Relative Scalability of NoSQL Databases for Genotype Data Manipulation

Arthur Lorenzi Almeida; Vinícius Junqueira Schettino; Thiago Jesus Rodrigues Barbosa; Pedro Fernandes Freitas; Pedro Gabriel Silva Guimarães; Wagner Arbex

doi:10.22456/2175-2745.79334

Authors

Arthur Lorenzi Almeida Departamento de Ciência da Computação da Universidade Federal de Juiz de Fora (DCC/UFJF).
Vinícius Junqueira Schettino Programa de Pós-graduação em Ciência da Computação da Universidade Federal de Juiz de Fora (PPGCC/UFJF).
Thiago Jesus Rodrigues Barbosa Programa de Pós-graduação em Ciência da Computação da Universidade Federal de Juiz de Fora (PPGCC/UFJF)
Pedro Fernandes Freitas Departamento de Ciência da Computação da Universidade Federal de Juiz de Fora (DCC/UFJF).
Pedro Gabriel Silva Guimarães Programa de Pós-graduação em Ciência da Computação da Universidade Federal de Juiz de Fora (PPGCC/UFJF).
Wagner Arbex Empresa Brasileira de Pesquisa Agropecuária (Embrapa) e Universidade Federal de Juiz de Fora (UFJF). http://orcid.org/0000-0003-2005-4463

DOI:

https://doi.org/10.22456/2175-2745.79334

Keywords:

Database, NoSQL, Bionformatics, Data Science, SNP, Genotype

Abstract

Genotype data manipulation is one of the greatest challenges in bioinformatics and genomics mainly because of high dimensionality and unbalancing characteristics. These peculiarities explains why Relational Database Management Systems (RDBMSs), the "de facto" standard storage solution, have not been presented as the best tools for this kind of data. However, Big Data has been pushing the development of modern database systems that might be able to overcome RDBMSs deficiencies. In this context, we extended our previous works on the evaluation of relative performance among NoSQLs engines from different families, adapting the schema design in order to achieve better performance based on its conclusions, thus being able to store more SNP markers for each individual. Using Yahoo! Cloud Serving Benchmark (YCSB) benchmark framework, we assessed each database system over hypothetical SNP sequences. Results indicate that although Tarantool has the best overall throughput, MongoDB is less impacted by the increase of SNP markers per individual.

Downloads

Download data is not yet available.

Author Biography

Wagner Arbex, Empresa Brasileira de Pesquisa Agropecuária (Embrapa) e Universidade Federal de Juiz de Fora (UFJF).

Wagner Arbex possui graduação em Bacharelado em Matemática (Modalidade Informática) pela Universidade Federal de Juiz de Fora, mestrado em Sistemas e Computação pelo Instituto Militar de Engenharia e doutorado em Engenharia de Sistemas e Computação pela Universidade Federal do Rio de Janeiro. Atualmente é conselheiro da Associação Brasileira de Bioinformática e Biologia Computacional, professor adjunto da Universidade Federal de Juiz de Fora e analista científico da Empresa Brasileira de Pesquisa Agropecuária. Tem experiência na área de Ciência da Computação, com ênfase em Bioinformática, atuando principalmente nos seguintes temas: bioinformática, polimorfismo de base única (single nucleotide polymorphism), melhoramento genético animal, inferência difusa/nebulosa (fuzzy inference), modelagem computacional e aprendizado de máquina.

References

PARADIS, E. et al. Linking genomics and population genetics with r. Mol Ecol Resour., Wiley Online Library, v. 17, n. 1, p. 54–66, 2017.

CATTELL, R. Scalable SQL and NoSQL data stores. Acm Sigmod Rec, v. 39, n. 4, p. 12–27, 2011.

STONEBRAKER, M. Sql databases v. NoSQL databases. ACM Comm., v. 53, n. 4, p. 10–11, 2010.

CONSORTIUM, . G. P. et al. A global reference for human genetic variation. Nature, v. 526, n. 7571, p. 68, 2015.

SHI, W. et al. Informative snps selection based on fuzzy clustering and genetic algorithm. J Comput Theor Nanosci., v. 14, n. 3, p. 1440–1445, 2017.

ZHANG, K. et al. Haplotype block partitioning and tag SNP selection using genotype data and their applications to association studies. Genome Res., v. 14, n. 5, p. 908–916, 2004.

CAETANO, A. R. Marcadores SNP: conceitos basicos, aplicacoes no manejo e no melhoramento animal e perspectivas para o futuro. Rev. Bras. Zootecnia, v. 38, n. 8, p. 64–71, 2009.

SCHETTINO, V. J. et al. Avaliacao do desempenho relativo de bancos de dados NoSQL para arquivos de geno ́tipos. BRESCI 2016, v. 1, n. 1, p. 306–309, 2016.

EDLICH, S. NoSQL. 2016. Available in: http://www.nosql-database.org.

IT., S. DB-Engines Ranking. 2017. Available in: https://db-engines.com/en/ranking.

SEMPERE ,G.etal.Gigwa—genotypeinvestigatorfor genome-wide analyses. GigaScience, v. 5, n. 1, p. 1–9, 2016.

CHLEBIEJ, M. et al. Architectural challenges of genotype-phenotype data management. In: BARBOSA, S. et al. (Ed.). International Conference: Beyond Databases, Architectures and Structures. Ustron, Poland: Springer, 2015. (Communications in Computer and Information Science).

FOUNDATION, A. S. Apache HBase. 2017. Available in: https://hbase.apache.org.

MONGODB, Inc. MongoDB for GIANT Ideas. 2017. Available in: https://www.mongodb.org.

ORIENTDB Ltd. OrientDB - Distributed Multi- Model and Graph Database. 2017. Available in: ⟨http://orientdb.com/orientdb.

GROUP, M. Tarantool - Get your data in RAM. Get compute close to data. Enjoy the performance. 2017. Available in: https://tarantool.org.

COOPER, B. F. et al. Benchmarking cloud serving systems with ycsb. In: HELLERSTEIN, J. M. (Ed.). Proceedings of the 1st ACM Symposium on Cloud Computing. New York, NY, USA: ACM, 2010. (SoCC ’10, v. 1), p. 143–154.

ABUBAKAR, Y.; ADEYI, T. S.; AUTA, I. G. Performance evaluation of NoSQL systems using YCSB in a resource austere environment. Perf. Evaluation, v. 7, n. 8, p. 23–27, 2014.

MOREIRA, L. O.; SOUSA, F. R.; MACHADO, J. C. Analisando o desempenho de banco de dados multi-inquilino em nuvem. In: OLIVEIRA, J. P. M. de (Ed.). Sao paulo, SP: Brazilian Computer Society Special Interest Group on Databases, 2012.

FRIEDRICH, S. et al. Nosql OLTP benchmarking: A survey. In: LEY, M. (Ed.). GI-Jahrestagung. Stuttgart, Germany: DBLP, 2014. (Data Management in the Cloud, v. 44).