做微生物组的人，多半都经历过这么一幕：投稿返修意见里躺着一句话——"原始测序数据需在接收前完成公共数据库存缴并提供登录号"，你打开文件夹看着那几十上百个压缩包，心里第一反应是从哪下手。NCBI 这个名字谁都听过，但真到自己动手把16S rRNA 测序数据传上去的时候，BioProject、BioSample、SRA 三个缩写往那儿一摆，大多数人还是会卡住。我第一次做这件事时，光是搞明白"该先建哪个号"就折腾了一下午，中间还因为一个属性名里带了空格被系统打回两次。
这篇东西就是把我这几年的踩坑经验、以及帮师弟师妹处理过的几十次提交攒在一起，写成一份可以照着抄的流程。它适合三类人：第一次要独立完成数据存缴的研一新生、被期刊催着交登录号的毕业年级同学、以及想搞明白 NCBI 这套体系到底怎么运转的交叉学科研究者。读完之后你至少能做到两件事——知道 BioProject、BioSample、SRA 各自管什么，以及能在半天内把一批 16S 扩增子原始数据完整提交上去，拿到可以直接写进 Data Availability Statement 的登录号。
1. 上传前的整体思路拆解：16S rRNA 数据到底该往哪存
1.1 BioProject、BioSample、SRA 三者的分工与从属关系
我习惯把 NCBI 这套体系比作一家物流公司。BioProject是运单上的"项目编号"，它不装货，只声明"有这么一批货，是我这个课题组为了回答某个科学问题而采集的"，比如"某地农田土壤微生物群落随施肥梯度的变化研究"。BioSample是每一件货的"身份证"，描述的是单个样品本身的属性——它从哪来、什么时候采的、什么基质、宿主是谁。SRA则是真正的仓库，存放测序仪吐出来的原始 reads 文件。
真正跑起来的时候，它们之间的关系是这样的：一个 BioProject 下面挂若干个 BioSample，若干个 BioSample 又关联到 SRA 里的 Run。而 SRA 内部还有一层命名体系，初学者最容易晕：SRP 是 Study（一次提交形成的项目组）、SRS 对应 BioSample、SRX 是 Experiment（描述文库构建方式）、SRR 才是最终的那个 Run（一对 FASTQ 文件）。实际写作时你只需要把PRJNA（BioProject 号）、SAMN（BioSample 号）、SRR（Run 号）三个写进文章就够了，其余的交给系统自动生成。
| 层级 | 编号前缀 | 描述对象 | 谁需要填 |
|---|---|---|---|
| BioProject | PRJNA / PRJEB | 课题整体 | 填标题、摘要、资助信息 |
| BioSample | SAMN / SAMEA | 单个样品 | 填采集地、时间、来源等属性 |
| SRA Study | SRP | 一次提交的集合 | 系统自动生成 |
| SRA Experiment | SRX | 文库构建与测序方式 | 在 SRA 元数据表里填 |
| SRA Run | SRR | 一对 FASTQ 文件 | 文件上传后自动分配 |
理解这张表的意义在于：你后面填的所有表格，本质上都是在回答"这件事属于哪个项目""这个样品是什么""这个样品是怎么测的"这三个问题。想清楚这三层，后面的操作就只是把信息往格子里搬。
1.2 哪些内容该传 SRA，哪些内容另作处理
这是新手最容易搞混的地方。SRA 要的是最原始的 FASTQ，也就是测序仪下机之后、没有做过任何接头去除和质控过滤的原始文件。很多人会把已经用 fastp 或 Trimmomatic 处理过的 clean reads 交上去，结果在 design_description 里没写清楚，审稿人一看 read 长度整齐得不自然，就会追问原始数据在哪。
我的建议是：原始 FASTQ 传 SRA，这是硬性要求；而拼接后的 contig、OTU/ASV 代表序列、物种注释表、丰度矩阵这些衍生结果，不需要传 SRA。如果期刊要求提供可复现的衍生数据，可以走 GenBank 的 TSA（Transcriptome Shotgun Assembly）通道提交组装序列，或者干脆打包扔到 Zenodo、Figshare 这类带 DOI 的通用仓库，在文章里给个链接。注意这是基于常见实践的补充做法，具体还得看目标期刊的数据政策。
