catbook Keyao Zhu Phd student, Peking University

【杂谈】SRA/GEO数据库编号层级

Dec 18, 2023 » plogs

在学习过程中时，遇到了很多让人头大的公共数据库编号，故在这里做一个简单的梳理和存档。

1. NCBI Sequence Read Archive (SRA)

“raw sequence data files”

SRA 数据库包含实验的原始序列数据，适用于自己想下载并自行重新分析数据的情况。它们一般都通过一个共同的生物项目 ID 绑定在一起。

SRA中的编号有：

  • SRP (SRA Project): 代表SRA中的研究或项目编号。
  • SRS (SRA Sample) : 代表某个项目中的一个特定的样本。
  • SRX (SRA Experiment): 表示一个特定的实验。
  • SRR (SRA Run): 指一个特定的测序运行，是数据的实际来源。我们下载的数据通常就是以SRR开头的。

其中的关系可以由下面这张图表示：

1.png

来源：[Accessing public genomic data: SRA | Accessing Public Genomic Data (hbctraining.github.io)] (https://hbctraining.github.io/Accessing_public_genomic_data/lessons/downloading_from_SRA.html)

2.png

来源：[SRAdb.pdf (bioconductor.org)]

举例来说，就是这样的：

3.png

2. NCBI Gene Expression Omnibus (GEO)

“processed sequence data files”

GEO 包含与特定实验相关的数据，在大多数情况下，这些数据是经过处理的数据（例如，经过一个或多个分析步骤，如修剪、与参考文献比对、R/BioC 等）。这些文件都会绑定到特定的汇编版本以及与之相关的任何内容（注释等）。

GEO有四种类型的数据：

  • Platform (GPL) = the technology used and the features detected.

    用于描述用于实验的技术平台，如特定类型的芯片或测序技术。

  • Series (GSE) = defines a set of samples and how they are related.

    代表一个数据系列，包含多个样本（GSM）

  • Sample (GSM) = preparation and description of the sample.

    指一个单独的生物学样本，包含特定的基因表达数据。

  • DataSets (GDS) = sample data collections assembled by GEO staff.

    GEO 工作人员收集的样本数据。GDS 包含了跨多个样本的基因表达数据，这些数据已被处理以便于比较和分析。例如，数据可能已经被归一化，以消除不同实验条件或平台带来的偏差。

4.png