Ensembl 对于学习生物信息学的我们来说应该是如数家珍了，但是我们平时常用到的操作一般是去查基因，下载基因组，这些都是通过网页端来完成：http://uswest.ensembl.org/index.html
上面网页展示的就像大家进入某宝商店中的商品展示图，而真正的货物是存放在仓库的。Ensemble 则是将其“货物”是存放在数据库服务器中。
理解 Ensembl 的数据库存储结构与架构，对于我们的今后的生信研究工作大有裨益。
接下来，我们进入 Ensembl 的数据仓库世界，去看看它的货物有哪些，我们怎么来使用这些数据。
一、Ensembl 数据库服务器介绍
Ensembl 一共提供四个数据库服务器访问地址：
- ensembldb.ensembl.org：欧洲服务器，只有该服务器可访问 GRCh37 数据集
- useastdb.ensembl.org：美洲服务器
- asiadb.ensembl.org：亚洲服务器
- martdb.ensembl.org：提供对 BioMart 数据库的公共访问
这里提供了数据库匿名访问权限，不同于网页端僵硬的访问操作，数据库中我们可以更灵活地获取更细粒度的信息。
Ensemble 用到的数据库管理系统包括为人熟知的 MySQL 和 MariaDB。
这里说个小故事，便于理解 MySQL 和 MariaDB 的渊源：
MySQL 率先由麦克尔·维德纽斯主导开发，后来以 10 亿美元卖给了 SUN 公司。SUN公司就是那个拥有 java 语言版权的大佬，但经营不善由甲骨文公司收购。甲骨文公司的产品 Oracle 本身也是数据库管理软件，和 MySQL 有竞争。收购后，MySQL 开发社区马上意识到他们的软件 MySQL 有潜在闭源风险。于是，迈克尔率领社区成员构建新分支，并以自己女儿的名字玛利亚命名，即 MariaDB。
总的来看，二者师出同门，在使用方面方面并无本质区别。在存储引擎方面，MariaDB 10.0.9版起使用XtraDB 代替了 MySQL 的 InnoDB。
依据下面的请求信息，我们就可以登录 Ensemble 的数据库服务器。
Server | User | Password | Port(s) | Version | Notes |
|---|---|---|---|---|---|
ensembldb.ensembl.org | anonymous | - | 3306 & 5306 | MySQL 5.6.33 | From Ensembl 48 onwards only |
useastdb.ensembl.org | anonymous | - | 3306 & 5306 | MariaDB 10.0.30 | Current and previous Ensembl version only |
asiadb.ensembl.org | anonymous | - | 3306 & 5306 | MariaDB 10.0.30 | Current and previous Ensembl version only |
martdb.ensembl.org | anonymous | - | 5316 | MariaDB 10.0.30 | From Ensembl 48 onwards only |
ensembldb.ensembl.org | anonymous | - | 3337 | MySQl 5.6.33 | Databases for archive GRCh37 - release 79 onwards |
ensembldb.ensembl.org | anonymous | - | 4306 | MySQL 4.1.20 | Up to Ensembl 47 only |
martdb.ensembl.org | anonymous | - | 3316 | MySQL 4.1.20 | Up to Ensembl 47 only |
二、连接数据库服务器
1、这里使用 Navicat 作为连接工具，下载地址：
https://www.navicat.com/en/download/navicat-premium
2、左上角使用 MySQL 连接
3、填写连接信息
在国内推荐填写亚洲服务器地址，提高访问速度
4、打开连接，即可看到其中的数据库
5、打开人类最新数据库
数据库命名规则：物种拉丁名_功能库名_架构版本_基因组版本
比如：homo_sapiens_core_104_38
代表：人类 hg38基因组的 Ensembl 104 版本架构数据库
三、Ensemble Core 数据库维度模型
这里我们以 Ensemble 的核心数据库为例，来简单看下它的架构，作为 Ensemble 最基本的库，它承担着序列，基因，与注释信息的记录任务。
为了方便理解，从逻辑上分为六种数据表：
- Assembly Tables
- External References
- Features
- Fundamental Tables
- ID Mapping
- Misc
如下图：
我们以其中最重要的 Fundamental Tables 为例，从数据维度模型的角度，由易到难来看看 Ensemble 是怎样组织数据的，便于我们今后利用其进行研究工作。
1、星型
这应该是最基本的维度模型，由简单事实和维度表构成。
以事实表为核心，所有维度度表关联到事实表，呈现星型分布。一般是构建数据库的基础模型。下图中展示了简化后的 Fundamental Tables 的 ER 图。
gene
该表记录有关基因名，序列类型，序列起止等信息，以 gene_id 为主键
alt_allele
可能是直系同源的等位基因的信息存储在这里，与 gene 表以 alt_allele_id 连接
gene_attrib
用于启用基因属性表
可以看到所有基因信息并不是用一张表存储，而是用主键，外键链接，用于降低冗余，符合范式要求
2、雪花型
在星型基础上，进一步分解维度表，有点“套娃维度表”那味儿。
但是，这种模型会增加代码量，维护成本高，性能也差，尤其使用 Hadoop 时，性能差距会加大，因此如果做库时一般不推荐单独使用。
这里的表同样与上述结构类似，由于等位基因还需要更多维度的信息，因此加入一个新表用于解释 alt_allele 表。
alt_allele_attrib
这里会标注了等位基因的所有不同属性，增加了 alt_allele 信息维度，使信息更清晰全面。
3、星系型
多个事实表的雪花型的组合。
特征就是多个事实表会共享维度表，也是构建数据库的常用模型。
在这里利用上面的逻辑理一理，大概就能看懂下图：
而实际上，Ensemble 也就是使用这样的星系型维度模型构建。
对于生信数据分析人员来说，使用时只要找到我们关心的事实表，依次找到维度表，从而快速拿到全面，清晰的即时数据，便于我们用到今后的生信数据分析工作中。
更多生信数据库知识会更新于：https://zhenglei.blog.csdn.net/
