如何从NCBI下载基因组数据

• 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：

1. 物种和菌株名字：Escherichia coli ATCC 25922；
2. Accession number：ASHD00000000;
3. 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：

1. 可以点进FTP的链接。
2. Assembly：GCA_000401755.1 。
3. 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。