还有一类东西是绝对不能漏的——引物和测序区域信息。16S 扩增子研究里，V3-V4、V4、V4-V5 这几个区域的结果根本没法直接横向比较，所以必须在设计描述里写明引物序列和扩增区域，这是同行复现的前提。
1.3 时间节点与权限规划：别等到投稿当天才动手
NCBI 的审核不是实时的，BioSample 批量提交有时会因为一个属性格式问题反复打回，SRA 文件上传几十个 G 也可能中途断掉。我一般建议在投稿前两到三周就开始做这件事，留出至少一周的缓冲。
关于释放时间（Release Date），这里有个非常实用的机制：你可以在提交时把释放日期设成"文章发表时"或者一个未来的具体日期，这样数据在审稿期间处于私有状态，只有你和合作者能看到。SRA 的 hold 期限通常允许设到提交后几年，但如果文章一直没发，到期前系统会提醒你。文章见刊后，记得回去把释放日期改成即时释放，否则审稿人或者读者点进去会看到一个空页面。
权限方面，Owner（所有者）和 Submitter（提交者）是两个角色。Owner 通常是 PI 的账号，拥有最终的删除和转移权限；Submitter 可以是干活的学生，能填表、能上传，但不能删项目。我强烈建议用一个课题组长期有效的公共邮箱注册 Owner 账号，别用某个已经毕业的师兄的个人邮箱——我见过不止一个课题组因为账号所有人毕业失联，导致后续要更新数据时无人有权操作，最后只能发邮件求 NCBI 帮忙。
2. 核心细节解析：元数据与文件格式的硬性要求
2.1 账号注册与提交者角色的配置
NCBI 账号注册本身没什么门槛，填邮箱、设密码、收验证邮件即可。但有两个细节值得提前处理：一是绑定 ORCID，绑上之后你提交的所有数据都会自动关联到你的学术身份，以后要统计"我这辈子交了多少条数据"时非常方便；二是提前添加 Submitter，如果你的账号是 Owner，可以在账号设置里把同组同学的邮箱加进来，让他们用各自账号登录后提交到你的项目下，这样责任到人也方便追溯。
有个小坑：NCBI 现在对密码强度要求不低，而且长时间不登录会要求重置。我吃过一次亏——投稿周正忙着改论文，登录时被要求重置密码，重置邮件又在垃圾箱里躺了半天。所以提交前一周先登录一次确认账号能用，这个动作花不了一分钟，但能省掉一小时的焦虑。
2.2 BioSample 必填属性的逐条拆解
BioSample 是整条链路上最容易出错的一环，因为它涉及的是"语义"而不是"格式"。16S 扩增子样品通常用Microbe这个包（Package），里面会根据你选的样品类型（环境样品、宿主相关样品等）显示不同的必填项。
几个几乎必然会用到的字段：
- organism：这是必填项。做 16S 的人常常不知道具体是什么菌，这里可以填
uncultured bacterium或者metagenome，这是业内的常规做法，不用担心被拒。 - collection_date：必须用 ISO 8601 格式，写成
2023-06-15或者2023-06，甚至只写2023也行，但不能写2023年6月，更不能写中文。 - geo_loc_name：格式是"国家: 省/州, 城市"，冒号后面有空格，逗号后面也有空格，这个格式卡得很死。跨国合作的样品要按实际采集地填。
- isolation_source：来源描述，比如
paddy soil、rhizosphere soil、human gut，尽量用规范的英文短描述。 - host（宿主相关样品必填）：写上宿主的学名或通用名，比如
Oryza sativa。
缺失值的写法是重中之重。NCBI 只认那几个标准词：missing、not collected、not applicable、not provided、restricted access。很多人习惯填unknown或者NA，然后被系统打回。我的做法是：只要这个字段我在采样时确实没记，就写not collected；如果这个概念对这项研究根本不成立，就写not applicable。还有一点，属性名和属性值里出现中文、空格、特殊符号（除下划线）都可能导致解析失败，sample_name 建议只用字母、数字、下划线和连字符。
