Datenbanken in der Bioinformatik

Transkript

1 Datenbanken in der Bioinformatik Kapitel 5 Modellierungsalternativen Institut für Informatik Vorläufiges Inhaltsverzeichnis 1. Grundlagen 2. Klassifizierung von BioDB, Überblick 3. Spezialanwendungen 4. Datenmodelle und Anfragesprachen 5. Modellierungsalternativen 6. Versionierung von Datenbeständen 7. Annotationskonzept 8. Datenintegration: Ansätze und Systeme 9. Matching: Ontologien, Schema, Objekte 10. Scientific Computing 1

2 Lernziele Kennen und Anwenden verschiedener Modellierungsalternativen Anwendungsszenarien je Alternative Gliederung Motivation Anforderungen Applikationsspezifische Schemata Modelle zur generischen Speicherung Multidimensionale Speicherung Open vs. Closed World Assumption Ausblick 2

3 Motivation Unterschiedliche Szenarien der Datenverwaltung mit verschiedenen Anforderungen Klinische Studien Genetische Analysen, z.b. Genexpression, Sequenzierung Beschreibungen von biol. Objekten unter Nutzung von Ontologien Zielrichtungen Veränderung von Anforderungen Neue oder Wegfall von Daten: Entitäten, Attribute Veränderungen am Schema Auswirkung auf abhängige Programme, Auswertungen Analyse großer Volumina von Daten Schnelle Anfrageverarbeitung trotz vieler Daten Bezugnahme auf Daten anderer Datenquellen Anforderungen Korrekte Erfassung und Modellierung von Entitäten und deren Attributen Erweiterbarkeit des Schema (Schemaevolution?) Flexibiltät bzgl. Aufnahme neuer Entitäten (bislang fremde Datenarten) und Attribute Schnelle Anfrageverarbeitung 3

4 Schema-Alternativen Schema wird im Prozess der Datenmodellierung erstellt Alternativen Applikationsspezifische Schemata Generische Schemata Multidimensionale Schemata 'Open World' Schemata Kombination verschiedener Alternativen möglich Applikationsspezifische Schemata Erstellung des Schemas ausgerichtet auf eine Applikation Abbildung von Realwelt-Sachverhalten in Entitäten, die mit einer Menge von Attributen beschrieben werden Beziehungen zwischen Entitäten Relationale Schemata: 2./3. Normalform Restriktionen über DB-Constraints (Null?, ) Vorteile/Nachteile 4

5 Beispiel Abbildung einer Menge von Genen mit ihrer Lokalisation Schema Schema mit gene id region id fk symbol start position stop position Instanzdaten TAPBP SFRS Gene Sequence Region region id region name 341 Chrom Chrom. 6 Beispielanfrage π (δ (Gene SequenceRegion)) Gene.symbol, Gene.start position, Gene.stop position Sequence Region. region name = 'Chrom. 6' Gene.region id fk = Sequence Region.region id Problemspezifische Erweiterungen Problem: Unterschiedliche Typen einer Entität mit spezifischen Attributen Lösungsansätze Sammlung aller Attribute in einer Entität Verwendung unspezifischer Attribute, zb Field000 (Attributename ohne Semantik, Datentyp) Trennung in typspezifische Entitäten (Tabellen) Basis-Entität mit typspezifischen Erweiterungsentitäten (spezielle Sub-Tabellen) Vorteile/Nachteile 5

6 Generische Schemata Generisch: Schema ist unabhängig von der Applikation und damit für viele Anwendungen (wieder-) verwendbar Ausgewählte Ansätze Entity Attribute Value (EAV) relationale Schemata (Varianten) Name Type Value (NTV) vorwiegend im Bereich XML Resource Description Framework (RDF) Vorteile: Einfachheit, robust gegenüber Änderungen Nachteile: Semantik wird in Instanzdaten kodiert, aufwändige Anfragegenerierung und verarbeitung, steigende Anzahl von Tupel, Performanz? Beispiel EAV Abbildung einer Menge von Genen und ihrer Lokalisation unter Nutzung des EAV-Ansatzes Schema Schema mit Instanzdaten Gene Entity entity accession id 1 ENS0815 Value attribute entity value id fk id fk TAPBP Attribute attribute attribute name id symbol start position 6

