SPARQLthon50/RDF-DB

SPARQLthon50 で開催した50回記念特別企画のログです。

RDFデータベースの未来を考える会議事録

今後 RDF データベースを利活用するためには？

RDF データの集積
- TPP の RDF を NBDC RDF ポータルに集積するだけでなく、EBI, NCBI や各所に設立されつつあるデータサイエンスのセンターと国際連携を進めていくのがよい
オントロジーの共通化
- TPP が SPARQLthon に参加するようになって SPARQLthon21 くらいから検討をはじめた、分野ごとに扱っているコンセプトの一覧 TPP-DB を再検討し、オントロジーや ID (URI) の共通化をさらに促進する
- オントロジー共通化の成果として、FALDO やオーソログの他、JCMとNBRCの連携があり、今後は jPOST と MassBank も連携できるかもしれない
URI の共通化
- ID (URI) については、ハブとなるリンクセットをメンテナンスすることが重要
- UniProt のようなリンクの多いデータもあわせてエンドポイントに入れておくのが便利だが、それに限らず国際的な枠組みで Bio2RDF や EdgeStore (TogoGenome) のようなものを identifiers.org や prefixcommons などの URI で整備する必要がある

どこまでを RDF にして、どのようなデータは RDF にしてはいけないか
- たとえば FASTQ → BAM → BED → FPKM などの階層でどこまでなら RDF 化すべきなのか
- 指針の候補としては、ブラウザで表示するようなデータは RDF に、ブラウザでは見ないレベルの raw data はそのままに？
RDF で rdf:type に指定するコンセプトとして、「タンパク質」や「遺伝子」といったときにこれらのクラスはどのオントロジーで定義されているべきなのか
- UniProt の up:Protein や他の DB の xx:Protein の上位概念として、一般的な :Protein クラスなどを定義するメタオントロジーを作る必要はないか？SNOMED-CT や MeSH で代用できるか？
どこまでをクラスに、どこからをインスタンスにするか
- データは各遺伝子まで全てクラスでインスタンスは実世界の物理的なもの、という考え方もあるし、OWL で推論できるレベルをプラクティカルに考えるか

トリプルストアの性能が足りない
- 現状 150 億トリプルくらいまでなら Virtuoso7 でハンドリングできるが、複数のデータセットを１つのエンドポイントに集約しようとすると更新が難しい（ちなみにDDBJ は百数十億トリプル）
- BlazeGraph は 500 億までスケールすると謳っているが、実際は 30 億トリプルくらいでスローダウンするという経験も
- Oracle はどうか？ Dydra はどうか？ HDT で TPF を使った RDF の利用方法にシフトしていくべきか（これまでのスタンザなどの資産を考えると SPARQL も使い続けられるのが理想）
推論のためのツールを使いやすく
- 本来セマンティック・ウェブは推論が得意なはずだが、ほとんどの人はやっていない
- なお、validation や clustering が主な用途

→ 結局、SPARQLthon やバイオハッカソンに来ているメンバーがお互いのデータを使って研究をする中で、データの再利用性を高めアプリケーションを作るとともに論文を書いていくというのが順当か

（追記・編集・削除、ご自由にお願いします！）