iSeq：GSA-SRA-ENA-GEO-DDBJ 数据下载一网打尽

最近需要下载些公共数据，在简书上搜索到了有小伙伴介绍 iseq，测试了下效果不错，可以媲美 KingFisher，虽然还没曾正式发表（预印本），亲测效果不错，推荐。iSeq 是一个 Bash 脚本，允许您从 GSA[1]、SRA[2]、ENA[3] 和 DDBJ[4] 数据库下载测序数据和元数据。

简单流程

详细流程

安装

conda 可以轻松安装 iSeq

# 现在conda也正在追赶mamba的步伐，变得更快呢，当然还有更快的pixi
conda create -n iseq -c conda-forge -c bioconda iseq
conda activate iseq

新版本也可以从源码安装，但是这不是一般人的选择，这里就省略啦！

使用测试

速度是相当给力的，特别是瞬时速度，偶尔可以跑满宽带。当然，有少数样本会出现 md5 校验失败，反复下载也不行的，只有放弃啦！

iSeq 使用方法

$ iseq --help

Usage:
  iseq -i accession [options]

Options:
Required parameter:
  -i, --input       TEXT        accession (Project, Study, Sample, Experiment, or Run)

Optional parameters:
  -m, --metadata                Skip the sequencing data downloads and only fetch the metadata for the accession.
  -g, --gzip                    Download FASTQ files in gzip format directly (*.fastq.gz).
                                note: if *.fastq.gz files are not available, SRA files will be downloaded and converted to *.fastq.gz files.
  -q, --fastq                   Convert SRA files to FASTQ format.
  -t, --threads     INT         The number of threads to use for converting SRA to FASTQ files or compressing FASTQ files (default: 8).
  -e, --merge                   Merge multiple fastq files into one fastq file for each Experiment, the accession can't be the Run ID.
  -d, --database    [ena|sra]   The database to download SRA files from (default: auto-detect),
                                note: some SRA files may not be available in the ENA database, even if you specify "ena".
  -p, --parallel    INT         Download sequencing data in parallel, the number of connections needs to be specified, such as -p 10.
                                note: breakpoint continuation cannot be shared between different numbers of connections.
  -a, --aspera                  Use Aspera to download sequencing data, only support GSA/ENA database.
  -h, --help                    Show the help information.
  -v, --version                 Show the script version.

1. -i, --input

输入你想下载的 accession，首先获取 accession 的 metadata，然后逐一对包含在内的 Run ID 进行下载。

iseq -i PRJNA211801

目前支持以下 5 个数据库的 6 种数据格式，支持的 accession 前缀如下：

其中对于来自于 GEO 数据库的两种数据格式GSE/GSM，会直接获取到与之关联的PRJNA/SAMN，然后获取到包含在内的 Run ID 并进行测序数据的下载。因此，本质上还是从 SRA 数据库中下载测序数据。

以下是一些例子：

总之，无论你的 accession 是 6 种数据格式的哪一种，最终都会对其中包含的 Run ID 逐一下载并检查文件的 md5 值，如果 md5 值和公共数据库中的不一致，则会进行至多 3 轮的重新下载。如果在 3 次尝试内下载并校验成功，则会将文件名存入success.log中，否则，下载失败，文件名将会存入fail.log中。

2. -m, --metadata

只下载 accession 的样本信息，跳过测序数据的下载。

iseq -i PRJNA211801 -m
iseq -i CRR343031 -m

因此，无论使用不使用-m参数，accession 的样本信息都会被获取到，如果 metadata 获取不到的话，iSeq 程序会退出，不会执行后续下载。

[!NOTE] > 注意 1：如果检索的 accession 在 SRA/ENA/DDBJ/GEO 数据库中，iSeq 会首先在 ENA 数据库中进行检索，如果可以检索到样本信息，则会通过ENA API[5]下载TSV格式的 metadata，通常有 191 列。但是，有些最新在 SRA 数据库中公开的数据可能不会及时同步到 ENA 数据库中。因此，如果一旦无法在 ENA 数据库中获取到 metadata 的信息，则直接通过SRA Database Backend[6]下载CSV格式的 metadata，通常有 30 列。为了和 TSV 格式保持一致，会通过sed -i 's/,/\t/g'的方式改为 TSV 格式，如何单个字段含有逗号，可能会造成列的混乱。最终，你将得到名字为${accession}.metadata.tsv的样本信息。

