BH12.12/SPARQLthon/RDFゲノムのデータ生成と改善

提供：TogoWiki

移動： 案内, 検索

現在 fat:8890 に入っている RDFゲノムは v2 だが、このバージョンの RDF にはいろいろまだ問題がある。

目次

リンクに関する問題

RefSeq では、リンクは基本的に /db_xref="DB名:エントリID" のように書かれているが、 そのDB名はいったい何種類あるのか、リンク先の URL はどうなるのか自明ではない。

  • /db_xref を rdfs:seeAlso に変換するとして、リンク先にはどのドメインの URI を指定するのがよいか
    • /db_xref="taxon:###" や /protein_id="###" みたいに xref の出現場所が少々バラバラ、重要な taxon は seeAlso でいいのか？
    • /db_xref="ERIC:###" のような、リンク先にエントリ単位の URL がなくリンクできないものもある（後述）

リンクの検索に関して

リンク先の URI がどのデータベースへのリンクかを知るためには、

  • リンク種ごとに predicate を変える or リンク先の URI にクラスをつける
    • UniProt に習って、各 URI にクラス指定するほうがよいだろう 
select *
from <http://genome.db/>
where {
 ?organism rdfs:label ?name .
 ?organism rdfs:seeAlso ?url .
 FILTER regex(str(?url), "taxonomy")
}

こういうのは遅いので 

prefix ds: <http://identifiers.org/dataset/>
select *
from <http://genome.db/>
where {
 ?organism rdfs:label ?name .
 ?organism rdfs:seeAlso ?url .
 ?url rdf:type ds:Taxonomy
}

のように取りたい。（とうぜん元データはアホほどでかくなる → URL の prefix マッチなどを高速にできるトリプルストアと SPARQL 記法がほしい？）

リンクのデータ生成に関して

RDFゲノム v4 以降のリンク先では、極力 Identifiers.org の URI を利用することにした。 （ちなみに v3 は urn:uuid:### を使ったバージョンで、LSID のように UUID のリゾルバー問題があるのでやめることにする） この時リンク先の URI がどのデータベースのものかを明記するため、 MIRIAM の XML ダンプから各データベースを rdf:type void:Dataset として宣言した RDF を生成することにした。

http://www.ebi.ac.uk/miriam/main/collections/ 

@prefix : <http://identifiers.org/dataset/> .
@prefix rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> .
@prefix rdfs: <http://www.w3.org/2000/01/rdf-schema#> .
@prefix skos: <http://www.w3.org/2004/02/skos/core#> .
@prefix void: <http://rdfs.org/ns/void#> .
@prefix dcterms: <http://purl.org/dc/terms/> .
@prefix miriam: <http://www.biomodels.net/MIRIAM/> .

<>
  dcterms:date "2012-10-31T07:27:46+00:00" ;
  dcterms:hasVersion "2012-10-26T10:58:16+01:00" .

:Ensembl
  rdf:type void:Dataset ;
  rdfs:label "Ensembl" ;
  rdfs:comment "Ensembl is a joint project between EMBL - EBI and the Sanger Institute to develop a software system which produces and maintains automatic annotation on selected eukaryotic genomes." ;
  miriam:datatype "MIR:00000003" ;
  miriam:urn <urn:miriam:ensembl> ;
  miriam:url <http://identifiers.org/ensembl/> ;
  miriam:namespace "ensembl" .

    :

:Uniprot
  rdf:type void:Dataset ;
  rdfs:label "UniProt" ;
  rdfs:comment "UniProt (Universal Protein Resource) is the world's most comprehensive catalog of information on proteins. It is a central repository of protein sequence and function created by joining the information contained in Swiss-Prot, TrEMBL, and PIR." ;
  miriam:datatype "MIR:00000005" ;
  miriam:urn <urn:miriam:uniprot> ;
  miriam:url <http://identifiers.org/uniprot/> ;
  miriam:namespace "uniprot" .

:Taxonomy
  rdf:type void:Dataset ;
  rdfs:label "Taxonomy" ;
  rdfs:comment "The taxonomy contains the relationships between all living forms for which nucleic acid or protein sequence have been determined." ;
  miriam:datatype "MIR:00000006" ;
  miriam:urn <urn:miriam:taxonomy> ;
  miriam:url <http://identifiers.org/taxonomy/> ;
  miriam:namespace "taxonomy" .

    :

RefSeq prokaryote ゲノムエントリに含まれる全 /db_xref

下記を JSON ぽくしてみたもの：

リンク先があるもの：

リンクに注意がいるもの：

Identifiers.org にリンク先がないもの：

これらの DB 名が何を指しているかは探しにくいが、DDBJ のリンク表 (藤澤さんに頂いたexcel) で解決した。 ただし、エントリ単位でリンクできない DB であるなどの事情で Identifiers.org にまだ登録されていないのかもしれない…。


配列セットを生物種ごとに束ねる問題

  • taxid でバインド？
「/mw/BH12.12/SPARQLthon/RDF%E3%82%B2%E3%83%8E%E3%83%A0%E3%81%AE%E3%83%87%E3%83%BC%E3%82%BF%E7%94%9F%E6%88%90%E3%81%A8%E6%94%B9%E5%96%84」より作成