2.3 FASTQ 文件的命名、压缩与完整性校验
文件名混乱是上传阶段最浪费时间的坑。SRA 的网页端上传器对文件名没有强制规则，但如果你要写脚本或者后期用 Run Selector 匹配，规范命名会让你省下大量力气。我习惯的命名格式是：
StudyID_SampleID_S1_L001_R1_001.fastq.gz StudyID_SampleID_S1_L001_R2_001.fastq.gz其中 R1/R2 明确标识双端方向，S1 是样品在 lane 中的编号，这些都和你的 sample_name 一一对应。压缩必须用 gzip，不要用 zip 或 rar，也不能传未压缩的 FASTQ——几百兆一个的文件未压缩会膨胀好几倍，上传时间翻番。
上传之前一定要做两件事。第一件是生成 MD5 校验值并留档。Linux/macOS 下一行命令搞定：
md5sum *.fastq.gz > md5_checksums.txtWindows 用户可以用系统自带的工具逐个算：
certutil -hashfile sampleA_R1.fastq.gz MD5第二件是确认双端文件完整且配对。同一对 R1/R2 的 read 条数必须完全一致，否则测序过程中可能丢过 read。用 seqkit 检查最省事：
seqkit stats *.fastq.gz输出里会列出每个文件的 reads 数和碱基数，扫一眼 R1/R2 的 reads 列是否相等即可。如果差距在万分之几以内，通常是正常的；如果差了几十万条，那就要回去找测序公司要原始数据了。
3. 实操过程：从 BioProject 到 SRA Run 的完整链路
3.1 创建 BioProject：把课题的"户口"先立起来
打开 NCBI 的提交门户，选择 BioProject 那一项，登录后依次填：项目标题（Title）、公开描述（Public Description）、项目类型（一般选Genome sequencing或Metagenome相关）、资助信息（Funding，有基金号就填）、以及是否已有相关数据。
标题建议写成一句完整的英文陈述，比如16S rRNA amplicon sequencing of rhizosphere soil across a long-term fertilization gradient，别只写Soil bacteria这种太泛的词。公开描述可以稍微展开两三句，说明采样设计、样品数量、研究目的，这段话将来会公开可见，写得清楚一点对数据被引用很有帮助。
保存之后系统会立刻分配一个PRJNA 开头的编号。这个号就相当于你的项目主键，后面 BioSample 和 SRA 都会挂到它下面。如果这是一个大的研究方向下的一小批数据，你还可以把它挂到一个已有的 Umbrella BioProject 下，方便统一管理。
3.2 批量创建 BioSample：模板下载与填写
BioSample 支持两种提交方式：网页单条填和批量模板。样品超过十个，一律走批量。
流程是：在 BioSample 提交页面选择Batch submission，下载 TSV 或 Excel 模板。模板里会有几列是固定列——*sample_name、*organism、*package之类，带星号的是必填；后面是你可以自由添加的属性列。我实际操作时的顺序是这样的：先把所有样品的 sample_name 在 Excel 里列好（这一列必须唯一，不能重复），然后逐个补 attribute 列。
填写时有几个经验点：
一是sample_name 不要用纯序号（比如 1、2、3），因为将来在 SRA 里会生成一个自动的 Sample Name，两者容易混淆。我习惯用SiteA_Rep1、SiteA_Rep2这种带语义的格式。
二是同一批样品尽量保持属性列一致。如果十个样品填了 geo_loc_name，另外十个没填，系统会分开处理，甚至报错。宁可整批都写not collected，也不要一列填一半。
