genetics/dbsnp_mirror.mdwn

   1 [[!meta title="Postgresql dbsnp Mirror"]]
   2
   3 Getting Files
   4 -------------
   5
   6 Assuming you are interested in humans (like I am) the following will
   7 download the databases and schemas for the current release of dbsnp.
   8 For humans, this is currently ≈60G, and takes a while to retrieve
   9 (about 24 hours or so).
  10
  11     rsync -rvP --include 'organism_*' --exclude '**' rsync://ftp.ncbi.nlm.nih.gov/snp/organisms/human_9606/database/ .
  12     rsync -rvP rsync://ftp.ncbi.nlm.nih.gov/snp/database/shared_data .
  13     rsync -rvP rsync://ftp.ncbi.nlm.nih.gov/snp/database/shared_schema .
  14
  15 Preparing SQL Schemas
  16 ---------------------
  17
  18 If you're loading the human databases, I've already done the work for
  19 you. Simply use my
  20 [git repository](http://git.donarmstrong.com/dbsnp.git) (`git init
  21 db_snp_utils; git pull http://git.donarmstrong.com/dbsnp.git`).
  22
  23 Otherwise, you'll want to use
  24 [mssql_psql_conversion.pl](http://git.donarmstrong.com/?p=dbsnp.git;a=blob;f=utils/mssql_psql_conversion.pl;hb=HEAD)
  25 in my dbsnp git repository to convert your organism's schema into
  26 appropriate bits. Something like the following will get you close (you
  27 may still need to tweak the sql manually):
  28
  29     for a in {organism,data}_schema/*.sql; do
  30             ./mssql_psql_conversion.pl ${a} > ${a%%.sql}_postgrseql.sql;
  31         done;
  32
  33 Loading data
  34 ------------
  35
  36 Once the schema are correct, you want to load the schema and the data,
  37 then apply the constraints and indexes. This will take some time even
  38 on a fairly fast machine.
  39 [I would expect at least 2-3 days, unless you have exceptionally fast disks.]
  40
  41 I have included a script in the utils directory of the git repository
  42 above called
  43 [load_snp_data.sh](http://git.donarmstrong.com/?p=dbsnp.git;a=blob;f=utils/load_snp_data.sh;hb=HEAD),
  44 which applies the schema, loads the data, and then applies the indexes
  45 and constraints. It looks like the following:
  46
  47     psql -c 'DROP DATABASE snp';
  48     psql -c 'CREATE DATABASE snp';
  49
  50     DATA_DIR=/srv/ncbi/db_snp/
  51     SCHEMA_DIR=/srv/ncbi/db_snp_utils/schema
  52     UTIL_DIR=${SCHEMA_DIR}/../utils/
  53
  54     (cd ${SCHEMA_DIR}/shared_schema;
  55         cat dbSNP_main_table_postgresql.sql |psql snp;
  56     )
  57     (cd ${SCHEMA_DIR}/human_9606_schema;
  58         cat *_table_postgresql.sql|psql snp;
  59         ${UTIL_DIR}/human_gty1_indexes_creation.pl create trigger |psql snp;
  60     )
  61     (cd ${DATA_DIR}/shared_data;
  62         for a in $(find -type f -iname '*.bcp.gz' -printf '%f\n'|sort); do
  63         echo $a;
  64         zcat $a | perl -pe 's/\r/\\r/g' |psql snp -c "COPY ${a%%.bcp.gz} FROM STDIN WITH NULL ''";
  65         done;
  66     )
  67     (cd ${DATA_DIR}/organism_data;
  68         for a in $(find -type f -iname '*.bcp.gz' -printf '%f\n'|sort); do
  69         echo $a;
  70         zcat $a | perl -pe 's/\r/\\r/g' |psql snp -c "COPY ${a%%.bcp.gz} FROM STDIN WITH NULL ''";
  71         done;
  72     )
  73     (cd ${SCHEMA_DIR}/shared_schema;
  74         cat dbSNP_main_index_postgresql.sql dbSNP_main_constraint_postgresql.sql|psql snp;
  75     )
  76     (cd ${SCHEMA_DIR}/human_9606_schema;
  77         cat *_{index,constraint}_postgresql.sql|psql snp;
  78         ${UTIL_DIR}/human_gty1_indexes_creation.pl index |psql snp;
  79     )
  80
  81 Querying the database
  82 ---------------------
  83
  84 Once the process above has finished, you can actually query the
  85 database. For example, to select information about rs17849502 with its
  86 chromosome and position, you do something like the following:
  87
  88     SELECT scpr.snp_id AS snp_id,
  89            scpr.chr AS chr,
  90            scpr.pos AS pos,
  91            scpr.orien AS orien,
  92            scl.allele AS ref,
  93            uv.var_str AS var_str,
  94            ruv.var_str AS rev_var_str,
  95            ml.locus_id AS uid,
  96            ml.locus_symbol AS symbol,
  97            gitn.gene_name AS description
  98            FROM snp s
  99              JOIN b135_snpchrposonref_37_3 scpr ON s.snp_id=scpr.snp_id
 100              JOIN b135_snpcontigloc_37_3 scl ON scpr.snp_id=scl.snp_id
 101              JOIN b135_contiginfo_37_3 ci ON scl.ctg_id = ci.ctg_id
 102              LEFT OUTER JOIN b132_snpcontiglocusid_37_1 ml ON s.snp_id=ml.snp_id
 103              LEFT OUTER JOIN geneidtoname gitn ON ml.locus_id=gitn.gene_id
 104              JOIN univariation uv ON s.univar_id=uv.univar_id
 105              JOIN univariation ruv ON uv.rev_univar_id=ruv.univar_id
 106     WHERE ci.group_term LIKE 'GRCh%' AND s.snp_id='17849502';
 107
 108 [I personally use this very query in a program called snp_info, which I'll probably share later.]