7 Multidimensionale Schemata Modellierungsparadigma für Data Warehouses und Data Marts Dimensionen: Beschreibungen von Einflussgrößen Fakten: numerische Daten, die von Dimensionen beeinflusst werden Dimension 1 Beispiel: Data Cube mit drei Dimensionen Dimension 2 Dimension 3 Multidimensionale Schemata cont. Erweiterbarkeit und Skalierbarkeit Hinzufügen neuer Instanzdaten (Dimensionsdaten + Fakten) ohne Änderungen am zugrunde liegenden Datenmodell Hinzufügen neuer Dimensionen und Fakten Multidimensionale Selektion und Analyse Einfache Selektion, Aggregation und Vergleich der Fakten Dimension 1 Dimension 1 Dimension 1 Dimension 2 Dimension 2 Dim. 2 Dimension 3 Dimension 3 Dimension 3 7

8 Beispiel Expressionssignale pro Gen und Chip, die in einem Expressionsexperiment gemessen wurden Dimensionen: Gene, Chip, Analysis Fakten: Signal 'Open World' Schemata 'Closed World Assumption': Alle Datenobjekte sind innerhalb des Schemas bekannt und beschrieben 'Open World Assumption': schemaübergreifende Beschreibung von Objekten unter Nutzung von spezifischen Objekt-Referenzen Referenz: Verbindung zwischen zwei Objekten aus zwei getrennten Datenquellen Vorteile: Rückgriff auf bestehende Objektbeschreibungen in anderen Datenquellen möglich Nachteil: Datenintegration notwendig, wenn Verknüpfung der Daten benötigt wird 8

9 Referenzen Referenzen zwischen zwei Mengen von Genen zweier Datenquellen und der ontologischen Beschreibung ihrer molekularen Funktion Zuordnung über Mapping-Tabellen Quelle 2 Gene Quelle 1 Funkt. Ref Gen Ref Quelle 3 Gene Molekulare Funktionen Beispiel Abbildung einer Menge von Genen mit ihrer Lokalisation und Beschreibung molekularer Funktionen Objekt-Referenz; Objekt ist in einer anderen Schema (Auszug für Quelle Datenquelle beschrieben 1 ) 9

10 Kombination verschiedener Alternativen Hybrid (Genattribute teilweise appl.-spez. + generisch) Referenzen zu anderen Datenquellen (Mapping-Tabelle) Performanzsteigerung durch mgl. materialisierte Sichten über Genattribute Ausblick: Datenmanagement in der Cloud Cloud: Nutzung verfügbarer Ressourcen von (externen) Anbietern: Compute-, Storage-Ressourcen Übergang von monolithischen zu dynamischen Informationssystem-strukturen Nutzung "on-demand" Abrechnung nach Ver-/Gebrauch Zugriff über geeignete Schnittstellen: REST, WS-API Beispiele für gegenwärtige Cloud-Lösungen Amazon Simple DB, Elastic Compute Cloud (EC2) Google App Engine incl. BigTable Yahoo Cloud Offene Fragen: Performanz, Skalierbarkeit, Datenschutz, 10

11 Ausblick: Datenmanagement in der Cloud II Beispiel: Abbildung einer Menge von Genen und ihre Lokalisation unter Nutzung von REST Begrenzte Menge von Operatoren (Amazon SimpleDB*) CreateDomain, ListDomains, DeleteDomain PutAttributes, GetAttributes, DeleteAttributes Select, Query PUT(domain,MeineGene)(item,Ens0815),(region,chrom. 1),(function,transport) PUT(domain,MeineGene)(item,Ens0816),(region,chrom. 1),(start,200),(stop,250) Domäne: MeineGene * item region start stop function Ens0815 chrom. 1 transport Ens0816 chrom Zusammenfassung Verschiedene Möglichkeiten der Datenverwaltung Unterschiedliche Modellierungsformen: Schema- Alternativen Applikationsspezifische Schemata Generische Schemata Multidimensionale Schemata 'Open World' Schemata Optimale Lösung ist abhängig von gegebenen Anforderungen und Rahmenbedingungen Oftmals Kombination der verschiedenen Modellierungsparadigmen 11

12 Noch Fragen? 12