Biopython BioSQL 模块
BioSQL 是一种通用数据库模式,主要用于存储所有 RDBMS 引擎的序列及其相关数据。它的设计方式使其包含来自所有流行的生物信息学数据库(如 GenBank、Swissport 等)的数据。它也可用于存储内部数据。
BioSQL 目前为以下数据库提供了特定的架构:
- MySQL (biosqldb-mysql.sql)
- PostgreSQL (biosqldb-pg.sql)
- 甲骨文 (biosqldb-ora/*.sql)
- SQLite (biosqldb-sqlite.sql)
它还为基于 Java 的 HSQLDB 和 Derby 数据库提供最低限度的支持。
BioPython 提供了非常简单、容易和高级的 ORM 功能来处理基于 BioSQL 的数据库。 BioPython 提供了一个模块,BioSQL 做以下功能:
- 创建/删除 BioSQL 数据库
- 连接到 BioSQL 数据库
- 解析GenBank、Swisport、BLAST result、Entrez result等序列数据库,直接加载到BioSQL数据库中
- 从 BioSQL 数据库中获取序列数据
- 从 NCBI BLAST 获取分类数据并将其存储在 BioSQL 数据库中
- 对 BioSQL 数据库运行任何 SQL 查询
BioSQL 数据库模式概述
在深入了解 BioSQL 之前,让我们先了解一下 BioSQL 模式的基础知识。 BioSQL 模式提供 25 多个表来保存序列数据、序列特征、序列类别/本体和分类信息。一些重要的表格如下:
- 生物数据库
- bioentry
- 生物序列
- 序列特征
- taxon
- 分类名称
- antology
- term
- dxref
创建 BioSQL 数据库
在本节中,让我们使用 BioSQL 团队提供的模式创建一个示例 BioSQL 数据库,即 biosql。我们将使用 SQLite 数据库,因为它非常容易上手并且没有复杂的设置。
在这里,我们将使用以下步骤创建一个基于 SQLite 的 BioSQL 数据库。
步骤 1 : 下载SQLite数据库引擎并安装。
步骤 2 : 从 GitHub URL 下载 BioSQL 项目。 https://github.com/biosql/biosql
步骤 3 :打开一个控制台,使用mkdir创建一个目录并进入。
cd /path/to/your/biopython/sample mkdir sqlite-biosql cd sqlite-biosql
步骤 4 : 运行以下命令创建一个新的 SQLite 数据库。
> sqlite3.exe mybiosql.db SQLite version 3.25.2 2018-09-25 19:08:10 Enter ".help" for usage hints. sqlite>
步骤 5 :从BioSQL项目(/sql/biosqldb-sqlite.sql`)中复制biosqldb-sqlite.sql文件,存放在当前目录下。
步骤 6 : 运行以下命令创建所有表。
sqlite> .read biosqldb-sqlite.sql
现在,所有表都在我们的新数据库中创建。
步骤 7 : 运行下面的命令可以查看我们数据库中所有的新表。
sqlite> .headers on sqlite> .mode column sqlite> .separator ROW "\n" sqlite> SELECT name FROM sqlite_master WHERE type = 'table'; biodatabase taxon taxon_name ontology term term_synonym term_dbxref term_relationship term_relationship_term term_path bioentry bioentry_relationship bioentry_path biosequence dbxref dbxref_qualifier_value bioentry_dbxref reference bioentry_reference comment bioentry_qualifier_value seqfeature seqfeature_relationship seqfeature_path seqfeature_qualifier_value seqfeature_dbxref location location_qualifier_value sqlite>
前三个命令是配置命令,用于配置 SQLite 以格式化方式显示结果。
步骤 8 : 复制BioPython团队提供的样本GenBank文件,ls_orchid.gbk https://raw.githubusercontent.com/biopython/biopython/master/Doc/examples/ls_orchid.gbk into the current directory and save it as orchid.gbk.
步骤 9 :使用下面的代码创建一个python脚本,load_orchid.py并执行。
from Bio import SeqIO from BioSQL import BioSeqDatabase import os server = BioSeqDatabase.open_database(driver = 'sqlite3', db = "orchid.db") db = server.new_database("orchid") count = db.load(SeqIO.parse("orchid.gbk", "gb"), True) server.commit() server.close()
上面的代码解析文件中的记录并将其转换为python对象并插入到BioSQL数据库中。我们将在后面的部分分析代码。
最后,我们创建了一个新的 BioSQL 数据库并将一些示例数据加载到其中。我们将在下一章讨论重要的表格。
简单的 ER 图
生物数据库 表位于层次结构的顶部,其主要目的是将一组序列数据组织到单个组/虚拟数据库中。 生物数据库中的每个条目都指向一个单独的数据库,并且不会与另一个数据库混合。 BioSQL 数据库中的所有相关表都引用了 biodatabase 条目。
bioentry 表包含有关序列的所有详细信息,除了序列数据。特定的序列数据 bioentry 将存储在 生物序列 table.
