- 本文关于如何在
NCBI的FTP里下载需要的基因组数据。
已知信息
- 例如：我从文献里看到作者测了 Escherichia coli ATCC 25922 的基因组，想从NCBI下载。
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.
我们获得的关键信息：
- 物种和菌株名字：Escherichia coli ATCC 25922；
- Accession number：
ASHD00000000; - Version：
ASHD01000000。
理论
- 平时下载单条序列常常是直接从页面选择导出fasta文件，对于基因组则应该找到它在 FTP 中的位置，然后将整个文件夹下载下来。
实际操作
- 在
All database里搜索Escherichia coli ATCC 25922后发现在Genome数据库中有1条信息。开心的点开后发现是所有大肠杆菌的基因组信息，一共有9610个。进入list之后搜索25922没有任何结果。
问题：这里不支持模糊搜索，如果要得到结果，你需要精确的输入
Escherichia coli ATCC 25922 Strain: ATCC 25922 Assembly: GCA_000401755.1。谁会知道这么详细的信息？
- 正确操作：输入
25922之后按上下箭头，会自动补齐。
此时你应当在表中找到：
- 可以点进FTP的链接。
- Assembly：GCA_000401755.1 。
- WGS：ASHD01。
说明
- 其实我想找的就是这个Assembly No.，因为它直接对应基因组在 FTP 中的文件夹位置。
- 点开FTP链接，你会进入以下文件夹：
ftp://ftp.ncbi.nlm.nih.gov/genomes/all/GCF/000/401/755/GCF_000401755.1_Escherichia_coli_ATCC_25922/
也就是在路径 genomes → all → GCF → 000 → 401 → 755 中，F 代表这个地方的是 reference sequences。
实际上在 genomes → all → GCA → 000 → 401 → 755 中有一份一样的。
-
如果原文提供的是
Assembly No，你就不需要再去 NCBI 查找了，直接能通过FTP地址找到，我一般使用FileZilla来下载。 -
如果下载多个 genomes 也能根据
Assembly No写简单代码批量下载 代码 link。 -
而
WGS里面你可以单独的看到每个蛋白质，cotig 等的信息，实际上就是把FTP里面能下的内容拆开了，并且是页面下载的。 -
NCBI 里面新旧命名系统，一个东西在不同的库里面有不一样的名字很是让新手头痛。
参考
[1] WGS页面，此处应搜索ASHD01。
[2] 所有大肠杆菌基因组汇总，此次使用25922补齐信息搜索。
[3] NCBI提供的如何下载基因组说明。
[4] 实现批量下载。
