SupaSeqs

supaseqs

基本上用postgresql写的爆炸

Supaseqs是一种工具，可用于在本地管理DNA序列数据库，这要归功于Supabase提供的PostgreSQL实现。

它利用PostgreSQL作为后端数据库管理器，基于KMER的矢量化和向量搜索来模仿BLAST的功能。

1。安装

如果您在Linux环境中工作，则可能只想下载/复制设置。SH并启动它：

 # Linux
wget https://raw.githubusercontent.com/AstraBert/SupaSeqs/main/scripts/setup.sh
bash setup.sh

1a。预要求

确保您的环境有：

• git
• Node v18或关注
• npm和npx
• python 3.10或遵循安装过程应在Windows和Linux上使用。

1B。环境设置

首先，克隆这个存储库：

 # BOTH Windows and Linux
git clone https://github.com/AstraBert/SupaSeqs
cd SupaSeqs

获取supabase命令行的可执行文件：

 # BOTH Windows and Linux
npm install supabase

创建并启动一个supabase实例：

 # BOTH Windows and Linux
npx supabase init
npx supabase start

从DB URL中检索连接字符串，该字符串将在此命令之后打印：

 # BOTH Windows and Linux
npx supabase status

创建一个虚拟环境，激活它并安装必要的依赖项：

 # Linux
python3 -m venv apienv
source apienv/bin/activate
python3 -m pip install -r requirements.txt

或者

 # Windows
python3 - m venv .apienv
.apienvScriptsactivate  # For Command Prompt
# or
.apienvActivate.ps1  # For PowerShell
python3 - m pip install - r .requirements.txt

1C。申请开始

在虚拟环境中，运行：

 # BOTH Windows and Linux
cd scripts
python3 -m fastapi dev 

如果与Supabase客户端的连接存在问题，请确保用16 main.py中的连接字符串与您发现的运行supabase status连接字符串。

2。它如何工作

该应用程序可作为API服务，利用FastAPI。与supabase的连接是通过客户端的sqlalchemy实现来处理的，该客户与vecs库中构建的客户相似。

该应用程序接受两种请求类型：

1-帖子-上传序列或FASTA文件：

 # Single sequence
curl -X POST " http://127.0.0.1:8000/seqs/ " -H " accept: application/json " -H " Content-Type: application/json " -d " { " sequence " : " GGCAGAACCCAGGGCACCAGCACGCCGAAGGACCACCGCAGGCTGGCCAGCGCTCCACCCTCCCTGCACCACACCCTGCGAGCAAAAGGCAGCAGAAATGAAGAGCATTTACTTTGTGGCTGGATTGTTTGTAATGCTGGTACAAGGCAGCTGGCAACACCCACTTCAAGACACAGAGGAAAAACCCAGGTCTTTCTCAACTTCTCAAACAGACTTGCTTGATGATCCGGATCAGATGAATGAAGACAAGCGTCATTCACAGGGTACATTCACCAGTGACTACAGCAAGTTCCTCGACACCAGGCGTGCTCAAGACTTCTTGGATTGGCTGAAGAACACCAAGAGGAACAGGAATGAAAT " , " description " : " M57688.1 Octodon degus glucagon mRNA, complete cds " } "
# FASTA file
curl -X POST " http://127.0.0.1:8000/seqs/ " -H " accept: application/json " -H " Content-Type: application/json " -d " { " sequence " : " sequence.fasta " } "

每个序列都通过基于5-mer的表示（一个1024-DIM阵列）进行矢量化，然后将其上传到Supabase上的sequences表和描述（如果在单个序列的情况下提供，则提供了快速文件中的序列的序列）和原始序列。

2-获取-搜索序列数据库

curl -X ' GET ' ' http://localhost:8000/seqs/AACTTCTCAAACAGACTTGCTTGATGATCCGGATCAGATGAATGAAGACAAGCGTCATTCACAGGGTACATTCACCAGTGACTACAGCAAGTTCCTCGACACCAGGCGTGCTCAAGACTTCTTGGATTGGCTGAAGAACACCAAGAGGAACAGGAATGAAAT?limit=100&threshold=75 ' -H ' accept: application/json '

查询序列将进行矢量化并搜索数据库：如果它们符合相似性阈值（指定为具有阈值键的百分比值），则返回许多序列（用限制密钥指定，最大为1000）；典型的响应看起来像这样：

{ "1" :{ "sequence" : " GGCAGAACCCAGGGCACCAGCACGCCGAAGGACCACCGCAGGCTGGCCAGCGCTCCACCCTCCCTGCACCACACCCTGCGAGCAAAAGGCAGCAGAAATGAAGAGCATTTACTTTGTGGCTGGATTGTTTGTAATGCTGGTACAAGGCAGCTGGCAACACCCACTTCAAGACACAGAGGAAAAACCCAGGTCTTTCTCAACTTCTCAAACAGACTTGCTTGATGATCCGGATCAGATGAATGAAGACAAGCGTCATTCACAGGGTACATTCACCAGTGACTACAGCAAGTTCCTCGACACCAGGCGTGCTCAAGACTTCTTGGATTGGCTGAAGAACACCAAGAGGAACAGGAATGAAAT " , "description" : " M57688.1 Octodon degus glucagon mRNA, complete cds " , "cos_dist" : 0.23987939711631145 }}

这要归功于称为match_page_sections的功能，并定义如下：

 create or replace function public .match_page_sections (
  embedding vector( 1024 ),
  match_threshold float,
  match_count int
)
returns setof public . sequences
language sql
as $$
  select *
  from public . sequences
  where public . sequences .embedding <=> embedding < 1 - match_threshold
  order by public . sequences .embedding <=> embedding asc
  limit least(match_count, 1000 );
$$;

3。贡献

贡献非常欢迎！有关更多信息，请参见贡献指南:)

4。资金

如果您发现该项目有用，请考虑为其提供资金并使其成长：让我们一起支持开源！

5。使用许可和权利

该项目是根据MIT许可提供的：它将始终是开源的，可以免费使用。

如果您使用此项目，请引用作者：Astra Clelia Bertelli