taxon 和 taxon_name 是分类详细信息,每个条目都引用此表以指定其分类信息。
在了解了模式之后,让我们在下一节中研究一些查询。
BioSQL 查询
让我们深入研究一些 SQL 查询,以更好地了解数据是如何组织的以及表是如何相互关联的。在继续之前,让我们使用以下命令打开数据库并设置一些格式化命令:
> sqlite3 orchid.db SQLite version 3.25.2 2018-09-25 19:08:10 Enter ".help" for usage hints. sqlite> .header on sqlite> .mode columns
.header 和 .mode 是格式化选项以更好地可视化数据 .你还可以使用任何 SQLite 编辑器来运行查询。
列出系统中可用的虚拟序列数据库如下:
select * from biodatabase; *** Result *** sqlite> .width 15 15 15 15 sqlite> select * from biodatabase; biodatabase_id name authority description --------------- --------------- --------------- --------------- 1 orchid sqlite>
在这里,我们只有一个数据库, orchid .
列出数据库中可用的条目(前 3 个) orchid 使用下面给定的代码
select be.*, bd.name from bioentry be inner join biodatabase bd on bd.biodatabase_id = be.biodatabase_id where bd.name = 'orchid' Limit 1, 3; *** Result *** sqlite> .width 15 15 10 10 10 10 10 50 10 10 sqlite> select be.*, bd.name from bioentry be inner join biodatabase bd on bd.biodatabase_id = be.biodatabase_id where bd.name = 'orchid' Limit 1,3; bioentry_id biodatabase_id taxon_id name accession identifier division description version name --------------- --------------- ---------- ---------- ---------- ---------- ---------- ---------- ---------- ----------- ---------- --------- ---------- ---------- 2 1 19 Z78532 Z78532 2765657 PLN C.californicum 5.8S rRNA gene and ITS1 and ITS2 DN 1 orchid 3 1 20 Z78531 Z78531 2765656 PLN C.fasciculatum 5.8S rRNA gene and ITS1 and ITS2 DN 1 orchid 4 1 21 Z78530 Z78530 2765655 PLN C.margaritaceum 5.8S rRNA gene and ITS1 and ITS2 D 1 orchid sqlite>
列出与一个条目相关的序列详细信息(登录号:Z78530,名称:C. fasciculatum 5.8S rRNA gene and ITS1 and ITS2 DNA),给出的代码:
select substr(cast(bs.seq as varchar), 0, 10) || '...' as seq, bs.length, be.accession, be.description, bd.name from biosequence bs inner join bioentry be on be.bioentry_id = bs.bioentry_id inner join biodatabase bd on bd.biodatabase_id = be.biodatabase_id where bd.name = 'orchid' and be.accession = 'Z78532'; *** Result *** sqlite> .width 15 5 10 50 10 sqlite> select substr(cast(bs.seq as varchar), 0, 10) || '...' as seq, bs.length, be.accession, be.description, bd.name from biosequence bs inner join bioentry be on be.bioentry_id = bs.bioentry_id inner join biodatabase bd on bd.biodatabase_id = be.biodatabase_id where bd.name = 'orchid' and be.accession = 'Z78532'; seq length accession description name ------------ ---------- ---------- ------------ ------------ ---------- ---------- ----------------- CGTAACAAG... 753 Z78532 C.californicum 5.8S rRNA gene and ITS1 and ITS2 DNA orchid sqlite>
获取与条目关联的完整序列(登录号:Z78530,名称:C. 束状 5.8S rRNA 基因和 ITS1 和 ITS2 DNA) 使用以下代码:
select bs.seq from biosequence bs inner join bioentry be on be.bioentry_id = bs.bioentry_id inner join biodatabase bd on bd.biodatabase_id = be.biodatabase_id where bd.name = 'orchid' and be.accession = 'Z78532'; *** Result *** sqlite> .width 1000 sqlite> select bs.seq from biosequence bs inner join bioentry be on be.bioentry_id = bs.bioentry_id inner join biodatabase bd on bd.biodatabase_id = be.biodatabase_id where bd.name = 'orchid' and be.accession = 