表示Mongo DB中的对等关系

Question

我在mongoDB中有一组东西（基因）。 我正在进行分析，以查看每个基因与另一个基因的相似程度，我想将该信息存储在数据库中。 对于每个基因，我目前在数据库中有不同的文档，其中包含诸如该基因来自什么物种以及DNA序列等信息。 当然，每一个都有唯一的标识符_id 。

当我进行分析时，我将获得有关百分比相似基因（其perc_identity ）的信息。 通常，分析可以返回的下限是perc_identity(A:B) == 90 ％，因此每个基因不一定有数字，但是每个关系都是对等的（例如，如果perc_identity(A:B) == 90那么perc_identity(B:A) == 90 ）。

我的问题是什么是存储这些关系的最佳数据模型，以便我可以检索它们以进行进一步分析？ 换句话说，有时我会想抓住perc_identity > 95所有对。 其他时候，我想获得一个特定基因的所有匹配。 如果重要的话，获取perc_identity的初始分析只需要执行一次，并且已经花费了相当长的时间，因此对插入的性能影响不如对以后的分析进行检索。

我有一些想法（如果重要的话，我正在python中使用mongoDB）：

1）在每个基因的文档中，有一个子文档，其中包含所有匹配的_id和其perc_identity 。 例如：

{
    _id: geneA,
    dna_seq: 'AACTG...',
    species: 'Homo sapiens',
    hits:{
        geneA: 100,
        geneB: 92,
        geneC: 70,
    }
},
{
    _id: geneB,
    dna_seq: 'AATTG...',
    species: 'Pan troglodytes',
    hits:{
        geneA: 92,
        geneB: 100,
    }
},
{
    _id: geneC,
    dna_seq: 'ATGGC...',
    species: 'Homo erectus',
    hits:{
        geneA: 70
        geneC: 100
    }
}

显然，这将导致数据重复，但这与从初始分析中吐出数据的方式最接近。 大多数时候，我不会关心gene文档中的大多数其他数据，因此我不清楚是否会降低信息嵌套的速度。 我也不清楚是否会有一种有效的查询方式，例如all perc_identity > 90 。 每次我要进行分析时，我都会检索到所需数据量的两倍。

2）有一个单独的文档，其中仅包含基因_id s及其所有命中结果。 例如：

{
    _id: 'hits',
    geneA: {
        geneA: 100
        geneB: 92
        geneC: 70
    },
    geneB: {
        geneA: 92
        geneB: 100
    },
    # etc
}

这样做的好处是我完全不必弄乱基因文件。 我也可以有不同的hits集合，如果有什么差别。 另一个好处是，将有约5万个基因记录，但其中只有1-2％的基因记录完全没有命中，因此查询不必费心检查大多数文档。 否则，这对我来说似乎与（1）非常相似。

3）某种没有冗余的方法。 我想不出做到这一点的好方法。 我想到的坏方法是让perc_identity作为键，然后有一个_id元组列表。 我可以四舍五入到最接近的整数百分比。 似乎每次插入某项或插入所有内容然后折叠集之后，都需要检查每个perc_identity中每个元组中_id的存在。 在这种情况下，检索到特定_id所有匹配项似乎效率很低。

或者，由于顺序无关紧要，例如：

{
    _id: ?
    type: 'hit'
    pair1: geneA
    pair2: geneB
    perc_identity: 92
},
{
    _id: ??
    type:'hit'
    pair1: geneC
    pair2: geneA
    perc_identity: 70
},
# etc

---

对于这些策略之一的任何批评，或对其他表示方法的建议，将不胜感激。 让我知道我是否应该提供其他信息，或者是否可以澄清任何信息。 如果（1）或（2）似乎是好的策略，我想我唯一的问题是基于一些perc_identity阈值构造查询的最佳方法。

Answer 1

这绝不是一个容易回答的问题！ 但是，指导原则应该是根据您打算使用数据的方式进行决策。 在这种情况下，您提到了两个查询：

1. 用perc_identity > 95抓取所有对
2. 获得一个基因的所有匹配项

（当然，您可能还打算进行其他一些常见的分析，这有助于将其清楚地说明。）

基于此，我鼓励您采用非规范化方法，如您在第三种替代方法中讨论的方法。 它确实有一些缺点，主要是关于插入，您似乎已经意识到，但是它使第一种查询非常容易：

db.hits.find({perc_identity: {$gt: 95}})

...而采用任何其他方法，您都需要遍历其他文档中的所有键。 例如，使用第一种方法，您需要检索每个基因的hits子文档，遍历这些子文档的键，然后将大于95的那些添加到您的列表中。这需要在mongodb /中完成pymongo。

另一个查询比方法1和2更复杂，但相差不大：

db.hits.find({$or: [{pair1: <your gene>}, {pair2: <your gene>}]})

因此，以插入时更多的逻辑为代价，您提到的两个查询案例变得非常简单，并且数据库服务器本身可以轻松地处理它们。 如果您还有其他常见用例，而用第三种方法很难实现，那么就值得重新研究一下，但是就目前而言，这就是我的选择。

有两个注意事项：首先，MongoDB的文档对数据建模有一些很好的建议 ，可能值得阅读。 其次，就我对MongoDB的喜爱程度而言，就我对您的问题域所知甚少，这可能是关系数据库更适合的一种情况。