如何從NCBI下載基因組數據

• 本文關於如何在 NCBI 的 FTP 里下載需要的基因組數據。

已知信息

• 例如：我從文獻里看到作者測了 Escherichia coli ATCC 25922 的基因組，想從NCBI下載。

原文提供的信息是：

This Whole Genome Shotgun project has been deposited at DDBJ/EMBL/ GenBank under the accession number ASHD00000000. The version described in this paper is version ASHD01000000.

我們獲得的關鍵信息：

1. 物種和菌株名字：Escherichia coli ATCC 25922；
2. Accession number：ASHD00000000;
3. Version：ASHD01000000。

理論

• 平時下載單條序列常常是直接從頁面選擇導出fasta文件，對於基因組則應該找到它在 FTP 中的位置，然后將整個文件夾下載下來。

實際操作

• 在All database 里搜索 Escherichia coli ATCC 25922后發現在Genome數據庫中有1條信息。開心的點開后發現是所有大腸桿菌的基因組信息，一共有9610個。進入list之后搜索25922沒有任何結果。

問題：這里不支持模糊搜索，如果要得到結果，你需要精確的輸入 Escherichia coli ATCC 25922 Strain: ATCC 25922 Assembly: GCA_000401755.1。誰會知道這么詳細的信息？

• 正確操作：輸入 25922 之后按 上下箭頭，會自動補齊。

此時你應當在表中找到：

1. 可以點進FTP的鏈接。
2. Assembly：GCA_000401755.1 。
3. WGS：ASHD01。

說明

• 其實我想找的就是這個Assembly No.，因為它直接對應基因組在 FTP 中的文件夾位置。
• 點開FTP鏈接，你會進入以下文件夾：

ftp://ftp.ncbi.nlm.nih.gov/genomes/all/GCF/000/401/755/GCF_000401755.1_Escherichia_coli_ATCC_25922/

也就是在路徑 genomes → all → GCF → 000 → 401 → 755 中，F 代表這個地方的是 reference sequences。
實際上在 genomes → all → GCA → 000 → 401 → 755 中有一份一樣的。

• 如果原文提供的是 Assembly No ，你就不需要再去 NCBI 查找了，直接能通過 FTP 地址找到，我一般使用 FileZilla 來下載。

• 如果下載多個 genomes 也能根據 Assembly No 寫簡單代碼批量下載 代碼 link。

• 而 WGS 里面你可以單獨的看到每個蛋白質，cotig 等的信息，實際上就是把 FTP 里面能下的內容拆開了，並且是頁面下載的。

• NCBI 里面新舊命名系統，一個東西在不同的庫里面有不一樣的名字很是讓新手頭痛。

參考

[1] WGS頁面，此處應搜索ASHD01。
[2] 所有大腸桿菌基因組匯總，此次使用25922補齊信息搜索。
[3] NCBI提供的如何下載基因組說明。
[4] 實現批量下載。