'Z78532'; seq ---------------------------------------------------------------------------------------- ---------------------------- CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGTTGAGACAACAGAATATATGATCGAGTGAATCT GGAGGACCTGTGGTAACTCAGCTCGTCGTGGCACTGCTTTTGTCGTGACCCTGCTTTGTTGTTGGGCCTCC TCAAGAGCTTTCATGGCAGGTTTGAACTTTAGTACGGTGCAGTTTGCGCCAAGTCATATAAAGCATCACTGATGAATGACATTATTGT CAGAAAAAATCAGAGGGGCAGTATGCTACTGAGCATGCCAGTGAATTTTTATGACTCTCGCAACGGATATCTTGGCTC TAACATCGATGAAGAACGCAG sqlite>
列出与生物数据库、兰花相关的分类单元
select distinct tn.name from biodatabase d inner join bioentry e on e.biodatabase_id = d.biodatabase_id inner join taxon t on t.taxon_id = e.taxon_id inner join taxon_name tn on tn.taxon_id = t.taxon_id where d.name = 'orchid' limit 10; *** Result *** sqlite> select distinct tn.name from biodatabase d inner join bioentry e on e.biodatabase_id = d.biodatabase_id inner join taxon t on t.taxon_id = e.taxon_id inner join taxon_name tn on tn.taxon_id = t.taxon_id where d.name = 'orchid' limit 10; name ------------------------------ Cypripedium irapeanum Cypripedium californicum Cypripedium fasciculatum Cypripedium margaritaceum Cypripedium lichiangense Cypripedium yatabeanum Cypripedium guttatum Cypripedium acaule pink lady's slipper Cypripedium formosanum sqlite>
将数据加载到 BioSQL 数据库
让我们在本章中学习如何将序列数据加载到 BioSQL 数据库中。上一节我们已经有了将数据加载到数据库中的代码,代码如下:
from Bio import SeqIO from BioSQL import BioSeqDatabase import os server = BioSeqDatabase.open_database(driver = 'sqlite3', db = "orchid.db") DBSCHEMA = "biosqldb-sqlite.sql" SQL_FILE = os.path.join(os.getcwd(), DBSCHEMA) server.load_database_sql(SQL_FILE) server.commit() db = server.new_database("orchid") count = db.load(SeqIO.parse("orchid.gbk", "gb"), True) server.commit() server.close()
我们将深入了解每一行代码及其用途:
Line 1 : 加载 SeqIO 模块。
Line 2 : 加载 BioSeqDatabase 模块。该模块提供了与 BioSQL 数据库交互的所有功能。
Line 3 : 加载os模块。
Line 5 : open_database 用配置好的驱动程序(驱动程序)打开指定的数据库(db),并返回一个对BioSQL数据库(服务器)的句柄。 Biopython 支持 sqlite、mysql、postgresql 和 oracle 数据库。
6-10 号线 : load_database_sql 方法从外部文件加载sql并执行。 commit 方法提交事务。我们可以跳过这一步,因为我们已经使用模式创建了数据库。
Line 12 : new_database 方法创建新的虚拟数据库,orchid 并返回一个句柄 db 来对 orchid 数据库执行命令。
Line 13 : load 方法将序列条目(iterable SeqRecord)加载到兰花数据库中。 SqlIO.parse 解析 GenBank 数据库并将其中的所有序列作为可迭代的 SeqRecord 返回。 load 方法的第二个参数 (True) 指示它从 NCBI blast 网站获取序列数据的分类详细信息,如果它在系统中尚不可用。
Line 14 :commit 提交事务。
Line 15 :close关闭数据库连接,销毁服务器句柄。
获取序列数据
让我们从 orchid 数据库中获取一个标识符为 2765658 的序列,如下所示:
from BioSQL import BioSeqDatabase server = BioSeqDatabase.open_database(driver = 'sqlite3', db = "orchid.db") db = server["orchid"] seq_record = db.lookup(gi = 2765658) print(seq_record.id, seq_record.description[:50] + "...") print("Sequence length %i," % len(seq_record.seq))
在这里,server["orchid"] 返回从虚拟数据库orchid 中获取数据的句柄。 lookup 方法提供了基于标准选择序列的选项,我们选择了标识符为 2765658 的序列。 lookup 将序列信息作为 SeqRecordobject 返回。因为,我们已经知道如何使用 SeqRecord`,所以很容易从中获取数据。
删除数据库
删除数据库很简单,只需使用正确的数据库名称调用 remove_database 方法,然后按照如下指定提交:
from BioSQL import BioSeqDatabase server = BioSeqDatabase.open_database(driver = 'sqlite3', db = "orchid.db") server.remove_database("orchids") server.commit()