几个月前帮实验室整理一批16S rDNA的测序数据，准备投文章时才发现——NCBI上传这事儿，远比想象中琐碎。很多人以为就是把FASTQ文件拖上去点个submit，结果不是文件格式报错，就是BioSample属性填不全，再不然就是审阅意见下来要求补充引物信息，一来一回能磨掉一周。这篇东西我就把自己踩过的坑、对照官方文档核对过的细节，完整梳理一遍，给准备向NCBI上传16S rDNA数据的同行做一个直接能照着操作的手册。
先说明白这篇文的适用对象：你是做微生物多样性、菌群结构分析、环境微生物或者临床样本菌群研究的，手里有16S rDNA测序的原始数据（双端FASTQ为主），准备投期刊，期刊要求数据上传NCBI SRA并给出登录号；或者你想在公共数据库里公开一批自己的测序数据。那么这篇内容对你有用。如果你拿到的是已经拼接好的完整16S基因序列，想提交到GenBank做系统发育分析，这篇文章也会覆盖，因为通道和界面是相通的，只是选的数据库入口不同。
1. 上传前先搞清楚：NCBI对16S rDNA数据有哪些要求
有一说一，NCBI的文档写得并不算难懂，但它是给"懂数据库逻辑的人"看的，不是给"第一次提交数据的人"看的。我建议你先不要急着去界面里乱点，先花半小时把下面这些概念理顺，后面能少走很多弯路。
1.1 16S rDNA数据类型与NCBI对应归档库
NCBI的数据库体系里，和16S rDNA数据直接相关的主要有三个归档库：BioProject、BioSample、SRA（Sequence Read Archive），以及GenBank的16S rRNA数据库（一般通过BankIt提交）。它们的分工是：
| 数据库 | 存什么 | 登录号示例 |
|---|---|---|
| BioProject | 整个研究项目的描述，包含研究目标、测序策略、项目归属 | PRJNA123456 |
| BioSample | 每个样本的物理描述，比如来源环境、宿主、采集地、样本类型 | SAMN12345678 |
| SRA | 测序仪直接产出的原始序列数据，FASTQ/BAM格式 | SRX1234567 |
| GenBank（BankIt） | 拼接好的16S序列，带注释的FASTA或GenBank flatfile格式 | PP123456 |
很多人第一次看到这堆编号就懵了，其实可以用一个生活化的类比来理解：BioProject是"项目计划书"，BioSample是"实验记录本里的样本登记表"，SRA是"原始实验数据的仓库"。
绝大多数期刊要求的上传，指的是把数据存到SRA，因为SRA存的是最原始的测序信号，其他人拿到后可以自己重新跑分析流程。如果你的研究重点是新物种鉴定、全长16S序列的系统发育分析，那还需要把拼接后的序列单独提交到GenBank。这两个通道不是二选一的关系，而是"原始数据进SRA，代表序列进GenBank"的并行关系。
1.2 元数据整理：样本信息表怎么填才不会被退回
NCBI对核数据的态度是：宁可要"多余"的描述，也不能缺关键项。我在第一次提交时就是吃了"信息不足"的亏——BioSample审阅意见直接要求补充采样地坐标和宿主详细信息。
16S rDNA数据必须提交的核心元数据包括：
- 样本名：唯一、简明、不包含空格和特殊符号。建议用"项目简称+样本编号"的组合，比如GUTSS001，太随意的话会在后面映射环节出问题。
- 采集信息：采样日期（ISO格式YYYY-MM-DD）、地理位置（经纬度最好给，NCBI支持度很高）。
- 样本来源：环境样本就写环境类型（soil_freshwater, gut_host等），宿主样本就写宿主物种学名、宿主健康状况、取样部位。
- 测序信息：测序平台（Illumina MiSeq/NextSeq/NovaSeq）、目标区域（16S V3-V4等）、引物序列（非常重要，NCBI的SRA提交表单里专门有assay type和target gene的信息，必须写明引物名称和序列，否则部分审稿人直接拒）。
- 文库信息：单端还是双端、插入片段长度。
