Biopython - BioSQL 模块

BioSQL是一个通用数据库模式，主要为所有 RDBMS 引擎存储序列及其相关数据。它的设计方式是保存来自所有流行生物信息学数据库（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特定模式 -

MySQL（biosqldb-mysql.sql）
PostgreSQL (biosqldb-pg.sql)
Oracle (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、简单且高级的 ORM 功能，可以与基于 BioSQL 的数据库配合使用。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GenBank、Swisport、BLAST结果、Entrez结果等序列数据库，并直接加载到BioSQL数据库中
从 BioSQL 数据库获取序列数据
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

BioSQL 数据库架构概述

在深入了解 BioSQL 之前，让我们先了解一下 BioSQL 架构的基础知识。BioSQL 模式提供 25 个以上的表来保存序列数据、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
生物进入
生物序列
序列特征
分类单元
分类单元名称
选集
学期
DX参考

创建 BioSQL 数据库

在本节中，让我们使用 BioSQL 团队提供的架构创建一个示例 BioSQL 数据库 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 数据库引擎并安装它。

步骤 2 - 从 GitHub URL 下载 BioSQL 项目。 https://github.com/biosql/biosql

步骤 3 - 打开控制台并使用 mkdir 创建一个目录并进入该目录。

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

步骤 4 - 运行以下命令创建新的 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>

步骤 5 - 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。

步骤 6 - 运行以下命令创建所有表。

sqlite> .read biosqldb-sqlite.sql

现在，所有表都已在我们的新数据库中创建。

步骤 7 - 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。

步骤 8 - 将 BioPython 团队提供的示例 GenBank 文件 ls_orchid.gbk https://raw.githubusercontent.com/biopython/biopython/master/Doc/examples/ls_orchid.gbk复制到当前目录并将其保存为 orchid.gbk 。

步骤 9 - 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对象并插入到BioSQL数据库中。我们将在后面的部分中分析代码。

最后，我们创建了一个新的 BioSQL 数据库并向其中加载一些示例数据。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引用一个单独的数据库，并且不与另一个数据库混合。BioSQL 数据库中的所有相关表都引用了生物数据库条目。

生物条目表保存了除序列数据之外的序列的所有详细信息。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 是分类详细信息，每个条目都引用此表来指定其分类信息。

了解架构后，让我们研究下一节中的一些查询。

BioSQL 查询

让我们深入研究一些 SQL 查询，以更好地理解数据是如何组织的以及表之间是如何关联的。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，可以更好地可视化数据。您还可以使用任何 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，我们只有一个数据库orchid。

使用下面给出的代码列出数据库orchid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>

使用给定的代码列出与条目（登录号 - Z78530，名称 - C. 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（登录号 - Z78530，名称 - C. 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、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 数据库中

本章我们将学习如何将序列数据加载到 BioSQL 数据库中。我们已经有了上一节中将数据加载到数据库的代码，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()

我们将更深入地了解每一行代码及其目的 -

第 1 行- 加载 SeqIO 模块。

第 2 行- 加载 BioSeqDatabase 模块。该模块提供与 BioSQL 数据库交互的所有功能。

第 3 行- 加载操作系统模块。

第 5 行- open_database 使用配置的驱动程序（driver）打开指定的数据库（db），并返回 BioSQL 数据库（服务器）的句柄。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。我们可以跳过这一步，因为我们已经使用架构创建了数据库。

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 以针对 orchid 数据库执行命令。

第 13 行- load 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。load 方法的第二个参数 (True) 指示它从 NCBIblast 网站获取序列数据的分类详细信息（如果系统中尚不可用）。

第 14 行- commit 提交事务。

第 15 行- close 关闭数据库连接并销毁服务器句柄。

获取序列数据

让我们从兰花数据库中获取标识符为 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))

这里，server["orchid"] 返回从虚拟数据库orchid 获取数据的句柄。Lookup方法提供了一个根据条件选择序列的选项，我们选择了标识符为 2765658 的序列。lookup返回序列信息作为 SeqRecord 对象。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

删除数据库就像使用正确的数据库名称调用remove_database方法一样简单，然后按如下指定提交它 -

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