三是填完之后自己先做一遍"翻译检查"：把表格里的每一列读一遍，问自己"如果我是完全不认识这个课题的人，看着这一行能不能复现这个样品？"这个自检动作能筛掉八成将来审稿人可能会问的问题。
上传模板后，系统会跑一次校验，颜色标出必填缺失、格式错误、重复 sample_name 等问题。改完重新上传，直到没有红色报错，点提交。审核通过后每个样品会拿到一个SAMN 开头的编号，记得把这份对应关系表单独存一份，后面写文章和填 SRA 表格都要用。
3.3 SRA 元数据表填写：一行一个 Run
这一步是整个流程的核心。进入 SRA Submission Portal，先选 Submitter（联系人），再填 General Info（选已有的 BioProject，设置 Release Date），然后关联 BioSample——如果刚才已经建好了，就直接用 SAMN 号关联，不用重复建。
接下来是最重要的那张元数据表。它的逻辑是"一行对应一个 Run"，而 16S 双端测序的一对 R1/R2 属于同一个 Run，所以一行就够，不要拆成两行。表里需要填的关键字段我整理成下面这张对照表：
| 字段 | 16S 扩增子的常见填法 | 说明 |
|---|---|---|
| library_ID | 与 sample_name 对应 | 唯一标识 |
| title | 简短描述 | 可选但建议填 |
| library_strategy | AMPLICON | 扩增子测序固定值 |
| library_source | GENOMIC | 16S 从基因组 DNA 扩增 |
| library_selection | PCR | 经过 PCR 富集 |
| library_layout | PAIRED / SINGLE | 双端还是单端 |
| platform | ILLUMINA | 视测序平台而定 |
| instrument_model | Illumina MiSeq 等 | 必须与实际上机型号一致 |
| design_description | 引物序列 + 扩增区域 | 例如 V3-V4，341F/806R |
| filetype | fastq | 固定值 |
design_description这一栏千万别偷懒。写清楚"16S rRNA gene V3-V4 region, primers 341F (CCTACGGGNGGCWGCAG) / 806R (GACTACHVGGGTATCTAATCC)"，这既是对同行的尊重，也是将来数据能被正确整合进 meta 分析的前提。
填完表保存，系统会自动解析，把一行行拆成 SRX 和 SRR 的对应关系。如果某一行必填项为空，会当场标红。
3.4 文件上传、校验与最终提交
元数据通过之后进入 Files 环节。小批量（几十 G 以内）可以直接用网页上传器，把文件和刚才生成的 MD5 一起拖进去；数据量大或者网络条件一般，建议用命令行客户端传到指定目录，这个方式支持断点续传，夜里挂机跑最省事。
上传完成后系统会逐个校验 MD5，全绿才允许提交。这一步失败最常见的原因是上传过程中文件被压缩软件重新编码过——比如有人上传前用压缩工具"优化"了一遍 gz 文件，MD5 就变了。所以文件一旦算好 MD5，就不要再动它。
提交后进入审核，通常几个工作日内完成。审核通过后你会拿到SRR 开头的 Run 号，这时可以在 SRA Run Selector 里按 BioProject 号检索，确认所有 Run 都齐了、样品名和元数据对应正确。我习惯最后再做一次"下载验证"：用 SRA Toolkit 随便拉一个 Run 下来，检查 read 数和本地原始文件是否一致，确认无误再放心去写文章的 Data Availability。
4. 常见问题与排查技巧实录
4.1 元数据被打回的典型原因速查
下面这张表是我这些年实际遇到过的报错，按出现频率排序，基本能覆盖九成情况。
| 报错现象 | 根本原因 | 处理方式 |
|---|---|---|