这里有个关键认知：NCBI的工作人员不会帮你"推断"数据，你给什么，他们能看到的就只有什么。元数据不完整，最常见的结果就是审阅打回，让你补材料。与其对着退回邮件猜，不如提交前对照SRA的metadata模板把每一项过一遍。
1.3 序列文件的三种形态：原始FASTQ、拼接FASTA与GenBank格式
NCBI的实际上传支持三种数据形态，各自的适用场景需要你先想明白：
- 原始FASTQ文件：这是SRA收的标准文件，包含测序读长和质量分数。如果你提交的是双端测序结果，会得到两个文件（R1和R2），需要成对上传。
- 拼接后的FASTA文件：如果你做了序列拼接、且通过QC，想提交一致性序列（consensus sequence），可以用FASTA格式提交到GenBank。但要注意，GenBank的16S提交更推荐带注释的GenBank flatfile格式，因为它能记录编码区域、rRNA特征等。
- GenBank格式（flatfile）：带feature表注释的格式，是BankIt实际生成的目标格式。特征表里有source、rRNA、gene等条目。
我的建议是：如果投期刊，优先完整提交原始FASTQ到SRA。如果还要给物种鉴定文章补充代表序列，再额外用BankIt提一条（或一批）拼接序列。这两个操作是独立的，别混淆。
2. 通道选型：SRA、BioSample和GenBank到底走哪条路
NCBI的上传入口多，确实容易让人不知道从哪里进入。表面上看都是"提交数据"，但其实入口背后的逻辑完全不同。我梳理出两条最常用的路径，你照着判断就行。
2.1 三个数据库的分工与协作关系
提交的先后顺序其实非常固定：先建BioProject，再建BioSample，之后根据需求走SRA通道或GenBank通道。这个顺序是NCBI的系统逻辑决定的，因为SRA和GenBank的提交表单里都需要关联BioSample和BioProject登录号。
BioProject在整个体系里的角色像个"筐"，把所有关联的数据组织起来。一篇论文的数据应该只有一个BioProject，下面可以挂很多BioSample，每个BioSample下又可以挂多次SRA实验。
从这个角度看，NCBI不是在"收数据"，是在"按项目和样本组织数据"。理解这一层，你就明白为什么所有界面都在问你要BioProject ID和BioSample ID——它们是把数据锚定的两个钩子。
2.2 两类场景：原始测序数据 vs 组装/注释产物
判断走哪条路的标准只有一条：你的数据形态是"原始的"还是"加工后的"。
- 如果你手上是测序仪下机的FASTQ，并且在后续分析中还要做OTU聚类、多样性指数计算——请提交SRA。
- 如果你已经获得了16S全长序列或近全长序列，做了至少99%准确率的拼接，想在GenBank里获得一个有注释的登录号，并且这个序列在文章里作为"代表序列"出现——请走BankIt/GenBank通道。
这两条通道的用途可以同时存在。最典型的做法是：一篇土壤微生物多样性文章，既要把所有样本的原始FASTQ上传SRA获得SRP登录号，也要把其中新发现的菌株16S序列上传GenBank获得单独的序列号。两个登录号都会出现在论文里，评审也都认。
2.3 我的选型建议：什么时候用SRA，什么时候完整提交
从我自己的项目经验出发，选型建议是这样：
- 单纯为了满足期刊数据可用性要求：只提交SRA即可。已经足够，不需要额外做GenBank的BankIt。
- 研究对象包括潜在的未培养新物种，或者涉及新分类单元的描述：一定要走BankIt提交16S代表序列，同时把原始数据放SRA。
- 做了全基因组测序同时包含16S信息：走SRA上传整个WGS原始数据，单独把16S序列刨出来走BankIt。
- 只想公开拼接好的16S序列，不想公开原始数据：只走BankIt，但要注意有些期刊会要求原始数据，可能需要事先确认。
这里想提醒一句：SRA的数据在release日期之前是保密的，评审可以凭登录号和审阅人token访问，不影响盲审。BankIt的GenBank序列默认公开发布，但可以设定hold until date，在指定日前不公开。两者的可见性控制机制不同，别搞混。
3. 提交流程逐步拆解：从创建BioProject到上传序列文件
