Biopython BioSQL模块

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。它的设计方式可以保存来自所有流行的生物信息学数据库(如GenBank，Swissport等)的数据。它也可以用于存储内部数据。

BioSQL当前为以下数据库提供特定的架构-

  • MySQL (biosqldb-mysql.sql)
  • PostgreSQL (biosqldb-pg.sql)
  • Oracle (biosqldb-ora/*.sql)
  • SQLite (biosqldb-sqlite.sql)

它还提供对基于Java的HSQLDB和Derby数据库的最小支持。
BioPython提供了非常简单，便捷和高级的ORM功能，可与基于BioSQL的数据库一起使用。BioPython提供了一个模块BioSQL来执行以下功能-

  • 创建/删除BioSQL数据库。
  • 连接到BioSQL数据库。
  • 解析序列数据库，如GenBank，Swisport，BLAST结果，Entrez结果等，然后直接将其加载到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。
  • 针对BioSQL数据库运行任何SQL查询。

1. BioSQL数据库架构概述

在深入学习BioSQL之前，我们先来了解BioSQL模式的基础知识。BioSQL模式提供了25个以上的表格来保存序列数据，序列特征，序列类别/本体和分类信息。一些重要的表格如下-

  • biodatabase
  • bioentry
  • biosequence
  • seqfeature
  • taxon
  • taxon_name
  • antology
  • term
  • dxref

2. 创建一个BioSQL数据库

在本节中，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。

注：如果对SQLite不太熟悉，可以参考：SQLite教程

在这里，使用以下步骤创建一个基于SQLite的BioSQL数据库。

第1步 - 下载SQLite数据库引擎并安装。
第2步 - 从GitHub URL下载BioSQL项目 - https://github.com/biosql/biosql
第3步 - 打开控制台，并使用mkdir创建目录并输入。

cd /path/to/your/biopython/sample 
mkdir sqlite-biosql 
cd sqlite-biosql

第4步 - 运行以下命令以创建新的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>

第5步 - 从BioSQL项目(/sql/biosqldb-sqlite.sql)复制biosqldb-sqlite.sql文件，并将其存储在当前目录中。
第6步 - 运行以下命令以创建所有表。

sqlite> .read biosqldb-sqlite.sql

所有表都在我们的新数据库中创建了。

第7步 - 运行以下命令以查看数据库中的所有新表。

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。

第8步 - 将由BioPython团队https://raw.githubusercontent.com/biopython/biopython/master/Doc/examples/ls_orchid.gbk 提供的示例GenBank文件ls_orchid.gbk复制到当前目录，并将其另存为orchid.gbk。

第9步 - 使用以下代码创建一个python脚本load_orchid.py并执行它。

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，然后将其插入BioSQL数据库。我们将在后面的部分中分析代码。最后，创建了一个新的BioSQL数据库并将一些示例数据加载到其中。我们将在下一章中讨论重要的表格。

3. 简单的ER图

biodatabase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。biodatabase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，但序列数据除外。特定生物条目的序列数据将存储在生物序列表中。
taxon和taxon_name是分类法详细信息，每个条目都引用此表来指定其分类信息。

简单的ER图

了解了架构之后，我们在下一部分中学习一些查询。

4. BioSQL查询

接下来我们深入学习一些SQL查询，以更好地理解数据的组织方式以及表之间的相互关系。在继续之前，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是用于更好地可视化数据的格式化选项。也可以使用SQLite编辑器运行查询。
列出系统中可用的虚拟序列数据库，如下所示-

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，只有一个数据库 - orchid。以下给定代码列出orchid数据库中可用的条目(前3个) - 

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>

使用给定代码列出与条目(accession - Z78530，name - fasciculatum 5.8S rRNA基因以及ITS1和ITS2 DNA)相关的序列详细信息-

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>

使用以下代码获取与条目相关的完整序列(accession-Z78530，name-fasciculatum 5.8S rRNA基因以及ITS1和ITS2 DNA)-

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，biodatabase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>

5. 加载数据到BioSQL数据库

在本章中，我们学习如何将序列数据加载到BioSQL数据库中。在上一节中，已经有了将数据加载到数据库中的代码，这里使用的代码如下-

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()

我们将更深入地了解代码的每一行及其用途-

第1行 - 加载SeqIO模块。
第2行 - 加载BioSeqDatabase模块。该模块提供了与BioSQL数据库交互的所有功能。
第3行 - 加载os模块。
第5行 - open_database使用配置的驱动程序(驱动程序)打开指定的数据库(db)，并将句柄返回到BioSQL数据库(服务器)。Biopython支持sqlite，mysql，postgresql和oracle数据库。
第6-10行 - load_database_sql方法从外部文件加载sql并执行它。commit方法提交事务。因为这里使用模式创建了数据库，所以可以跳过此步骤。
第12行 - new_database方法创建新的虚拟数据库orchid，并返回一个句柄db以对orchi数据库执行命令。
第13行 - 加载方法将序列条目(可迭代的SeqRecord)加载到Orchid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。加载方法的第二个参数(True)指示其从NCBI blast网站获取序列数据的分类法详细信息(如果系统中尚不可用)。
第14行 - commit提交事务。
第15行 - close关闭数据库连接并破坏服务器句柄。

6. 获取序列数据

下面将从orchi数据库中获取一个标识符为2765658的序列，代码如下所示：

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"]返回句柄以从虚拟数据库orchid获取数据。lookup方法提供了一个根据条件选择序列的选项，我们选择了带有标识符2765658的序列。lookup将序列信息作为SeqRecordobject返回。由于已经知道如何使用SeqRecord，因此很容易从中获取数据。

7. 删除数据库

删除数据库比较简单，调用remove_database方法并指定数据库名称，然后提交即可 -

from BioSQL import BioSeqDatabase 
server = BioSeqDatabase.open_database(driver = 'sqlite3', db = "orchid.db") 
server.remove_database("orchids") 
server.commit()

目录
Biopython BioSQL模块