Hypertable 應用於 BioInfo Project

背景資料

• ​陽明生物資訊合作計畫

應用說明

• 以陽明的病人屬性分類資料為範本來建立資料庫
  • 參考資料:
    • ​待解問題1
    • ​轉檔程式
  • 匯入方式:
    將陽明的病人屬性分類資料(XML格式),轉換成Hypertable可批次讀取的TSV格式,再使用HQL指令載入到Hypertable當中
  • 匯出方式:
    使用HQL指令匯出TSV檔案
  • 搜尋方式:
    目前Hypertable只提供以Rowkey完全比對及Rowkey或Timestamp的區間比對,以陽明的範例為例:
    Source是指檢查之前診斷判定的病因;
    Primary Site是指檢查之後診斷判定的病因;
    如果用Source為Rowkey來搜尋"Breast",搜尋結果會查出所有Source為"Breast"的資料
    如果用Primary Site為Rowkey來搜尋"Breast",搜尋結果會查出所有Primary Site為"Breast"的資料
    
    • NOTE: 交互比對的部份,Hypertable目前似乎沒提供column family與column qualifier的搜尋,
      目前想到的做法之一是把source與primary site整合成單一個rowkey,
      像是(source)+(primary site)為一個rowkey,例如:"Breast Colon"可以查尋到:
      Source 為 Breast,Primary Site為Colon的資料

資料表建置

• 編輯資料表綱要

  $ vim gse.hql
  CREATE TABLE GSEFamily (
    'Sample-iid',
    'Supplementary-Data',
    Description
  );
  

• 建立GSEFamily資料表

  $ hypertable --batch < gse.hql
  

• 透過轉檔程式產生​GSEFamily.tsv(參考TSV格式一說明)
  • ​轉檔程式(windows)

    C:\> GSEXmlParser.exe -f tsv -i GSE2109_family.xml -o GSEFamily.tsv
    

• 以Hql Command模式登入hypertable

  $ hypertable
  

• 匯入資料到GSEFamily資料表

  hypertable>  load data infile "GSEFamily.tsv" into table GSEFamily;
  

• 搜尋資料

  hypertable> select * from GSEFamily;
  hypertable> select "Supplementary-Data" from GSEFamily;
  hypertable> select "Sample-iid" from GSEFamily;
  hypertable> select "Description" from GSEFamily;
  

• 刪除資料

  hypertable> delete * from GSEFamily where ROW="Breast";
  

TSV格式說明

• 符號說明
  • []:項目內容為選擇型式,可以不出現
  • ():必要欄位
  • "":固定字串
  • tab: tab space
  • space: 空格
  • columnkey: column family
• 格式一:
  資料來源指定可以包含Column Qualifier
  • 第一行為欄位說明

    ("#")[space]["timestamp"](tab)("rowkey")(tab)("columnkey")(tab)("value")
    

  • 第二行之後為資料內容

    [timestamp(tab)](rowkey)(tab)(column family[:column qualifier])(tab)(value)
    

• 格式二:
  資料來源不包含 Column Qualifier
  Rowkey Column 與 Timestamp Column 可經由 ROW_KEY_COLUMN 與 TIMESTAMP_COLUMN 在 load data infile 時指定,
  因此Rowkey與Timestamp的欄位序順及位置可以任意變換,唯資料內容的位置需與欄位說明對應
  • 第一行為欄位說明

    ("#")[space][timestamp](tab)(rowkey)(tab)(column1)(tab)(column2)...
    

  • 第二行之後為資料內容

    [timestamp](tab)(rowkey)(tab)(column1' value)(tab)(column2's value)...
    

Hadoop整合