这一节是整个操作的核心。我会按点击顺序走一遍，并告诉你每一步要准备什么、填什么、以及常见错误怎么避。
3.1 注册与登录：NCBI账号体系使用要点
上传数据必须有一个NCBI账号。注册很简单，用邮箱就能创建。有一点要注意：NCBI账号密码忘了之后的找回流程比较绕，而且如果你在提交过程中会话超时（系统会在约30分钟无操作后登出），填了一半的表格可能丢失。所以我强烈建议：提交前把所有要填的信息准备到一个文本文件里，正式填表时直接复制粘贴。
注册完成后，进入Submission Portal，你会看到SRA、BioProject、BioSample这几个入口。这里建议的顺序是：BioProject -> BioSample -> SRA。
3.2 创建BioProject：元数据的写法
进入BioProject提交界面后，有几个关键项需要认真填写：
- Project title：建议直接写成论文标题的简化版，例如"Influence of fertilizer regime on rhizosphere bacterial communities of maize (16S rRNA gene amplicon sequencing)"。这个标题会显示在SRA登录页面上，以后别人检索时能看到。
- Project description：写清楚研究背景和目的，一两段话即可，不需要复制论文摘要。
- Project type：选择Research Study即可。如果你的16S数据是某个大型项目（比如地球微生物组计划）的一部分，可以关联umbrella project，否则不用管。
- Relevance：选Medical或Environmental或Agricultural，取决于实际研究背景。
BioProject创建成功后，页面会显示PRJNA开头的登录号。我习惯直接把所有登录号记在自己本地的提交日志里，方便后续对应。
3.3 创建BioSample：16S样本属性怎么填
BioSample提交是整个流程中最容易出错的地方，因为它的表单是动态的，会根据你选的包类型变化。16S rDNA测序通常选Microbe、Metagenome或Environmental包类型，具体看样本性质：
- 纯培养菌株：选Microbe
- 动物/人体肠道样本：选Host-associated，需要填写宿主物种、宿主年龄、性别、取样部位等
- 土壤/水体/空气样本：选Environmental，需要填写经纬度、环境特征（biome、feature等）
这里有一个特别实用的操作：BioSample提交页面支持上传Excel表批量创建样本，尤其是样本数多的时候，几千个样本不可能一个个手填。Excel模板可以从NCBI的BioSample submission页面下载，里面有标准的列名定义。填的时候注意：
- 每个样本的sample_name必须唯一，不能有空格，不能用中文，不要用/、\、:等字符。
- 经纬度格式建议使用十进制（例如42.36 -71.05），NCBI支持度很好，不要写成度分秒。
- 时间标准格式：YYYY-MM-DD，ISO 8601，其他格式会被回退。
一次性创建多个样本时，Excel模板的列很多，看起来很吓人。我的方法是：先下载模板，删掉不用的列（千万别动列头），保留必填列和我的样本相关列，然后填好上传。如果上传报错，NCBI会给一个可下载的报错文件，里面有具体是哪一行、哪一列、什么值不合格，照着改就行。
3.4 提交SRA：实际操作细节
BioSample创建完后，进入SRA提交，界面会要求你选择数据来源、测序平台、数据文件形式。
SRA提交有几个核心选项：
- Illumina双端测序：Choose platform里选Illumina，Library strategy选AMPLICON，Library source按要求，Library selection选PCR。这一点很关键，因为16S文库通常经过PCR扩增，不能选成GENOMIC或RANDOM。
- File format：原始FASTQ文件直接用.gz压缩格式上传，NCBI接受FASTQ（.fastq.gz）、FASTA（.fasta.gz）、BAM等。注意文件名里最好别带特殊符号。
- Assay type：选择AMPLICON，然后在Target gene里填写16S rRNA，并附上引物序列信息。
文件上传本身有三个通道：网页直接拖拽、FTP（Aspera命令行/FileZilla）、以及SRA的远程上传工具。我个人最推荐网页上传，但需要注意浏览器限制——文件太大容易断断续续，我用过的方案是：
- 单个文件小于10GB：直接网页上传。
- 大量文件或超大文件：用NCBI推荐的Aspera命令行（ascp），可以断点续传，速度也稳定。不过Aspera需要在本地安装客户端，且必须从NCBI的SRA提交界面获取identity文件（通常是名为asp-ora-priv.ora的凭证文件，或者直接使用SRA提交邮件里下发的key）。
SRA提交完成后，系统会给你一个SRR或者SRX的运行号，随后进入审阅队列。到此，整个提交的动作已经完成，剩下的就是等待和检查。
4. 容易被忽略的序列文件检查项：格式、命名与质量控制
规格上，NCBI官方文档说得很清楚，但真正常见的上传退回原因，恰恰是在那些"看起来很简单"的地方。我在这里列几个我在实验室里反复帮人排查了几轮的问题。
4.1 文件名与样本名对应关系
NCBI的SRA回传信息是基于文件名映射到样本名的。如果你的FASTQ文件名和BioSample里的sample_name对不上，NCBI的自动QC会直接报错。比如你的BioSample里叫GUTSS001，提交的FASTQ文件名却是Sample1_R1.fastq.gz，系统可以在网页表单里做手动映射，但这是人为因素最高发的一个环节。
我的习惯是：在交付上机前就把所有样本的文件名统一成"sample_name_platform_lane_read"的格式，例如GUTSS001_R1.fastq.gz、GUTSS001_R2.fastq.gz。这个习惯帮我省了非常多的映射麻烦，强烈建议你在实验设计阶段就定下命名规则。
4.2 FASTQ格式检查：读头和质量的坑
FASTQ格式本身不复杂，但继续往下挖就有讲究：NCBI的SRA接受PHRED+33编码的主流格式，Illumina平台现在基本都是这个编码方案。如果你用的是旧平台产生的数据，要注意质量值编码是PHRED+64还是+33。格式不一致虽然在NCBI的校验中不一定被拒，但会在后续别人下载跑分析时出错。
更实际的问题是：提交前你自己要先跑一遍FastQC，确认质量值分布、接头残留、碱基组成是否正常。NCBI不会替你质控，但它会记录你提交文件里统计到的平均质量值。如果你的文件里包含大量低质量片段，即便通过审核，下载方也可能在做质控时产生困惑。
4.3 双端序列的提交方式
16S测序绝大多数都是双端reads。SRA提交时，你可以把两个文件分开传，然后在SRA表单中把它们配对。配对的一个关键是：NCBI要求R1和R2的文件名必须高度一致，仅末尾不同（一般是一个_1一个_2，或_R1/_R2）。否则自动配对会失败。
如果你已经做了paired-end合并（如用VSEARCH、PEAR、FLASH合并成一条长序列），想让合并后的序列提交，那一般就不送去SRA了，而是拼接汇总后走GenBank的BankIt。偶尔也有研究者把合并后的FASTQ放到SRA，这在技术上是允许的，但NCBI官方建议保留原始未合并的FASTQ，这样信息不丢失。
4.4 原始数据是否要去接头和引物
这是个在Bioinformatics社区都讨论过很多遍的问题。我的建议是：提交原始数据时，保留测序仪直接下机的FASTQ，不要去接头、不要去引物、不要做任何长度修剪。
原因有三条：
- 审稿人和数据复用者希望看到最原始的状态。
- NCBI的SRA下载后，别人会根据自己的流程处理，你提前裁剪反而破坏了数据的可复用性。
- 你去引物后，读长会变；如果去引物过程出错，再想恢复原始数据就没机会了。
如果你实在需要"干净的"数据，可以同时提交原始FASTQ和处理后数据，但要在SRA表单的processing information里说明。不做特殊处理时，直接标明"Raw reads, no trimming"即可。
