本系列主要內(nèi)容
介紹ENCODE的數(shù)據(jù)概況砂心，在data portal上查詢數(shù)據(jù)率碾，使用REST API批量下載數(shù)據(jù)臼闻，參照ENCODE官方數(shù)據(jù)處理流程構(gòu)建自己的pipeline勺三。同時介紹ENCODE項目培訓(xùn)課程（主要是數(shù)據(jù)分析）的資料。
這是一個包含四篇文章的小專欄钙态，內(nèi)容分別為：
- 介紹ENCODE計劃的數(shù)據(jù)體系（data model）
- 批量下載ENCODE portal的數(shù)據(jù)（附示例代碼）
- 學(xué)習(xí)ENCODE的官方數(shù)據(jù)處理流程（pipeline）（附代碼倉庫列表）
- ENCODE項目數(shù)據(jù)分析培訓(xùn)課程的資源（附下載鏈接）
本篇主要內(nèi)容
通過介紹ENCODE計劃的數(shù)據(jù)概況慧起，你可以了解這個項目產(chǎn)生了什么數(shù)據(jù)，以及這些數(shù)據(jù)對你有沒有價值驯绎。
一句話介紹ENCODE計劃
ENCODE的目標(biāo)是定義人類基因組中所有發(fā)揮“功能”的DNA元件完慧，并研究這些元件與蛋白和RNA之間的相互作用如何調(diào)控細(xì)胞的轉(zhuǎn)錄活動。第一階段于2003年由NIH開啟剩失，最新一期的ENCODE Phase 4從2017年2月開始實施屈尼，資助總金額達(dá)到3200萬美元，基本上確立了未來五年世界范圍內(nèi)基因組學(xué)的前沿研究方向拴孤。
為什么要啟動Phase 4
引用自National Human Genome Research Institute (NHGRI)：
Although much progress has been made over the past decade, these catalogs are incomplete. The purpose of this FOA is to solicit applications for research projects to apply state-of-the-art, high-throughput and cost-effective data generation pipelines to develop an expanded catalog of candidate functional elements in the human and mouse genomes.
Phase 4的重點研究方向請查看：https://www.encodeproject.org/data/annotations/
ENCODE的數(shù)據(jù)調(diào)度中心 Data Coordination Center (DCC)
ENCODE作為周期長脾歧，經(jīng)費多，參與者眾多的合作項目演熟，當(dāng)然要設(shè)立超大型數(shù)據(jù)中心 Data Coordination Center (DCC)鞭执，把每個數(shù)據(jù)擺放在合適的位置司顿，讓用戶方便的查詢下載數(shù)據(jù)。其中Phase 1-3的DCC在UCSC兄纺，到了Phase 4大溜，DCC搬到了Standford University。DCC的任務(wù)包括和Data Analysis Center (DAC) 合作定義數(shù)據(jù)模型 (data model)估脆，并將數(shù)據(jù)存儲在數(shù)據(jù)庫里（data portal)钦奋，分享給全世界的研究人員。
ENCODE 生物樣本（biosample）的多樣性
- ENCODE的bioample按照種類分為immortalised cell line (GM12878, K562等), tissue (liver, lung等), whole organisms, primary cell (bone marrow cell等)和stem cell (H1-ESC等), in vitro differentiated cells (neutron cell)等等疙赠。
- 按照在ENCODE里的重要性分為tier1付材，tier2和其他。Tier1的細(xì)胞系（GM12878圃阳，H1-ESC和K562）擁有最高的優(yōu)先性厌衔，配套的數(shù)據(jù)也最多。詳細(xì)請查看https://www.encodeproject.org/search/?type=Biosample
ENCODE Assay的多樣性
- ENCODE phase 2起包括：ChIP-seq, DNase I Hypersensitivity, RNA-seq和DNA methylation等
- ENCODE phase 3和4陸續(xù)增加了包括ATAC-Seq, ChIA-PET, Hi-C, eCLIP-Seq等
完整列表請參考：https://www.encodeproject.org/profiles/experiment.json
ENCODE的數(shù)據(jù)模型 (data model)
在一次實驗（Experiment）中捍岳，會有生物學(xué)和技術(shù)性重復(fù)（Biological and Technical Replicate）富寿，制備的文庫（Library）以及來源的生物學(xué)樣本（Biosample）。它們都是不同類型的對象（object）锣夹，對應(yīng)著自己的metadata作喘，比如Experiment對應(yīng)的metadata包括：實驗日期，文庫制備流程（protocol）晕城，操作人和測序儀器等，完整版請查看：https://www.encodeproject.org/profiles/experiment.json窖贤。一些重要的object擁有自己獨一無二的標(biāo)示（accession number）砖顷，以ENCXX開頭。請看圖：
圖片來自https://www.encodeproject.org/help/getting-started/
這些objects以及metadata組成的關(guān)系網(wǎng)絡(luò)稱作 Data model赃梧。完整版data model和metadata請查看：https://github.com/ENCODE-DCC/encoded/blob/master/src/encoded/schemas/biosample.json
有了metadata滤蝠，產(chǎn)生數(shù)據(jù)的實驗室（Mapping Center）就有了一套規(guī)則描述自己產(chǎn)生的每一個數(shù)據(jù)，用戶也可以輕易的搜索到自己所需的數(shù)據(jù)授嘀。
結(jié)語
ENCODE在產(chǎn)生物咳，管理，可視化數(shù)據(jù)以及數(shù)據(jù)流程的標(biāo)準(zhǔn)化蹄皱，研究的可重復(fù)性上積累了大量經(jīng)驗览闰，翻閱一下相關(guān)論文，逛一下代碼倉庫都會有收獲巷折。
下一節(jié)主要介紹使用data portal压鉴，通過metadata搜索數(shù)據(jù)，以及批量下載數(shù)據(jù)（附示例代碼）锻拘。
參考資料
ENCODE portal官網(wǎng)：https://www.encodeproject.org
ENCODE DCC Github倉庫地址：https://github.com/ENCODE-DCC
ENCODE Phase 4 Funding申請頁面： https://grants.nih.gov/grants/guide/rfa-files/RFA-HG-16-002.html#_Section_I._Funding
ENCODE Wikipedia頁面：https://en.wikipedia.org/wiki/ENCODE
