配置ascp代理高速下载sra数据
wget http://download.asperasoft.com/download/sw/connect/3.7.4/aspera-connect-3.7.4.147727-linux-64.tar.gz
tar zxvf aspera-connect-3.7.4.147727-linux-64.tar.gz
#安装
bash aspera-connect-3.7.4.147727-linux-64.sh
#然后cd到根目录下看看是不是存在了.aspera文件夹，有的话表示安装成功
cd && ls -a
#将aspera软件加入环境变量，并激活
echo ‘export PATH=~/.aspera/connect/bin:$PATH’ >> ~/.bashrc
source ~/.bashrc
#最后检查ascp是不是能用了
ascp --help
当ascp安装成功后，prefetch就会将下载方式从https转移到fasp，加速数据下载，如果不成功，则尝试打开33001端口
开启服务器33001端口
检查防火墙搞清楚你的防火墙是iptables还是firewall还是别的什么
如果是firewall
$ sudo firewall-cmd --zone=public --add-port=33001/tcp --permanent
$ sudo firewall-cmd --reload
如果是iptables
$ sudo iptables -I INPUT -p tcp --dport 33001 -j ACCEPT
$ sudo service iptables save
#下载代码
下载sra-tools
直接下载二进制可执行文件，解压完后必须执行 vdb-config --interactive使命令生效。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 | wkd=/home/huguang/single-cell/MCC cd $wkd/raw #for patient 2586-4 cat >SRR_Acc_List-2586-4.txt SRR7722937 SRR7722938 SRR7722939 SRR7722940 SRR7722941 SRR7722942 cat SRR_Acc_List-2586-4.txt |while read i do prefetch $i -O `pwd` && echo "** ${i}.sra done **" done |
另外，还可通过MEBL-EBI网站下载
1 | ascp -QT -l 300m -P33001 -i ~/.aspera/connect/etc/asperaweb_id_dsa.openssh [email protected]:vol1/srr/SRR772/009/SRR7722939 ./ |
单细胞数据下载完成后，利用cell ranger软件分析，一般需要两个输入文件，其中一个是测序reads，另一个是UMI+Barcode文件，那么只生成一个文件是不够的，因此可以换个参数
使用另外一个参数–split-files来替代–split-3 ，就可以生成三个文件，其中第一个文件的所有序列都是8bp，第二个文件都是26bp，第三个文件都是91bp，初步判断，第三个文件是测序reads。
单细胞转录组数据和普通的bulk转录组还是不太一样，bulk结果一般就是R1、R2，很容易区分；10X单细胞数据比较特殊，它的测序文库中包括index、barcode、UMI和测序reads。
文章使用的是10X Genomics 3’ Chromium v2.0 平台，那么就看一下它的帮助手册（https://assets.ctfassets.net/an68im79xiti/1CnKSfa7taoQwIEe0WaA4m/8635b2c9ee86c022e731b6fb2e13fed2/CG000080_10x_Technical_Note_Base_Composition_SC3_v2_RevB.pdf ）
先大概了解一下10X文库组成：
其中Read2：98那里的星号表示这个长度不是固定的，可以调整，比如文章中患者P2586-4的Read2长度就是98，而患者9245-3的Read2长度是91
然后看看测序时每个run cycle做了什么事：
利用illumina边合成变测序（sequencing by synthesis ,SBS），每一个cycle都是一个碱基，因此用cycle数可以表示测序长度
首先，1-26个cycle就是测序得到了26个碱基，先是16个Barcode碱基，然后是10个UMI碱基；
然后，27-34这8个cycle得到了8个碱基，就是i7的sample index；
最后35-132个cycle得到了98个碱基，就是转录本reads
看下Read1、i7 index、Read2的碱基分布：
可以看到转录本read前端有20多bp质量是存在波动的，因为5’端的前几个碱基为随机引物序列，存在一定的偏好性
另外，index和barcode有什么区别，为什么用两个fq文件进行区分？
找到10X官方给出的一个解答：https://kb.10xgenomics.com/hc/en-us/articles/115002777072-How-do-I-demultiplex-by-sample-index-and-barcode-
i7 sample index是加到Illumina测序接头上的，保证多个测序文库可以在同一个flow-cell上或者同一个lane上进行混合测序(multiplexed)。当然可以自己指定index，但更多情况下会使用10X公司提供的index序列(bundled index sets)，针对不同项目使用的index也是不同的。不过共性就是：96孔板的每个孔中都加入了4种不同的index oligos混合(详见：https://kb.10xgenomics.com/hc/en-us/articles/218168503-What-oligos-are-in-my-sample-index-)。
它的作用就是在CellRanger的mkfastq 功能中体现出来的，它自动识别样本index名称（例如：SA-GA-A1），将具有相同4种oligo的fq文件组合在一起，表示同一个样本
GEO的数据记录了index信息
Barcode 是10X特有的，用来区分GEMs，也就是对细胞做了一个标记。一般在拆分混养测序数据（demultiplexing）这个过程后进行操作，当然这也很符合原文的操作
UMI的作用呢？
它是为处理PCR 扩增偏差而生
首先，不管是bulk RNA还是scRNA，都需要进行PCR扩增，但是不可避免有一些转录本会被扩增太多次，超过了真实表达量。当起始文库大小很小时（比如单细胞数据），就需要更多次的PCR过程，这个次数越多，引入的误差就越大
UMI就是Unique Molecular Identifier，由4-10个随机核苷酸组成，在mRNA反转录后，进入到文库中，每一个mRNA随机连上一个UMI，结果可以计数不同的UMI，最终统计mRNA的数量。
那么这三个文件的名称需要修改吗？
我认为是需要修改的，因为命名太模糊，不容易指定文件进行下游分析。然后看到官网给出的解答：https://support.10xgenomics.com/single-cell-gene-expression/software/pipelines/2.0/using/fastq-input#wrongname ，也的确说需要修改
那么怎么改？
肯定要批量处理，就利用下载SRA的SRR ID好了
#比如，将原来的SRR7692286_1.fastq.gz改成SRR7692286_S1_L001_I1_001.fastq.gz
#依次类推，将原来_2的改成R1，将_3改成R2
cat SRR_Acc_List-9245-3.txt | while read i ;do (mv ${i}_1*.gz ${i}_S1_L001_I1_001.fastq.gz;mv ${i}_2*.gz ${i}_S1_L001_R1_001.fastq.gz;mv ${i}_3*.gz ${i}_S1_L001_R2_001.fastq.gz);done
参考https://mp.weixin.qq.com/s/fP8f4HboMM7m2Nd7AIljlg