5. 提交后的事：状态追踪、release日期设置与常见退回原因
到了这一步，数据已经在NCB队列里跑流程了。但仍不能掉以轻心。我经历过一次提交后什么都不管，结果过了两周看邮件才发现被退回了，原因只是Sample属性里的一个日期格式错误，这本来一分钟就能改好。
5.1 提交后的审阅流程
提交完成后，你会在注册邮箱收到一封确认邮件，里面有一个"Submission ID"，同时登录NCBI后可以在"Submissions"页面看到状态。状态会有这几个阶段：
- Processing：NCBI收到数据，开始自动校验，包括文件格式、元数据完整性、FASTQ校验等，一般几小时到一两天。
- In QC：人工审阅阶段，检查你填写的元数据是否合理，有时候会自动给你发来需要补充的信息，必须回复。
- Action needed：你的提交有问题，需要登录NCBI后台修改，或者通过邮件回复Explain。
- Released/Public：数据公开，可以获得最终的登录号（SRR号）或者hold状态（hold until date）。
整个过程如果一切顺利，一般3-5个工作日内就能拿到登录号。如果卡在"Action needed"，不要慌，点进去看具体的报错信息，大部分都是属性写错或格式不对。
5.2 常见的驳回/警告原因以及如何应对
我把平时实验室成员踩过的坑汇总成一个表，方便你自查：
| 驳回/警告原因 | 具体情形 | 解决办法 |
|---|---|---|
| BioSample与SRA样本数不一致 | 某个样本在BioSample里漏建或重复 | 核实两边样本名，确保要上传的数据都能映射到BioSample |
| 日期格式错误 | 采样日期写成2024/3/1或2024年3月1日 | 统一改成2024-03-01格式 |
| 引物信息缺失 | 只写"16S V3-V4"，未提供具体序列 | 在SRA表单的PCR primer region中填写正向和反向引物序列（如338F: ACTCCTACGGGAGGCAGCAG，806R: GGACTACHVGGGTWTCTAAT） |
| 定位信息缺失 | Environmental包里没填经纬度 | 按采样记录补填，允许精确到四舍五入的小数点后几位 |
| FASTQ文件名映射失败 | 文件列表与BioSample sample_name对不上 | 在SRA提交表中手动拖拽匹配，或者重新命名后覆盖上传 |
| 测序平台信息错误 | NovaSeq写成MiSeq | 对照测序报告填入准确平台信息 |
| 质控数据异常 | 平均质量过低，NCBI自动标记 | 回看实验室质控，结合FastQC报告评估后再决定是否继续提交 |
其中引物序列这一项，是期刊审稿人必然关注的内容，NCBI退回的可能性反而没那么大，但如果你自己提交时留空了，审稿人看SRA元数据时大概率会质疑。建议无论NCBI是否强制，都把引物序列写上。
5.3 release日期与数据发布策略
SRA提交时，有两个时间点很关键：Submission date和Release date。前者是你提交的日期，后者是数据何时公之于众的日期。NCBI默认release date是提交完成审阅后的一个固定日期，但你可以手动设置一个未来的日子——在论文正式上线前保持数据保密，论文见刊后自动公开。
具体操作：在SRA提交后台的对应项目下，选择"set release date"，填写日期。要注意：
- hold状态最长可以设置到提交后三年，到期必须公开。
- 审稿人可以看到数据，但无法被普通公众访问。
- 论文正式published前，确保release日期已设为论文见刊当天或之后，否则数据会提前泄露给公众。
我自己的习惯是：在submit时就设置release date为计划投稿日期加四个月的一个"宽裕值"，等论文真正接收后再调整到见刊日。这种策略平衡了文章盲审和提前公开风险。
6. 再说点实际操作中积累的经验：文件传输、备份和后续引用
这一节不是NCBI官方文档里会告诉你的，但我认为对顺利完成整个上传最有帮助。
6.1 大文件传输：网页上传之外的备选方案
