解析 Ensembl 的数据库服务器

Ensembl 对于学习生物信息学的我们来说应该是如数家珍了，但是我们平时常用到的操作一般是去查基因，下载基因组，这些都是通过网页端来完成：http://uswest.ensembl.org/index.html

上面网页展示的就像大家进入某宝商店中的商品展示图，而真正的货物是存放在仓库的。Ensemble 则是将其“货物”是存放在数据库服务器中。

理解 Ensembl 的数据库存储结构与架构，对于我们的今后的生信研究工作大有裨益。

接下来，我们进入 Ensembl 的数据仓库世界，去看看它的货物有哪些，我们怎么来使用这些数据。

一、Ensembl 数据库服务器介绍

Ensembl 一共提供四个数据库服务器访问地址：

ensembldb.ensembl.org：欧洲服务器，只有该服务器可访问 GRCh37 数据集
useastdb.ensembl.org：美洲服务器
asiadb.ensembl.org：亚洲服务器
martdb.ensembl.org：提供对 BioMart 数据库的公共访问

这里提供了数据库匿名访问权限，不同于网页端僵硬的访问操作，数据库中我们可以更灵活地获取更细粒度的信息。

Ensemble 用到的数据库管理系统包括为人熟知的 MySQL 和 MariaDB。

这里说个小故事，便于理解 MySQL 和 MariaDB 的渊源：

MySQL 率先由麦克尔·维德纽斯主导开发，后来以 10 亿美元卖给了 SUN 公司。SUN公司就是那个拥有 java 语言版权的大佬，但经营不善由甲骨文公司收购。甲骨文公司的产品 Oracle 本身也是数据库管理软件，和 MySQL 有竞争。收购后，MySQL 开发社区马上意识到他们的软件 MySQL 有潜在闭源风险。于是，迈克尔率领社区成员构建新分支，并以自己女儿的名字玛利亚命名，即 MariaDB。

总的来看，二者师出同门，在使用方面方面并无本质区别。在存储引擎方面，MariaDB 10.0.9版起使用XtraDB 代替了 MySQL 的 InnoDB。

依据下面的请求信息，我们就可以登录 Ensemble 的数据库服务器。

Server	User	Password	Port(s)	Version	Notes
ensembldb.ensembl.org	anonymous	-	3306 & 5306	MySQL 5.6.33	From Ensembl 48 onwards only
useastdb.ensembl.org	anonymous	-	3306 & 5306	MariaDB 10.0.30	Current and previous Ensembl version only
asiadb.ensembl.org	anonymous	-	3306 & 5306	MariaDB 10.0.30	Current and previous Ensembl version only
martdb.ensembl.org	anonymous	-	5316	MariaDB 10.0.30	From Ensembl 48 onwards only
ensembldb.ensembl.org	anonymous	-	3337	MySQl 5.6.33	Databases for archive GRCh37 - release 79 onwards
ensembldb.ensembl.org	anonymous	-	4306	MySQL 4.1.20	Up to Ensembl 47 only
martdb.ensembl.org	anonymous	-	3316	MySQL 4.1.20	Up to Ensembl 47 only

二、连接数据库服务器

1、这里使用 Navicat 作为连接工具，下载地址：

https://www.navicat.com/en/download/navicat-premium

2、左上角使用 MySQL 连接

3、填写连接信息

在国内推荐填写亚洲服务器地址，提高访问速度

4、打开连接，即可看到其中的数据库

5、打开人类最新数据库

数据库命名规则：物种拉丁名_功能库名_架构版本_基因组版本

比如：homo_sapiens_core_104_38

代表：人类 hg38基因组的 Ensembl 104 版本架构数据库

三、Ensemble Core 数据库维度模型

这里我们以 Ensemble 的核心数据库为例，来简单看下它的架构，作为 Ensemble 最基本的库，它承担着序列，基因，与注释信息的记录任务。

为了方便理解，从逻辑上分为六种数据表：

Assembly Tables
External References
Features
Fundamental Tables
ID Mapping
Misc

如下图：

我们以其中最重要的 Fundamental Tables 为例，从数据维度模型的角度，由易到难来看看 Ensemble 是怎样组织数据的，便于我们今后利用其进行研究工作。

1、星型

这应该是最基本的维度模型，由简单事实和维度表构成。

以事实表为核心，所有维度度表关联到事实表，呈现星型分布。一般是构建数据库的基础模型。下图中展示了简化后的 Fundamental Tables 的 ER 图。

gene

该表记录有关基因名，序列类型，序列起止等信息，以 gene_id 为主键

alt_allele

可能是直系同源的等位基因的信息存储在这里，与 gene 表以 alt_allele_id 连接

gene_attrib

用于启用基因属性表

可以看到所有基因信息并不是用一张表存储，而是用主键，外键链接，用于降低冗余，符合范式要求

2、雪花型

在星型基础上，进一步分解维度表，有点“套娃维度表”那味儿。

但是，这种模型会增加代码量，维护成本高，性能也差，尤其使用 Hadoop 时，性能差距会加大，因此如果做库时一般不推荐单独使用。

这里的表同样与上述结构类似，由于等位基因还需要更多维度的信息，因此加入一个新表用于解释 alt_allele 表。

alt_allele_attrib

这里会标注了等位基因的所有不同属性，增加了 alt_allele 信息维度，使信息更清晰全面。

3、星系型

多个事实表的雪花型的组合。

特征就是多个事实表会共享维度表，也是构建数据库的常用模型。

在这里利用上面的逻辑理一理，大概就能看懂下图：

而实际上，Ensemble 也就是使用这样的星系型维度模型构建。

对于生信数据分析人员来说，使用时只要找到我们关心的事实表，依次找到维度表，从而快速拿到全面，清晰的即时数据，便于我们用到今后的生信数据分析工作中。

更多生信数据库知识会更新于：https://zhenglei.blog.csdn.net/