第四节：SRA数据库命名规则——Run编号与样本前缀
SRA，全称Sequence Read Archive，是NCBI下面最大的高通量测序数据仓库。你想想看，全球每天有多少课题组往里面提交数据？如果命名没个规矩，那检索起来简直就是噩梦。
我记得刚入行那会儿，有一次从SRA下载了一批RNA-seq数据，跑完定量一看，样本标签全乱了。后来才发现，我把Run编号和样本前缀搞混了。嗯，从那以后，我花了一整天把SRA的命名体系摸了个透。今天就把这些经验掰开揉碎了讲给你。
4.1 Run编号：SRA数据的最小单元
说白了，SRA的Run编号就是每条测序文库的唯一标识符。格式很简单：SRR + 数字。举个例子：
SRR12345678
前三个字母代表提交者类别，后面8位数字按顺序分配。我整理了一下常见的字母前缀：
| 前缀 | 含义 | 典型来源 |
|---|---|---|
| SRR | SRA Run | 标准实验提交 |
| ERR | ENA Run | 欧洲数据库提交 |
| DRR | DDBJ Run | 日本数据库提交 |
| SRX | SRA Experiment | 实验描述单元 |
| SRS | SRA Sample | 样本生物实体 |
| SRP | SRA Study | 研究项目 |
这里有个坑。很多人以为SRR和SRX能混用，其实完全不是一回事。SRR指向具体的测序数据文件，而SRX指向实验设计——包括文库构建、测序平台、试剂这些元数据。我在项目里见过有人拿SRX编号去下载FASTQ，结果空手而归。你记住了，下载数据用SRR，查实验信息用SRX。
4.2 样本前缀：看懂命名中的生物学含义
SRA的命名体系里藏着一条层级链：
Study → Sample → Experiment → Run
每个层级都有自己的前缀。我画了个结构图，帮你一次性理清楚：
你看，从SRP到SRR，层层递进。每个Run都挂在一个Experiment下面，每个Experiment都对应一个Sample。明白了这个结构，你就能精准定位数据来源。
4.3 不同提交者模式下的命名差异
SRA支持三种提交模式，命名规则略有不同：
- 标准提交：系统自动分配SRR编号，与原始文件名无关
- 批量提交：可以保留部分原始命名特征，但SRR前缀不变
- BioProject关联提交：SRR自动关联到对应的SRS和SRX
核心要点：不管哪种模式，SRR编号都是唯一下载入口。我的建议是，拿到数据后第一时间把SRR和原始样本名做一个映射表，后面做分析时才不会乱。
4.4 实战：从SRA查询中提取批次信息
SRA提供了多种查询接口。我个人最常用的是esearch和efetch组合，从命令行直接拉取：
esearch -db sra -query "SRP123456" | \
efetch -format runinfo | \
cut -d',' -f1,7,8,12 > sra_metadata.csv
这段命令会返回什么？我拆开给你看：
-db sra：指定SRA数据库-query "SRP123456"：按项目编号搜索-format runinfo：输出CSV格式的运行信息cut：提取第1、7、8、12列，分别是Run、Sample、Experiment和LibraryName
输出结果大概长这样：
Run,Sample,Experiment,LibraryName
SRR12345678,SRS111111,SRX222222,Brain_tissue_rep1
SRR12345679,SRS111111,SRX222223,Brain_tissue_rep2
SRR12345680,SRS111112,SRX222224,Liver_tissue_rep1
你看，同一行里的SRS编号相同，说明这两个Run来自同一个样本。这就是批次信息的核心线索。
小技巧：如果只想获取Run编号列表，用esearch -db sra -query "SRP123456" | efetch -format runinfo | cut -d',' -f1 | grep -v "Run"。一行命令搞定，省去了手动翻页的麻烦。
4.5 避坑指南：我曾经踩过的坑
写几个真实的教训，你碰到了能省不少时间：
- 混淆SRR和SRX：用SRX去下载FASTQ，数据根本不存在。SRX只是实验描述，FASTQ只挂载在SRR下面。
- 忽略SRS对样本的映射：同一SRS下的SRR如果来自不同Experiment，文库协议可能不同，合并时要小心。
- 拿SRP当文件路径用：SRP只代表项目，不指向具体数据文件。下数据还是要靠SRR。
严重警告：千万不要手动修改SRA官方分配的SRR编号！我曾经见过有课题组为了"方便管理"，把SRR12345改成了"sample1_R1"。结果一提交给审稿人，根本无法复现分析。SRA的编号就是数据的身份证，改了就作废。
4.6 逆向提取：从FASTQ文件名反推SRA编号
有时候你手里只有FASTQ文件，文件名叫得乱七八糟，怎么找到它在SRA里的原始信息？
我教一个土办法，但确实管用：
# 假设文件名是 sample1_R1.fastq.gz
# 先计算MD5
md5sum sample1_R1.fastq.gz
# 去SRA的MD5校验库搜索
# 也可以直接搜文件名中的关键词
如果文件名里直接包含了SRR编号，那就太省心了。例如：
SRR12345678_1.fastq.gz
SRR12345678_2.fastq.gz
这种命名是SRA官方下载工具的默认输出格式。_1和_2分别代表双端测序的两条文件。我建议你下载时保留这种命名习惯，后续处理能省掉很多麻烦。