| 属性值解析失败 | 值里含中文、空格或特殊符号 | 改英文，用下划线代替空格 |
| 日期格式错误 | 写成 2023/6/15 或中文日期 | 改成 2023-06-15 或 2023-06 |
| 缺失值不识别 | 填了 unknown、NA、空 | 改用 not collected 等标准词 |
| sample_name 重复 | 批量表里有两个同名行 | 加序号或站点前缀去重 |
| geo_loc_name 格式异常 | 缺冒号或逗号后没空格 | 严格按"国家: 省, 城市"写 |
| organism 未填 | 做 16S 不确定物种就留空了 | 填 uncultured bacterium |
我踩过最冤的一次，是在 attribute 名里用了大写字母加空格，比如Collection Date。系统表面接受了，提交后却被打回，理由含糊。后来改成全小写加下划线就一次过了。所以现在我的原则很简单：所有属性名一律小写、下划线分隔、不带空格。
4.2 文件上传与校验失败的排查思路
校验不通过时，先别急着重传整个批次。按这个顺序排查效率最高：先本地重新算一次 MD5，和系统显示的对比，确认是文件本身变了还是传输过程出错；再看文件大小是否和本地一致，差了几 MB 通常是传输中断；最后确认压缩格式是不是 gzip，.zip 和 .gz 是两回事。
如果确定要对某个文件重传，注意不要改文件名，因为元数据表里已经绑定了对应的 library_ID，改名会导致重新匹配。我一般会在本地建一个"上传用"文件夹，算完 MD5 之后就不再去动里面任何文件，这个习惯帮我省了至少三次返工。
还有一个容易被忽略的点：上传前把 R1/R2 顺序对应好。看起来是废话，但样品一多，Excel 里排序之后 R1 和 R2 错位是常事。上传完做一次 read 数比对，能提前发现这个错误。
4.3 提交之后要改数据怎么办
先说结论：能一次做对最好，因为事后修改很麻烦。
元数据在正式释放之前，还有一定调整空间，可以通过提交门户的 Update 功能补充，或者联系 NCBI 的工作人员协助处理。但如果 Run 已经公开，想要删除就必须走撤稿流程，而且accession 号会保留在系统里，只是标记为撤回状态——也就是说，一个错误的 SRR 号会永远挂在那里，将来别人检索时还能看到。
所以我的建议是：数据一旦提交，先别急着释放，把 Release Date 设到文章接收之后。利用这段私有期，自己完整走一遍"从 SRR 号下载数据、跑一遍标准分析流程"的验证，确认无误再定稿。这个动作花半天，但能避免一次不可逆的错误。
另外，如果后来你又补测了一批样品，想加到同一个 BioProject 下，是完全允许的，只要用同一个 PRJNA 号新建 BioSample 和新的 Run 即可，不用重新立项目。
4.4 与论文发表的时间线配合
审稿人问数据登录号的时候，你要给出的是已经提交、已经分配了 accession、但可以处于私有状态的记录。所以时间线上的正确做法是：投稿前完成提交并设置好 Release Date，投稿时在 Cover Letter 或数据可用性声明里写明"数据已提交至 NCBI SRA，登录号 PRJNAxxxxxx，将于文章发表时公开"。这句话是所有期刊都认的标准写法。
文章接收后，记得做两件事：把 Release Date 改成即时公开，以及在最终版里把完整的登录号列表补进 Data Availability Statement。如果样品特别多，写清楚"BioProject: PRJNAxxxxxx，包含 xx 个 BioSample 和 xx 个 Run"就够了，不用把所有 SAMN 号罗列出来。
最后分享一个我自己的小习惯：每次提交完，我会把 BioProject 号、BioSample 与样品名的对应表、SRA 元数据表、MD5 文件、以及这次提交的日期，打包成一个"数据存缴存档"文件夹单独存放。两年后师弟接手这个课题要补数据，或者审稿人三年后追问细节，打开这个文件夹所有信息都在，不用再登录网站一个个翻。这个文件夹我建议直接放进课题组的共享盘，比记在某个人的电脑里靠谱得多。
