Question

我对sqlite3还是很陌生，但是我想用它来存储我拥有的一些基因组数据，因为从R进行操作需要花费大量时间来处理。建立数据库后，我想进行一些基本查询，但是我的问题是，我不知道应该创建哪些表以进行适当的查询。

这是我的大桌子的样子：

Chr Start   End Ref Alt Callers GATK_Illumina.counts    GATK_Illumina.samples   GATK_SOLiD.counts   GATK_SOLiD.samples  LIFE_SOLiD.counts   LIFE_SOLiD.samples  TVC_Ion.counts  TVC_Ion.samples Func.refGene    Gene.refGene
chr1    14948   14948   G   A   GATK_SOLiD  0.38    noSample    1.125   XK713   0.125   noSample    13.43   17E334|17E424|17H593|17J782|17J913|1B566    ncRNA_intronic;downstream   WASH7P;DDX11L1
chr1    14948   14948   G   A   TVC_Ion 0.38    noSample    1.125   XK713   0.125   noSample    13.43   17E334|17E424|17H593|17J782|17J913|1B566    ncRNA_intronic;downstream   WASH7P;DDX11L1
chr1    15820   15820   G   T   GATK_SOLiD  0.38    noSample    1.125   1E695   0.125   noSample    4.43    17E574|17H906|5K083B|6C418  ncRNA_exonic    WASH7P
chr1    15820   15820   G   T   TVC_Ion 0.38    noSample    1.125   1E695   0.125   noSample    4.43    17E574|17H906|5K083B|6C418  ncRNA_exonic    WASH7P
chr1    17452   17452   C   T   GATK_SOLiD  0.38    noSample    1.125   1H823   0.125   noSample    12.43   17G118|17G937|17H906|17J610|17M152|4E832|5C725|5F445|5F685|5H986|5J427  ncRNA_intronic;upstream WASH7P;MIR6859-1;MIR6859-2;MIR6859-3;MIR6859-4
chr1    17452   17452   C   T   TVC_Ion 0.38    noSample    1.125   1H823   0.125   noSample    12.43   17G118|17G937|17H906|17J610|17M152|4E832|5C725|5F445|5F685|5H986|5J427  ncRNA_intronic;upstream WASH7P;MIR6859-1;MIR6859-2;MIR6859-3;MIR6859-4
chr1    17538   17538   C   A   GATK_SOLiD  0.38    noSample    3.125   1E695|1H586|9J385   0.125   noSample    24.43   17C851B|17C918|17D521B|17E424|17F076    ncRNA_intronic;upstream WASH7P;MIR6859-1;MIR6859-2;MIR6859-3;MIR6859-4
chr1    17538   17538   C   A   TVC_Ion 0.38    noSample    3.125   1E695|1H586|9J385   0.125   noSample    24.43   17C851B|17C918|17D521B|17E424|17F076    ncRNA_intronic;upstream WASH7P;MIR6859-1;MIR6859-2;MIR6859-3;MIR6859-4

我的查询将涉及通过Chr，Start，End进行搜索，以显示哪些调用者具有这些坐标，以及按基因进行搜索。但是我的疑问是如何创建表。我可以用Chr Start End Ref Alt Callers创建一个表，但是如何与另一个具有样本或基因的表链接呢？一个坐标（Chr Start End）可以链接多个样本或呼叫者。

查询示例为键入坐标并显示所有信息，然后按基因搜索并显示包含该基因的所有坐标

基本上，我想知道应该创建多少张表以及如何链接它们。我知道我的坐标表将是父表。

哪些元素应该是不同表中的键？

Answer 1

我对基因组一无所知，但是根据数据和您的描述，这似乎是几个1：n关系，并且您正在寻找使用主键/外键创建关系实体的方法。我不确定您对SQL的熟悉程度，可以在这里查看更多有关SQL的信息：https://www.w3schools.com/sql/

您可能想像这样创建表，但是如果还有其他1：n或n：n关系，则更是如此：

genes
gene_id, gene_name, data1, data2
// 1 gene -> many coords

gene_coords
gene_id, chr, start, end, data1, data2
// 1 coord -> many callers (and/or samples)

gene_callers // Are callers & samples 1:1?
gene_id, caller, sample

您可以使用坐标&& chr来查询呼叫者，如下所示：

SELECT gene_callers.callers FROM gene_callers
JOIN gene_coords ON gene_coords.gene_id = gene_callers.gene_id
WHERE gene_coords.start = 14948 AND gene_coords.end = 14948
AND gene_coords.chr = 'chr1';

我不确定您是否要根据坐标范围查询多个基因，如果这样，那么您可能不希望将起始/结束值存储为相同的值，只需将其存储为坐标并在其上使用BETWEEN领域。例如，此查询还将获取您的基因数据。

SELECT gene.*, gene_callers.callers FROM gene_callers
JOIN gene ON gene.gene_id = gene_callers.gene_id
JOIN gene_coords ON gene_coords.gene_id = gene_callers.gene_id
WHERE gene_coords.coord BETWEEN 14948 AND 17538;

要按基因名称获取呼叫者，您可以执行以下操作：

SELECT gene_callers.callers FROM gene_callers
JOIN gene ON gene.gene_id = gene_callers.gene_id
WHERE gene.gene_name = 'a_gene';

您可能需要根据任何空值和要查找的数据集来调整联接类型。如果样本与调用者的比例不是1：1，则可能需要为样本创建另一个表。希望我能正确解释您的数据，并且至少可以为您指明正确的方向。

如何在基因组数据库SQLite3中创建相关表

1 个答案: