UCSC数据库数据调用cruzdb
https://github.com/Wy2160640/cruzdb
UCSC基因组数据库是注释，调节和变异以及越来越多的分类群的各种数据的重要资源。 该库旨在简化数据的利用，以便我们可以进行复杂的分析，而无需采用易于操作，容易出错的操作。 作为动机，以下是一些功能的示例：
>>> from cruzdb import Genome >>> g = Genome(db="hg18") >>> muc5b = g.refGene.filter_by(name2="MUC5B").first() >>> muc5b refGene(chr11:MUC5B:1200870-1239982) >>> muc5b.strand '+' # the first 4 introns >>> muc5b.introns[:4] [(1200999L, 1203486L), (1203543L, 1204010L), (1204082L, 1204420L), (1204682L, 1204836L)] # the first 4 exons. >>> muc5b.exons[:4] [(1200870L, 1200999L), (1203486L, 1203543L), (1204010L, 1204082L), (1204420L, 1204682L)] # note that some of these are not coding because they are < cdsStart >>> muc5b.cdsStart 1200929L # the extent of the 5' utr. >>> muc5b.utr5 (1200870L, 1200929L) # we can get the (first 4) actual CDS's with: >>> muc5b.cds[:4] [(1200929L, 1200999L), (1203486L, 1203543L), (1204010L, 1204082L), (1204420L, 1204682L)] # the cds sequence from the UCSC DAS server as a list with one entry per cds >>> muc5b.cds_sequence #doctest: +ELLIPSIS ['atgggtgccccgagcgcgtgccggacgctggtgttggctctggcggccatgctcgtggtgccgcaggcag', ...] >>> transcript = g.knownGene.filter_by(name="uc001aaa.2").first() >>> transcript.is_coding False # convert a genome coordinate to a local coordinate. >>> transcript.localize(transcript.txStart) 0L # or localize to the CDNA position. >>> print transcript.localize(transcript.cdsStart, cdna=True) None
命令行调用
python -m cruzdb hg18 input.bed refGene cpgIslandExt
使用版本hg18中的refGene和cpgIslandExt表注释间隔。
数据框
......是这样的。我们可以从桌子上得到一个：
>>> df = g.dataframe('cpgIslandExt')
>>> df.columns #doctest: +ELLIPSIS
Index([chrom, chromStart, chromEnd, name, length, cpgNum, gcNum, perCpg, perGc, obsExp], dtype=object)
通过将'refGene'更改为'knownGene'，可以使用knownGene注释重复上述所有操作。 而且，它可以很容易地完成一组基因。
空间的
可以使用k近邻，上游和下游搜索。 上行和下游搜索使用查询功能的链来确定方向：
>>> nearest = g.knearest("refGene", "chr1", 9444, 9555, k=6)
>>> up_list = g.upstream("refGene", "chr1", 9444, 9555, k=6)
>>> down_list = g.downstream("refGene", "chr1", 9444, 9555, k=6)
镜像
以上使用UCSC的mysql接口。 现在可以通过以下方式将任何表从UCSC镜像到本地sqlite数据库：
>>> import os
>>> if os.path.exists("/tmp/u.db"): os.unlink('/tmp/u.db')
>>> g = Genome('hg18')
>>> gs = g.mirror(['chromInfo'], 'sqlite:////tmp/u.db')
然后用作：
>>> gs.chromInfo <class 'cruzdb.sqlsoup.chromInfo'>
代码
大多数每行功能都在Feature类的cruzdb/models.py中实现。 如果要向功能添加内容（如现有feature.utr5），请在此处添加。
这些表使用sqlalchemy反映并映射到cruzdb/__ init__.py中Genome类的__getattr__方法中，所以像这样调用：
genome.knownGene
调用__getattr__方法，将表arg设置为'knownGene'，然后反映该表，并返回父类为Feature和sqlalchemy的declarative_base的对象。
贡献
要开始编码，获取一些UCSC表的副本可能很有礼貌，以免使UCSC服务器过载。 你可以运行类似的东西：
Genome('hg18').mirror(["refGene", "cpgIslandExt", "chromInfo", "knownGene", "kgXref"], "sqlite:////tmp/hg18.db")
然后连接将是这样的：
g = Genome("sqlite:////tmp/hg18.db")
