BH11.11/dbarchive-rdf/

提供：TogoWiki

2011年11月25日 (金) 06:34時点におけるAtsuko (トーク | 投稿記録)による版
移動： 案内, 検索

DBアーカイブのRDF化

目標: データベースアーカイブのメタデータを RDF 化する

手間ひまかけて RDF 化するなら，計画中の統合検索に使えるものにしたいですね ^_^

11/21 したこと

  • メタデータを洗い出して整理する
    • アーカイブに含まれるデータの種類をとにかく書き出してみる．眺めて有用な整理方針を検討する．
    • この作業にはデータメタデータ(とDBアーカイブ管理チームが呼んでいる，DBスキーマ集)が有効と思われる．
    • データメタデータのリスト
  • ユースケースの検討
    • クエリ: ヒトとマウスのオーソログで2σ以上同じ組織で発現している gene ペアのリストが欲しい
      • 同じ組織といっても，生物種が違うと一対一対応ができない
      • FANTOM4 (データベースアーカイブ)とEvola(産総研)の組み合わせでできそう
    • アーカイブ内の対応を利用したユースケースも欲しい
  • 利用URIを決定

11/22 したこと

  • データベースアーカイブのどの DB から RDF 化&メタデータの OWL 化をやるべきか
    • 互いに対応付けが可能そうな DB と，外部主要 DB にリンクが多い DB を手分けして 14 DB リストアップ
      • EGTC (マウス: EC細胞のカタログ)
      • germline (マウス: 変異マウスのカタログ)
      • Yeast Interacting Proteins Database (酵母: Y2HDB)
      • Budding Yeast cDNA sequecing project (酵母: cDNA)
      • GETDB (ショウジョウバエ: ノックアウトしたショウジョウバエのカタログ)
      • WorTS (線虫: 温度特異性遺伝子をもつ線虫のカタログ)
      • AcEST (シダ: EST)
      • MEDAKA EST (メダカ: EST)
      • MAGEST (マボヤ: EST)
      • Dicty_DB (粘菌: EST)
      • TMPDB (生物全般: 膜貫通領域タンパク質の構造DB)
      • RIKEN SSDB (ヒト・マウス: タンパク3000でのX線構造解析の途中結果の記録と構造)
      • DMPD (ほ乳類)
      • MicroTom BAC Seq (トマト: 品種名マイクロトムのBAC配列)
    • 上記DB の内容を，外部リンクや共通項目が使えそうかという視点で，全てサーベイ (畠中さん)
    • サーベイに基づき，下記6つを選定
      • EGTC (マウス: EC細胞のカタログ)
      • germline (マウス: 変異マウスのカタログ)
      • Yeast Interacting Proteins Database (酵母: Y2HDB)
      • Building Yeast cDNA sequecing project (酵母: cDNA)
      • TMPDB (生物全般: 膜貫通領域タンパク質の構造DB)
      • RIKEN SSDB (ヒト・マウス: タンパク3000でのX線構造解析の途中結果の記録と構造)
  • これら 6 つの DB と産総研 Evola DB について作業開始
    • TogoDB2 を利用してRDF化(作業中)
    • OWL 作成開始(作業中)
    • できた RDF ファイルを1つ試しに bh.dbcls.jp の Virtuoso に入れてみた

11/23 したこと

  • 外部のDBのデータをまるごと bh.dbcls.jp に入れるのは今回マシンパフォーマンス的に難しいので，他のチームの真似をして，必要なサブセットだけを入れることに．
    • UniProt について各テーブルに含まれるIDをリストとして取り出し，bh.dbcls.jp に入れる(作業中)
  • リテラルID → URL 変換
    • UniProt から始める
    • 初期構想は　predicate は使い回しをして，object を置き換える予定だったが， 一つのリテラルに複数の ID が入っている例を発見．別の predicate を割り当てて，ばらすことに
    • 新しい predicate の URI は，"http://togodb.dbcls.jp/database名/metadata/カラム名/uri" として，そのオブジェクトとして，UniProt の ID に対応する URI を割当てる(作業中)
    • 同じ作業を UniProt 以外でも行う予定
  • Evola をブリッジにマウスとヒトをつなぎ，「クエリ: ヒトとマウスのオーソログで2σ以上同じ組織で発現している gene ペアのリストが欲しい」のユースケースについて結果を得るための検討
    • Evola ヒト，マウスのオーソログ情報について，共通のIDをかならず持っているかを確認した。
      • ヒトはDDBJ/ACCESSIONをもっているが，マウスはACCESSION, Eensembl, RefSeq (/{XN*,NM*,XR*}/) の３種のいずれかで書かれていることがわかった．DDBJ/ACCESSION　で他のDBとつなげる方針（８５％の大多数がつながる）にした．一方，FANTOMは Entrez Gene ID, gene symbol で書かれていた．ヒト、マウスともに、ACCESSION, Uniprot, Entrez Gene ID のセットを準備することにした．
  • FANTOM4のデータについて