[!NOTE] >注意 2：如果检索的 accession 在 GSA 数据库中，iSeq 会通过 GSA 的getRunInfo[7]接口获取样本信息,下载CSV格式的 metadata，通常有 25 列，上述得到的 metadata 信息会被保存为

3. -g, --gzip

直接下载 gzip 格式的 FASTQ 文件，如果不能直接下载，则会下载 SRA 文件并通过多线程分解和压缩转换为 gzip 格式。

iseq -i SRR1178105 -g

由于GSA数据库直接存储的格式大多数为gzip格式，因此，如果检索的 accession 来自于GSA数据库，无论是否使用-g 参数都可以直接下载gzip格式的 FASTQ 文件。如果 accession 来自于SRA/ENA/DDBJ/GEO数据库，那么 iSeq 会首先访问ENA数据库，如果可以直接下载gzip格式的 FASTQ 文件，则会直接下载，否则，会下载SRA文件并通过fasterq-dump工具转换为FASTQ, 然后通过pigz工具对FASTQ文件进行压缩，最终得到gzip格式的 FASTQ 文件。

4. -q, --fastq

将下载完成的 SRA 文件分解为多个未压缩的 FASTQ 格式。

iseq -i SRR1178105 -q

该参数只有在 accession 来自于SRA/ENA/DDBJ/GEO数据库，并且下载的文件为 SRA 文件时才有效。总之，SRA 文件下载完成后，iSeq 会通过fasterq-dump工具转换为FASTQ文件，除此之外，可以通过-t参数指定转换的线程数。

[!NOTE] > 注意 1：-q在下载单细胞数据,尤其对于 scATAC-Seq 数据，可以很好的分解出I1, R1, R2, R3四个文件。而如果通过-g参数直接下载 FASTQ 文件，只会得到R1, R3两个文件（如：SRR13450125），这可能会导致后续数据分析时出现问题。

[!NOTE] > **注意2**：-q和-g同时使用的时候，会先下载 SRA 文件，然后通过fasterq-dump工具转换为FASTQ文件，最后通过pigz压缩为 gzip 格式。并不是直接下载 gzip 格式的 FASTQ 文件，这对获取全面的单细胞数据非常有用。

5. -t, --threads

指定分解 SRA 文件为 FASTQ 文件或者压缩 FASTQ 文件的线程数，默认为 8。

iseq -i SRR1178105 -q -t 10

考虑到测序数据一般都是大文件，因此，可以通过-t参数指定分解的线程数，但是，线程数不是越多越好，因为线程数过多会导致 CPU 或者 IO 负载过高，尤其是fasterq-dump会占用大量 IO，从而影响其他任务的执行。

6. -e, --merge

将 Experiment 中的多个 FASTQ 文件合并为一个 FASTQ 文件。

iseq -i SRX003906 -e -g

虽然大多数情况下，一个 Experiment 仅包含一个 Run，但是有些测序数据中的 Experiment 中可能包含多个 Run（如SRX003906, CRX020217），因此，可以通过-e参数将 Experiment 中的多个 FASTQ 文件合并为一个 FASTQ 文件。考虑到双端测序时，fastq_1和fastq_2文件需要同时合并且对应行号的序列名需要保持一致，因此，iSeq 会按照相同的顺序合并多个 FASTQ 文件。最终，对于单端测序数据会生成一个文件：SRX*.fastq.gz，对于双端测序数据会生成两个文件：SRX*_1.fastq.gz和SRX*_2.fastq.gz。

