SRA-Toolkit工具下载SRA数据

引言

高通量的原始数据通常情况下会上传到NCBI的SRA（Sequence Read Archive）数据库。

常见的下载方法有¹：

aspera 工具下载
wget, curl命令直接下载
NCBI官方的 SRA Toolkit 进行下载

aspera 工具配置麻烦，直接下载容易出错，~~所以使用SRA-Toolkit工具下载。(2024年04月27日)~~ SRA-Toolkit工具无断点续传，所以使用srapath获得地址后使用axel下载。

过程

`srapath`获得地址后使用`axel`下载 (2024年04月27日)

本来其实SRA-Toolkit足够好用了，但是当下载的文件由2G变成20G, 一旦出现网络波动几个小时的工作量就会付之东流…

所以还是万能的下载链接好使。

大概意思如下：

1 2	link=$(srapath $(sed -n "${i}p" $srr_acc_list_file)) axel -o $filename $link -k 32 &

使用 SRA-Toolkit 工具进行下载

下载 SRA-Toolkit 工具并安装

主要流程来源于官方教程及网络^2-3.

官方教程链接：

02. Installing SRA Toolkit · ncbi/sra-tools Wiki · GitHub

https://github.com/ncbi/sra-tools/wiki/02.-Installing-SRA-Toolkit

以CentOS为例：

下载sratoolkit.current-centos_linux64.tar.gz, 可以wget, 但推荐本地下载后传入。
传入目标文件夹，如/dev/sda1/home/tenney/app/sratoolkit/, 并在终端中进入该地址，如cd /dev/sda1/home/tenney/app/sratoolkit/, 对文件解压，tar -vxzf sratoolkit.tar.gz, 注意tar -vxzf后的内容可能产生变化，以实际为准，比如我是tar -vxzf sratoolkit.current-centos_linux64.tar.gz.
将二进制文件的路径附加到PATH环境变量中，如：export PATH=$PATH:$PWD/sratoolkit.3.0.5-centos_linux64/bin.
验证二进制文件是否可由shell找到：which fastq-dump.
测试工具包是否有效：fastq-dump --stdout -X 2 SRR390728.

永久添加环境变量可以写入~/.bashrc文件。

完整代码如下：

cd /dev/sda1/home/tenney/app/sratoolkit/
wget --output-document sratoolkit.tar.gz https://ftp-trace.ncbi.nlm.nih.gov/sra/sdk/current/sratoolkit.current-centos_linux64.tar.gz
tar -vxzf  sratoolkit.current-centos_linux64.tar.gz
export PATH=$PATH:$PWD/sratoolkit.3.0.5-centos_linux64/bin
which fastq-dump
# ~/app/sratoolkit/sratoolkit.3.0.5-centos_linux64/bin/fastq-dump
fastq-dump --stdout -X 2 SRR390728

prefetch 工具下载数据

提供RUN的SRR/DRR/ERR检索号即可下载，如prefetch ERR009357.

也可以提供列表，以\n分隔。

cat SRR_Acc_List.txt
# ERR003133
# ERR003134
# ERR003135
# ERR003136
# ERR003137
echo $(<SRR_Acc_List.txt)
# SRR12697742 SRR12697743 SRR12697759 SRR12697758 SRR12697757 SRR12697756 SRR12697751 SRR12697750 SRR12697749 SRR12697748 SRR12697741 SRR12697740
prefetch -O . $(<SRR_Acc_List.txt)
# 可以使用nohup + &  用于放入后台下载，避免关闭终端导致下载中断
# nohup prefetch -O . $(<SRR_Acc_List.txt) &

其中，-O .代表下载到当前文件夹，$(<SRR_Acc_List.txt)代表读入的列表。

Aspera的下载和安装

如果想获得更快的下载速度，就需要使用ibm-aspera软件。

Aspera——利用SRR号批量高效下载FASTQ或SRA数据 - 知乎

首先，在linux系统上，最推荐使用conda安装。

conda install -c hcc aspera-cli

如果使用全版本安装，可能会出现依赖包不匹配等问题，特别是最新版非常不推荐使用。

测试运行代码：

1
2
3

ascp  -vQT -l 500m -P33001 -k 1 -i \
~/.aspera/connect/etc/asperaweb_id_dsa.openssh \
era-fasp@fasp.sra.ebi.ac.uk:/vol1/fastq/SRR122/079/SRR12207279/SRR12207279_1.fastq.gz  ./

SRA数据转化为fastq文件

使用SRA-Toolkit中的fastq-dump工具将SRA数据转化为fastq文件。

转换之前需要知道我们拿到的数据是单端还是双端数据⁴。

# 如果返回值是4，就是单端SE；如果返回值是8，那么就是双端PE。
fastq-dump -X 1 --split-spot -Z SRR5489805.sra | wc -l

#SE数据
fastq-dump SRR15671203 -O ./

#PE数据
fastq-dump ERR009357.4 --split-3 -O ./

可以写一个批量脚本，输入文件在/data/input, 输出文件在/data/output.

#!/bin/bash

# 获取当前脚本所在目录，并输出
SHELL_FOLDER=$(cd "$(dirname "$0")";pwd)
echo $SHELL_FOLDER

# 将当前脚本所在目录加上"/data/input"作为输入目录
Input_Folder=${SHELL_FOLDER}"/data/input"

Output_Folder=${SHELL_FOLDER}"/data/output"
cd $Input_Folder

export PATH=$PATH:/dev/sda1/home/tenney/app/sratoolkit/sratoolkit.3.0.5-centos_linux64/bin
while read line
do
  fastq-dump $line -O $Output_Folder
done < SRR_Acc_List.txt

结论

值得注意的是，一个GSM编号是可能对应多个Run(SRR) 的，应对的方法可以是分别qc和align，最后quantification的时候考虑合并⁵。

简单来说，PRJNA相当于是一个project，里面可以有许多experiment（SRX）以及样品（SRS）,每个SRX可以有若干个Run（SRR）。你这3个Run应该分开qc和align，如果都没问题的话，最后quantification的时候可以合并。这样的好处是，如果里面有一个Run的数据不好，你可以知道并随时舍弃，而不会影响你最后的结果。