Lesson 3 of 20

runinfo 표 한 장 — 열 마흔일곱 개

eutils efetch rettype=runinfo · 실제 받은 표

SRA 파일은 큽니다. run 하나가 몇 기가바이트예요. 그러니 받기 전에 무엇인지 알아야 합니다.

그 목록이 runinfo 입니다. CSV 한 장에 run 하나가 한 줄이고, 열이 47개 있습니다.

High school표 한 장에 열 마흔일곱 개

SRA의 runinfo는 run들의 정보를 표로 내려받는 기능입니다. 열이 47개 있어요.

열 종류	예
식별자	Run, Experiment, Sample, BioProject
시퀀싱 정보	bases, spots, avgLength, Platform, Model
라이브러리	LibraryStrategy, LibrarySelection, LibraryLayout
시료 정보	ScientificName, Sex, Tumor, Disease
기타	제출일, 제출자, 파일 위치

47개 열 중 실제로 쓰는 것은 열 개 남짓입니다.

열	무엇	왜 중요한가
`Run`	SRR 번호	이걸로 파일을 받습니다
`LibraryStrategy`	RNA-Seq · WGS · ATAC-seq …	무엇을 잰 자료인가
`LibrarySelection`	PolyA · Inverse rRNA · cDNA …	같은 RNA-seq 도 이게 다르면 다른 자료
`LibraryLayout`	SINGLE · PAIRED	파일이 하나인가 둘인가
`avgLength`	읽기 평균 길이	50 부터 1,408 까지 있습니다
`spots` · `bases`	read 수 · 염기 수	깊이. 4,828배까지 차이납니다
`Platform` · `Model`	ILLUMINA · DNBSEQ …	기계가 다르면 오류 성질이 다릅니다
`size_MB`	파일 크기	받을 수 있는 양인지 먼저 계산합니다
`BioProject` · `BioSample`	PRJNA… · SAMN…	라벨을 찾아가는 열쇠

High school이 표가 왜 중요한가

4.4테라바이트를 내려받기 전에, 어느 것을 받을지 고르는 것이 이 표의 역할입니다.

표로 미리 확인할 수 있는 것	어느 열
RNA-seq인가 WES인가	LibraryStrategy — 4강
polyA인가 rRNA 제거인가	LibrarySelection — 5강
단일말단인가 양말단인가	LibraryLayout — 6강
얼마나 깊게 읽었나	bases — 7강
파일이 얼마나 큰가	size_MB — 15강

받기 전에 표로 거르는 것이 원자료 작업의 첫 기술입니다.

표를 먼저 받고, 고르고, 그 다음에 파일을 받습니다.

Python Runs in your browser

# runinfo 를 받는 방법. 이 강의가 실제로 쓴 명령입니다.
cmds = [
    ("연구 번호로 바로",
     "curl 'https://trace.ncbi.nlm.nih.gov/Traces/sra-db-be/runinfo?acc=SRP150638&format=csv'"),
    ("검색해서 받기 (1) 먼저 id 를 찾고",
     "esearch.fcgi?db=sra&term=amyotrophic+lateral+sclerosis+AND+rna+seq[Strategy]"),
    ("검색해서 받기 (2) 그 id 로 runinfo",
     "efetch.fcgi?db=sra&id=<ids>&rettype=runinfo&retmode=text"),
]
for what, cmd in cmds:
    print(what)
    print("   ", cmd)
    print()
print("둘 다 CSV 한 장을 돌려줍니다. 파일은 아직 안 받았어요 —")
print("무엇을 받을지 고르는 단계입니다.")

High school47개 열이 다 채워져 있지는 않다

열이 있다는 것과 값이 있다는 것은 다릅니다. 많은 열이 비어 있어요.

대체로 채워진 열	대체로 빈 열
Run, bases, spots	Disease
LibraryStrategy	Sex
Platform	Tumor
제출일	Age 등 임상 정보

왼쪽은 기계가 자동으로 채우는 것이고, 오른쪽은 사람이 손으로 적어야 하는 것입니다. 그래서 오른쪽이 빕니다.

자동으로 채워지는 정보는 믿을 만하고, 손으로 적는 정보는 빕니다.

표를 먼저 보는 이유가 이것입니다. 무턱대고 받을 수 있는 양이 아니에요.

Python Runs in your browser

# 이 강의가 모은 자료의 크기 — 실제 값입니다.
n_runs = 713
total_gb = 4380.0

print(f"run {n_runs}개 · 압축 상태로 {total_gb:,.0f} GB = {total_gb/1024:.1f} TB")
print()
for what, mult in [("압축 그대로", 1.0), ("FASTQ 로 풀면", 2.5), ("+ 정렬한 BAM 까지", 4.0)]:
    gb = total_gb * mult
    print(f"  {what:20s} {gb:9,.0f} GB = {gb/1024:5.1f} TB")
print()
speed_mbps = 100      # 넉넉히 100 MB/s 로 받는다고 치면
hours = total_gb * 1024 / speed_mbps / 3600
print(f"100 MB/s 로 내려받아도 {hours:.1f}시간 = {hours/24:.1f}일")

High school표를 받는 법

NCBI의 E-utilities를 씁니다. 검색어나 등록번호를 주면 표를 돌려줘요.

단계	하는 일
1	esearch로 조건에 맞는 run ID 목록을 얻음
2	efetch에 rettype=runinfo를 주어 표를 받음
3	CSV로 파싱해 필터링

열쇠 없이 쓸 수 있지만, 많이 두드리면 API 키를 받는 것이 좋습니다. 그리고 결과를 저장해 두세요 — 같은 요청을 반복하지 않게요.

🤔 Check yourself

SRA 파일을 받기 전에 runinfo 표를 먼저 받는 이유는?

🤔 Check yourself

runinfo 의 LibrarySelection 열이 중요한 이유는?