[!NOTE] > 注意 1：如果 accession 是 Run ID，则不能使用-e参数。目前，iSeq 支持合并 gzip 压缩和未压缩的 FASTQ 文件，对于 bam 文件和 tar.gz 文件等暂不支持合并。

[!NOTE] > 注意 2：正常情况下，一个 Experiment 仅包含一个 Run 时，相同的 Run 应该有相同的前缀。如SRR52991314_1.fq.gz和SRR52991314_2.fq.gz都有相同的前缀名SRR52991314，此时，iSeq 会直接重命名为SRX*_1.fastq.gz和SRX*_2.fastq.gz。但是有例外的情况，如CRX006713中包含有一个 Run 为CRR007192，但是该 Run 包含多个前缀名不同的文件，此时，iSeq 会直接重命名为SRX*_原本的文件名，如这里将直接重命名为：CRX006713_CRD015671.gz和CRX006713_CRD015672.gz。

7. -d, --database

指定下载 SRA 文件的数据库，支持ena和sra两种数据库。

iseq -i SRR1178105 -d sra

通常情况下，iSeq 默认会自动检测可用的数据库，所以不需要指定-d参数。但是，有些 SRA 文件可能在 ENA 数据库中下载速度较慢，此时可以通过-d sra强制指定从 SRA 数据库下载数据。

[!NOTE] > 注意：如果在 ENA 数据库中没有找到对应的 SRA 文件，即使指定了-d ena参数，iSeq 依旧会自动切换到 SRA 数据库进行下载。

8. -p, --parallel

开启多线程下载，需要指定下载的线程数。

iseq -i PRJNA211801 -p 10

考虑到wget在部分情况下下载速度较慢，因此，可以通过-p参数让iSeq调用axel工具进行多线程下载。

[!NOTE] > 注意 1：多线程下载的断点续传功能只能在同一个线程内有效，即如果在第一次下载时使用了-p 10参数，那么在第二次下载时也需要使用-p 10参数，否则无法实现断点续传。

[!NOTE] > 注意 2：如上，iSeq 将全程保持 10 个连接进行下载，因此在下载的过程中你将多次看到相同的Connection * finished弹出，这是因为有些连接下载完成后会立即释放，然后重新建立新的连接进行下载。

9. -a, --aspera

使用 Aspera 进行下载。

iseq -i PRJNA211801 -a -g

由于Aspera下载速度较快，因此，可以通过-a参数让iSeq调用ascp工具进行下载。可惜的是，目前仅有GSA和ENA数据库支持Aspera下载，NCBI SRA数据库由于广泛采用了Google Cloud 和 AWS Cloud技术以及其他原因（请看Avoid-using-ascp），暂无法使用Aspera进行下载。

推文内容来源：

• 生信 | iSeq 超便捷！快速下载 GSA/SRA/ENA 的数据以及 metadata 信息 - 简书 ]: https://www.jianshu.com/p/7ed73f036590
• BioOmics/iSeq: Download sequencing data and metadata from GSA, SRA, ENA, and DDBJ databases. https://github.com/BioOmics/iSeq

外部链接：

[1]

GSA: https://ngdc.cncb.ac.cn/gsa/

[2]

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

[3]

ENA: https://www.ebi.ac.uk/ena/

[4]

DDBJ: https://www.ddbj.nig.ac.jp/

[5]

!NOTE] > 注意 1：如果检索的 accession 在 SRA/ENA/DDBJ/GEO 数据库中，iSeq 会首先在 ENA 数据库中进行检索，如果可以检索到样本信息，则会通过[ENA API: https://www.ebi.ac.uk/ena/portal/api/swagger-ui/index.html

[6]

SRA Database Backend: https://trace.ncbi.nlm.nih.gov/Traces/sra-db-be/

[7]

!NOTE] >注意 2：如果检索的 accession 在 GSA 数据库中，iSeq 会通过 GSA 的[getRunInfo: https://ngdc.cncb.ac.cn/gsa/search/getRunInfo

[8]

exportExcelFile: https://ngdc.cncb.ac.cn/gsa/file/exportExcelFile