刘小泽写于2020.8.12
第一次接触这个操作，下午跟着官网学习了下
果然，还是看官网的帮助文档最香~
1 注册NCBI GEO账号
先注册NCBI账号，在：https://www.ncbi.nlm.nih.gov/
然后注册GEO账号，在：https://www.ncbi.nlm.nih.gov/geo/submitter/
GEO可上传的数据类型种类主要集中在芯片和高通量数据，比如芯片数据的四大主流：Affymetrix、Agilent、Nimblegen、Illumina，高通量的RNA-Seq、ChIP-Seq、ATAC-Seq等。另外还有RT-PCR、SAGE数据可以上传
2 提交高通量测序数据须知
重点需要提交三部分：
- 实验总览（metadata spreadsheet）：参考样本 https://www.ncbi.nlm.nih.gov/geo/info/examples/seq_template.xlsx
-
处理过后的数据（processed data files）：需要注意
- 不可以提交中间过程的比对文件（如BAM、SAM、BED），但如果结果只有这样的比对文件，可以写信给他们询问是否合格
- 一般来说，提交什么类型的数据取决于实验类型：
- 表达量相关的数据：例如 genes, transcripts, exons, miRNA等表达量，需要原始表达矩阵 或 标准化后的表达矩阵（例如 Cufflinks, Cuffdiff, DESeq, edgeR的结果文件）。可以每个样本一个文件，也可以使用一整个表达矩阵，但需要包含全部基因和全部样本的信息（不可以只用差异基因）
- ChIP-Seq数据：必须包含有关于peak丰度的文件（如WIG, bigWig, bedGraph）
- 所有处理过的文件描述都必须体现在metadata文件中
- 如果提交了WIG, bedGraph, GFF, GTF文件，格式需要参考： UCSC file format FAQ
-
原始数据（raw data files）： GEO的原始数据也是会提交给SRA
- 必须是包含reads、质量值的原始fastq格式，不符合要求的数据会直接从GEO系统中删除
- 如果测序数据使用了barcode（例如10x Genomics, Drop-Seq, InDrops的数据），可以提交不经过拆分的multiplexed files；对于其他多路复用（Multiplexed）的数据来说，必须要先经过demultiplex操作，将样本分开
- PE测序数据：一般每个run会产生两个数据（特殊情况下，每个run中的序列和质量值文件是分开的，也就是产生了4个文件）
- MD5Sum：推荐使用MD5验证数据，方法是：
- Unix:
md5sum <file> - OS X:
md5 <file> - Windows: 需要用某些应用程序（如
winmd5free）
- Unix:
- 关于数据压缩：为了加快传输，可以适当将数据压缩，但不强求。可以使用gzip、bzip2（后缀是
.gz或.bz2） ，但不要压缩二进制文件（如BAM、bigWig、bigBed），也不要上传ZIP文件
3 GEO接受的数据与不可接受的数据
GEO可接受的
基因表达、基因调控、表观以及其他功能基因组学研究，例如
- mRNA profiling, RNA-seq (example)
- small RNA profiling, miRNA-seq (example)
- ChIP-Seq (example)
- HiC-seq (example)
- methyl-seq, bisulfite-seq (example)
GEO不可接受的
需要权限访问的人类数据：可以提交给dbGaP and controlled access SRA
转录本组装：可以提交给 SRA 以及 Transcriptome Shotgun Assembly Database)
宏基因组测序：可以提交给SRA
重测序以及变异相关研究：可以提交给SRA 或 合适的 variation resource
全外显子数据：可以提交给SRA
4 重头戏-实验总览（metadata spreadsheet）
参考样本： https://www.ncbi.nlm.nih.gov/geo/info/examples/seq_template.xlsx
总共包含7大块
4.1 SERIES
与文章相关的内容
- 标题（title）
- 摘要（summary）
- 实验设计（overall design）
- 参与者（contributor）：可以写多个
- 附件（supplementary file）
4.2 SAMPLES
与样本信息相关的内容
- 样本编号（Sample name）
- 样本名称（title）
- 样本来源（source name）
- 物种（organism）
- 样本描述（characteristics: strain、tissue、age、genotype、cell line、treatment）
- 与该样本相关的文件（molecule、processed data file 、raw file）
4.3 PROTOCOLS
样本的实验操作以及建库流程，简单描述即可
4.4 DATA PROCESSING PIPELINE
数据处理描述，比如基因组版本是什么、怎么比对、怎么过滤、怎么找peaks、怎么定量
4.5 PROCESSED DATA FILES
数据处理后的文件名称
- file name
- file type：除了raw count数据，其余可以统一写成abundance measurements
- file checksum
4.6 RAW FILES
- 原始数据名称（file name）
- 文件类型（file type）：比如fastq
- md5校验（file checksum）
- 测序仪器型号（instrument model）
- 单端or双端（single or paired-end）
4.7 PAIRED-END EXPERIMENTS
如果使用了双端测序数据，需要列出各自的名称
- file name 1
- file name 2
5 准备工作结束后，可以开始上传
上面的实验总览（metadata spreadsheet）、处理过后的数据（processed data files）、**原始数据（raw data files） ** 都准备好，就可以开始准备上传了
学习如何使用FileZilla进行上传
首先会看到自己的上传目录，一会将用到
然后设置FileZilla：
- host (ftp-private.ncbi.nlm.nih.gov)
- username (geoftp)
- password (rebUzyi1)
此时会发生报错，忽略它
修改Remote site，然后回车连接：
最后就可以将本地数据上传到GEO指定位置了
Tips：为了避免FileZilla上传过程出现中断，可以设置断点续传
6 最后，提醒GEO数据上传完成
并且会提示再核实一遍信息，没有问题的话5个工作日内就会进行审核
欢迎关注我们的公众号～_～
我们是两个农转生信的小硕，打造生信星球，想让它成为一个不拽术语、通俗易懂的生信知识平台。需要帮助或提出意见请后台留言或发送邮件到[email protected]
