deepbiome.org

生物医学数据挖掘：GEBA-I 1003基因组数据集

一、背景信息：

该数据集来自 GEBA-I，属于 DOE JGI 的细菌与古菌基因组百科全书 (Genomic Encyclopedia of Bacteria and Archaea， GEBA) 项目。

GEBA-I 包含了 1003 个基因组（974 个细菌 和 29 古细菌类型菌株），其中 396 个基因组属于一个属的第一个测序基因组，极大扩展了微生物基因组系统进化多样性。

1003 个基因组的除了可以通过综合微生物基因组和微生物系统（Integrated Microbial Genomes with Microbiomes，IMG/M）获得数据，也可以通过 NCBI 的 Genbank 数据库获得基因组及其注释信息。

1003个基因组质量都很高，根据 CheckM （一款根据一组Marker基因评估基因组完整度的应用）的评估结果显示，平均基因组完整度可达到99.4%， 该数据集除了可以帮助更准确的鉴定菌株，对环境DNA样本测序的注释（功能和物种来源）也会有很大贡献。

菌株生境分布图， 包括了工业废弃物、人体、极端环境、陆地生物群落、土壤、污泥、食物、动植物的等。

菌株生境分布图

了解更多请参考GEBA项目可以参考下面两个连接：

• Jonathan Eisen：GEBA pilot文章背后的故事
• DOE JGI： GEBA项目主页

二、数据处理：

• 菌株信息

可以从 Nature Biotechnology 补充材料 ( 地址 ) 获得菌株信息，主要信息为IMG基因组编号以及 GenBank 编号。

第三方提交的名称一般比较错乱，统一使用NCBI的拼装数据库 (文章， 数据库) 是比较好的选择，所有需要将提供的 GenBank LOCUS号、GenBank ACCESSION号、SRA号 以及GenBank拼装号，统一转换成拼装数据库中的拼装号会比较合适。

tabtk cut -r -f1,4,6,20 data/assembly_summary_genbank.txt >>analysis/assembly.txt
tabtk cut -r -f19,9,2,21 data/prokaryotes.txt >>analysis/assembly.txt

• 关系映射

通过GenBank的拼装报告获取NCBI的基因组拼装标识符，并进行下载数据以及获取物种信息。

geba-map analysis/assembly.txt analysis/GEBA-I.txt >analysis/GEBA-I-assembly.txt

注： 其中一个编号映射重复，所有一共1002个基因组数据。

• Taxonomy 映射并绘制物种分布图

taxon-translate /biostack/database/taxonomy/ncbi.map analysis/GEBA-I-assembly.txt | tabtk_bins - 1 | tabtk cut -r -f2,1 | sort -k1nr | sed 's/;/\t/g' > analysis/GEBA-I.krona
ktImportText -o analysis/GEBA-I.html analysis/GEBA-I.krona

1002个NCBI 拼装数据库物种分布图

数据分析来自DeepBiome数据挖掘团队: 2017-06-26

DeepBiome生物医学数据挖掘：NCTC3000数据

背景介绍：

NCTC 3000是 Public Health England、Pacific Biosciences 、Wellcome Trust Sanger Institute的一个合作项目，目的是完成3000个细菌菌株的测序工作，菌株来源于National Collection of Type Cultures（NCTC）， 测序平台采用 Pacific Biosciences 的单分子实时测序技术（SMRT）。

截至2017年6月12日，共完成533个物种，1735个样本的测序工作，其中1136个样本采用了手动地拼装，89个菌株是自动化拼装。

值得注意的是NCTC 菌种库很多都没有参考基因组，NCTC 3000 给菌株鉴定提供了很好的参考信息。

相关链接：

Twitter： https://twitter.com/nctc_3000
项目目录：http://www.sanger.ac.uk/resources/downloads/bacteria/nctc/

数据处理：

• 数据表生成

  curl http://www.sanger.ac.uk/resources/downloads/bacteria/nctc/ | nctc3000-table - > nctc3000.tsv

• 数据下载

  nctc3000-download nctc3000.tsv ftp

根据表格显示实际基因组个数为1141， 其中 79 个为EMBL文件格式，1062个为gff文件格式。
为了获得对应每个基因组的基因组核酸序列、氨基酸序列、CDS序列及其基因编码格式信息， 现在需要将所有gff或者EMBL文件进行数据抽提。

本项目使用了 gargs、BioPerl、 Bedtools、Transeq、KronaTools 以及很多脚本完成数据的格式转换。

• 格式转换

  nctc3000-parse nctc3000.tsv ftp data

• mash指纹库构建

  nctc3000-mash nctc3000.tsv data fingerprint

• 物种分布

  nctc3000-taxonomy nctc3000.tsv taxonomy

1735个基因组的物种分布图Krona样式展示如下：

具体实现是使用了下面借个命令：

生成Krona文件

taxon-translate /biostack/database/taxonomy/ncbi.map taxonomy/metadata.tsv | tabtk_bins list.map 1 | tabtk cut -r -f2,1 | sed 's/;/\t/g' >taxonomy/krona.txt ;

导入Krona

ktImportText -o taxonomy/krona.html taxonomy/krona.txt;

首先通过ENA数据库检索每个基因组对应的Taxonomy信息，然后使用上述命令完成统计分析。

结论:

通过下载NCTC的基因组数据以及对应注释文件，完成的氨基酸序列、CDS序列的获取以及对生成基因组的指纹，用于菌株鉴定，对ENA的菌株信息进行关联获取了原始测序数据信息。

数据分析来自DeepBiome数据挖掘团队: 2017-06-13