正常組織とTHP-1細胞の予想した転写因子（human, mouse)について、 ヒト３４組織、マウス２０組織で発現量を real-time PCR で連続量のデータがある。 ノーマライズしている/ normalized mRNA copy number (per 12.5 ng total RNA) ユニークにはヒトで25組織、マウスで11組織、共通な組織名（liverなど）は９組織であった。

  • 議論したこと
    • FANTOM4 を使うか FANTOM3 を使うかの検討
      • FANTOM４ は 1000 から 2000個の遺伝子（転写因子）の発現量しかない，FANTOM３は NBDC アーカイブにはない
      • 結論：FANTOM４を使う
      • Evola discussion.jpg
    • Taiodb (ID対応のデータベース）を作成する
      • 今後汎用的に複数DBをつなげるため、遺伝子、蛋白質のIDの対応表が必要。

11/24 したこと

  • Evola
    • 当初は独自で対応 DB を持つように考えていたが、4日目には他のDBと同じように、「UniProt 本家サイトから他のID情報をとる」ことにした。
    • Virtuoso に入れてもらうために 24,571件(ヒト13,834件、マウス10,737件)の UniProt ID を呉さんへ送付した。
  • リテラル ID → URL 変換
    • UniProtI D については，含まれている2つのDB TMPDB (tmpdb, tmpdb_pr), RIKEN SSBC(riken_ssbc_main) に関して完了
  • OWL 作成
    • 分担して各 DB の predicate を OWL にする作業を開始
    • UniProt ID を含む既存オントロジーをブラウズ
    • 6つの DB の共通項目をも多く含むオントロジーとして EDAM ontology を利用し，それとのマッピングを定義することで階層構造を作成する，という方針を決定
    • BioPortal プラグインをもつ，Protege 3.* で作業を開始したが，BioPortal プラグインがほとんどのマシンでうまく動かないことが判明 → EDAM ontology をまるごとダウンロードして使うことに EDAM_vbeta12.owl．
      • 原因は不明．金さんが問い合わせ予定．
  • FANTOM4 のヒト３４組織、マウス２０組織で発現量のシグマを計算してから、CSV を作成した（Virtuoso に入れる）。規格化する前の、生の数値データも入れた（解析の自由度を与えるため）。

11/24(夜の部)

11/25

  • EDAM ontology とカラムクラスマッピングの検証
  • 検証後の結果 最新版 Evola＆FANTOM4
  • クラスをマッピングしたOWLファイルを作成。-> 24日夜の部のリンクから取得可能。
  • 簡単な SPARQL で動作確認

TODO:

  • データベースアーカイブ内の6つのDB とEvola に対してOWL作成
    • TogoDB2によってRDFされている各DBのpredicateを収集して初期versionを作る。
    • 既存のオントロジーから対応できる項目を探して繋げる。
      • 一部明らかなのはOWLにimportする。
      • importしないのはmappingをつくる。
      • 各テーブルのカラム情報(Excelファイル) -> アーカイブ Evola
  • リテラル→URI変換したものを各DBに加える作業を地道に続ける
  • bh.dbcls.jp の Virtuoso に作業した結果を全部入れる
  • SPARQL クエリを作成
    • Evola をブリッジにマウスとヒトをつなぎ，「クエリ: ヒトとマウスのオーソログで2σ以上同じ組織で発現している gene ペアのリストが欲しい」の結果が得られるように
    • アーカイブ内の6つのDBについては検討中
  • LinkDB との連携

最小手順

  • Table T1 のコラムP1があるとする。
  • T1_RangeOfP1 というクラスを定義する。
  • T1_P1 というプロパティを定義する。
  • T1_P1 rdfs:range T1_RangeOfP1 というトリプルを宣言する。

以上を各テーブルについて行う。その後、複数のテーブルで「同じ」意味のコラムがある場合、

  • T1_RangeOfP1 owl:equivalentClass T2_RangeOfP2 などと宣言する。

参考

「/mw/BH11.11/dbarchive-rdf/」より作成