的Submit。经过以上步骤，1-2天内邮箱会收到以 SAMN 开头的BioSample 号。

创建SRA任务并上传数据

上传数据：完成以上内容后，即可进行最关键的一步，也就是数据上传。

有三种方法可以上传：

·       Aspera浏览器插件

·       Aspera命令行和FTP上传

·       Amzon S3方式

如果数据量比较小，直接在线上传就可以。

数据量比较大的需要用Aspera命令行或FTP的方式上传。

如果使用FTP提交（国内速度比较慢），可以点击FTP upload，页面就会发生变化，跳出每个用户专门的预上传地址（包括用户名、密码、指定的上传目录）

之后找一个像FileZilla这样的图形化的FTP工具上传即可，或者通过linux服务器下的lftp命令上传。

lftp是一个功能强大的下载工具，它支持访问文件的协议: ftp, sftp,ftps, http, https等等。 它还有书签、排队、镜像、断点续传、多进程下载等功能。

1 先登录上ftp：

lftp [e-mail]:/uploads/… 回车 

## 回车后输入密码

2 mput *fastq.gz

批量上传当前目录下的所有以fastq.gz结尾的数据

3 ctrl+z

后台运行。如果文件没传完就断了怎么办，可以使用mget的-c参数断点续传

4 mget -c *fastq.gz

所有数据上传之后，你可以点击页面的New submission创建一个新的上传任务，然后就是一步一步的填写信息，将你预先上传的文件名字和你的样品名字进行对应。完成之后耐心等待反馈即可。

需要注意的是，上传的过程中很多地方一旦点击submit就不可以修改。但是，可以写信给NCBI（[e-mail] ）修改内容。如果顺利的话，不超过48小时，就可以得到确认，并拿到登录号。

由于特朗普政府的原因已经造成多次NCBI停摆事件，让生物圈的小伙伴们惊慌不已。

咱们中国科学院北京基因组研究所生命与健康大数据中心 （BIG Data Center, http://bigd.big.ac.cn） 已开发建立了具有自主知识产权的基因组数据汇交、管理与共享系统 Genome Sequence Archive（GSA, http://gsa.big.ac.cn），其功能等同于美国NCBI的SRA，小伙伴们也可以关注一下。 

生信有那么多技能，你不进来学几招再走么？

长按识别二维码关注