当你手里的样本量上百个、FASTQ总量上T的时候，网页上传基本没法用。这时候我推荐两个方案：
- Aspera命令行（ascp）：NCBI官方支持，速度快，支持断点续传。使用ascp时需要下载SRA提交页面的私钥文件，然后执行类似：
ascp -i /path/to/aspera_private_key -QTr -l 300M -k 1 user@submit.ncbi.nlm.nih.gov:/path/to/folder /local/data/directory参数的作用是：-l 300M限制带宽，避免占满实验室的网络；-k 1开启断点续传。这个命令我实测下来比网页稳定太多，尤其适合批量提交。
- SRA Toolkit中的辅助工具：老版本里有一些FTP上传插件，现在纯FTP已经越来越边缘化，但如果你们实验室网络对某些端口有限制，FTP仍然可以作为一个后备方案。
提醒一句：上传大的文件前，先确认本地磁盘有足够空间；文件上传过程中不要手动删源；最好准备一份MD5校验值，方便判断上传的压缩包是否有损坏。
6.2 上传数据的本地备份
NCB的SRA是一个数据归档系统，但它不会主动催你保留原始数据。我的习惯是：FASTQ原始文件在本地集群和外部硬盘上放双份，且专门建一个文件夹保存"已提交到SRA的数据清单"，里面记录每个文件对应的SRR登录号、提交日期、格式，以及BioSample登录号。这样以后无论什么时候需要追溯，都能在一分钟内找到对应关系。
有人说"NCBI已经帮我存数据了，本地可以删"，这种想法非常危险。数据显示NCBI的存储是可靠，但一旦你自己的数据有后续分析需求（比如重新质控、改变参数重新比对），本地没有原始文件就寸步难行。
6.3 后续引用与论文中的数据可用性声明
数据上传完成，拿到登录号后，记得在论文的方法学和Data Availability Statement里写明以下内容：
- SRA访问号（一般是SRP/PRJNA开头）
- BioProject访问号
- 个别样本的BioSample访问号
标准的写法类似：The raw sequencing data have been deposited in the NCBI Sequence Read Archive under the BioProject accession number PRJNA123456（对应SRA accession: SRP123456）。
在这里我还想强调：NCBI每个登录号都可以配合一个简单的"reviewer token"让审稿人在数据保密期访问。在提交SRA后，界面上会生成一个令牌字符串，一定要附在给审稿人的投稿信或数据可用性声明里。很多人在这一步忘了复制，审稿人会发邮件来催，白白耽误时间。
6.4 一个容易被忽略的小技巧：使用提交日志
如果你经常要上传多个项目的数据，强烈建议在本地维护一个提交日志。表中的列可以是：提交日期、项目名称、BioProject ID、BioSample ID、SRA ID、文件数量、总大小、release日期、对应论文、状态备注。有了这个日志，月底写总结、和编辑沟通数据问题时都能省很多事。它本质上就是给数据库提交这件事建立一个项目管理表。
另外，NCBI的Portal账号体系其实还内置了API接口，如果你们实验室有编程能力的成员，可以探索用Python/Perl脚本调用SRA的API来查询上传状态。不过对多数人来说，网页后台的可见状态已经够了，脚本属于高级玩法，这里不展开。
写在最后的个体经验
上传一次16S rDNA数据到NCBI，最花时间的地方从来不是网络的传输，而是把实验记录里的信息转换成NCBI能识别的元数据。用一句话概括我的体会：数据上传不是"传文件"这个动作，而是一次针对实验完整性的自我审阅。很多人会忽略这个环节，但恰恰是元数据写得好不好，决定了一批数据几年之后还有没有被人重用的价值。
借这篇分享的机会，也推荐大家在拿到登录号之后，去NCBI的SRA页面再自己搜一下自己提交的项目，确保检索结果里的所有信息是可读的、准确的。这是最简单也最踏实的一次最终确认。等你看到自己的数据在全球公共数据库中安安稳稳地躺着，那份"数据真的可用了"的感觉，是发文章那一刻给不了的。
