次世代シーケンサのオープンなデータ

CLC Bioが"Next Generation Sequencing example data"として，次世代シーケンサで読まれたデータを幾つか公開しています．本来はCLC Genomics Workbench用のテストデータですが，Raw dataなど幾つか使える物がありそうです．

http://www.clcbio.com/index.php?id=1290

Raw dataではRoche/454，Illumina/Solexa，AB/SOLiDと主要なシーケンサからのデータが揃っているほか，RNA-Seqのデータ（CLC Genomics Workbenchで読み込む形式のみ）も公開されています．

公開ライセンスはちょっとわかりませんが，個人的にNGS解析の練習などに使う分には問題ないかと思います． 自分で触ったことがないので期待にそえるデータかどうか分かりませんが，こんなデータもあるということで質問に回答してみました．

私はよくNCBIのSequence Read Archive（以下SRA）を使います。 NCBIのトップページの上のボックスから"SRA"を選択して、RNA-SeqとかChIP-Seqとかの キーワードを入力するとたくさんヒットすると思います。 また多くの研究者は興味を持った論文からそのデータを取得することが多いとは思いますが、 通常論文にはSRAのＩＤは書かれていないことが多いです（親切な著者は書いていますが・・・）。 たぶんGene Expression Omnibus(GEO)のIDが書かれていることが多いでしょう。 この場合は同様にトップページのボックスから"GEO DataSet"を選び、GEO IDで検索をすると ヒットします。GEOに登録されている次世代シーケンサデータはマッピング後のデータ(BEDファイルなど) ですが、下の方にSRAのリンクが張ってあるので、それをたどって生データを取得できます。 また生データも年々容量が増加傾向にあり、ダウンロードに時間がかかります。 （Asperaというソフトをインストールする必要があります）

SRAのデータアクセスをRでおこなうBioconductorパッケージ SRAdbというものがあります。

これは、SRAのメタデータを格納したSQLiteのファイルをNCIの方が公開していて、それを操作する形になっています。詳しくはマニュアルのPDF書類をご覧ください。

簡単な操作とコードを例示します：

メタデータのダウンロードと準備、テーブル操作

library(SRAdb)
sqlfile <- getSRAdbFile() #メタデータをダウンロード
sra_con <- dbConnect(SQLite(), sqlfile)
sra_tables <- dbListTables(sra_con) # テーブル名のリストを取得
dbListFields(sra_con, "study") # "study" テーブルのフィールド名の取得
sqliteQuickSQL(sra_con, "PRAGMA TABLE_INFO(study)") # "study" テーブルの情報を一覧

SQLの実行："study" テーブルから三つのレコードを表示

rs <- dbGetQuery(sra_con, "select * from study limit 3") 

変換：experimentやrunアクセッションの変換

conversion <- sraConvert(c("SRP001007", "SRP000931"), sra_con = sra_con) 

全文検索："run" と "study" テーブルについて文字列 "breast" と "cancer" の含まれるエントリの検索

rs <- getSRA(search_terms = "breast cancer", 
             out_types = c("run", "study"), sra_con = sra_con) 

全文検索："submission" が "GEO" のエントリの検索

rs <- getSRA(search_terms = "submission_center: GEO", 
             out_types = c("submission"), sra_con = sra_con)

全文検索："study" に Carcinoから始まるワードが含まれるエントリの検索

rs <- getSRA(search_terms = "Carcino*", 
             out_types = c("study"), sra_con = sra_con)

fastq：SRR000648とsRR000657のFastqファイルの取得

getFastq(in_acc = c("SRR000648", "SRR000657"),
         sra_con = sra_con, destdir = getwd())

IGVでのシーケンスの可視化：hg18 の chr1:1-1000 として表示

exampleBams = file.path(system.file("extdata", package = "SRAdb"), 
                        dir(system.file("extdata", package = "SRAdb"),
                        pattern = "bam$"))
sock <- IGVsocket() 
IGVgenome(sock, "hg18") 
IGVload(sock, exampleBams) 
IGVgoto(sock, "chr1:1-1000") 
IGVsnapshot(sock)

SRAエントリの可視化："colon canver"を含むエントリ

acc <- getSRA(search_terms = "colon cancer", 
              out_types = c("sra"), sra_con = sra_con, acc_only = TRUE)
g <- entityGraph(acc) 
attrs <- getDefaultAttrs(list(node = list(fillcolor = "lightblue",
                                          shape = "ellipse"))) 
plot(g, attrs = attrs)

NCBI, EBI, DDBJ でのキーワード検索のリンクを調べてみました。"ChIP-Seq" で検索してみます。

NCBI SRA

• http://www.ncbi.nlm.nih.gov/sra/?term=ChIP-Seq

EBI SRA

• http://www.ebi.ac.uk/ebisearch/bsearch.ebi?db=sra&t=ChIP-Seq

DDBJ DRA

• http://trace.ddbj.nig.ac.jp/DRASearch/ 検索は、OrganismとCenterName、StudyType、Platform のみで任意のキーワード検索は提供していない。
• 2011-01-25 追記：キーワード検索ができたとのこと：http://qa.lifesciencedb.jp/questions/179/次世代シーケンサのオープンなデータ?page=1#289

DDBJ DRA　でもキーワード検索が行えるようになりましたので、お知らせします。

　・http://trace.ddbj.nig.ac.jp/DRASearch/

"ChIP-Seq" での検索結果は以下の通りです。
　http://trace.ddbj.nig.ac.jp/DRASearch/search?query_keyword=ChIP-Seq