问代表Mongo DB中的互惠关系

EN

我在mongoDB中有一组东西(基因)。我正在做一项分析，看看每个基因和另一个基因有多相似，我想把这些信息存储在数据库中。目前，我在数据库中有不同的文档，其中包含每个基因的信息，比如该基因来自什么物种以及DNA序列。当然，每一个都有一个唯一的标识符_id。

当我进行分析时，我会得到关于相似基因的百分比(他们的perc_identity)的信息。通常，分析返回的下限是70%，因此每个基因不一定有一个数字，但每种关系都是相互的(例如，如果perc_identity(A:B) == 90那么perc_identity(B:A) == 90)。

我的问题是，存储这些关系的最佳数据模型是什么，以便我可以检索它们以供进一步分析？换句话说，有时我会想抓取perc_identity > 95中的所有对。其他时候，我会想得到一个特定基因的所有匹配。如果重要的话，获得perc_identity的初始分析只需要完成一次，并且已经花费了相当长的时间，因此插入的性能比以后的分析检索更重要。

我有一些想法(如果这重要的话，我将在python中使用mongoDB )：

1)在每个基因的文档中，有一个包含所有匹配的_id和它们的perc_identity的子文档。例：

{
    _id: geneA,
    dna_seq: 'AACTG...',
    species: 'Homo sapiens',
    hits:{
        geneA: 100,
        geneB: 92,
        geneC: 70,
    }
},
{
    _id: geneB,
    dna_seq: 'AATTG...',
    species: 'Pan troglodytes',
    hits:{
        geneA: 92,
        geneB: 100,
    }
},
{
    _id: geneC,
    dna_seq: 'ATGGC...',
    species: 'Homo erectus',
    hits:{
        geneA: 70
        geneC: 100
    }
}

这显然会导致一些数据的重复，但这是最接近于数据如何从最初的分析中提取出来的。在大多数情况下，我不会关心gene文档中的大多数其他数据，因此我不清楚是否会减慢将信息嵌套在这些数据中的速度。我也不清楚是否会有一种有效的方法来查询，例如，所有perc_identity > 90。每次我想做分析的时候，我都会检索到我所需要的两倍的数据。

2)有一个单独的文档，其中只包含基因_id和它的所有点击。例：

{
    _id: 'hits',
    geneA: {
        geneA: 100
        geneB: 92
        geneC: 70
    },
    geneB: {
        geneA: 92
        geneB: 100
    },
    # etc
}

这样做的好处是我根本不需要弄乱基因文档。如果有什么不同的话，我也可以有一个不同的hits集合。另一件好事是，会有~50k个基因记录，但只有1-2%的记录会有任何点击，所以查询就不用费心检查大多数文档了。否则，在我看来，这似乎与(1)非常相似。

3)以某种方式不存在冗余。我想不出好办法来做这件事。我想的不好的方法是让perc_identity成为关键，然后有一个_id元组列表。我可以舍入最接近的整数百分比。这似乎需要在每次我插入某项内容或插入所有内容之后，在某个perc_identity中的每个元组中检查是否存在该perc_identity。在这种情况下，检索到某个特定_id的所有匹配似乎是非常低效的。

或者，既然命令不重要，比如：

{
    _id: ?
    type: 'hit'
    pair1: geneA
    pair2: geneB
    perc_identity: 92
},
{
    _id: ??
    type:'hit'
    pair1: geneC
    pair2: geneA
    perc_identity: 70
},
# etc

任何对这些策略之一的批评，或对其他方法的建议，都将不胜感激。让我知道，如果有其他信息，我应该提供，或如果我可以澄清任何事情。如果(1)或(2)似乎是好策略，我想我唯一的问题是基于某种perc_identity阈值构建查询的最佳方法。