Hybride Integration von. molekularbiologischen Annotationsdaten

Transkript

1 Hybride Integration von molekularbiologischen Annotationsdaten Christine Körner, Toralf Kirsten, Hong-Hai Do, Erhard Rahm Interdisziplinäres Zentrum für Bioinformatik, Universität Leipzig dbs.uni-leipzig.de

2 Gliederung 1. Motivation 2. Verwandte Arbeiten 3. Hybride Integration 4. Anfragebearbeitung im Query-Mediator 5. Performanz 6. Zusammenfassung BTW 2005, Karlsruhe, 3. März

3 1. Motivation molekularbiolog. Daten Experimentelle Daten Expressionswert, P-Wert,... GeWare Daten Annotationsdaten Objekte: Gene, Proteine,... Attribute: Funktion, Krankheit, Genlokation,... Expressionsanalyse Identifikation relevanter Gene / Proteine anhand der Expressionsdaten Ähnliches Expressionsmuster? Analyse Gen-/Proteingruppen Annotationsanalyse Identifikation relevanter Gene / Proteine anhand der Annotationsdaten Funktionaler Zusammenhang? BTW 2005, Karlsruhe, 3. März

4 1. Annotationsdaten - Charakteristika Öffentliche Annotationsquellen: LocusLink, Enzyme, GeneOntology, OMIM, Ensembl,... Beschreibung, Genprodukt, Synonyme, etc. } Enzyme GeneOntology Annotationsdaten OMIM UniGene KEGG Mappingdaten Mapping: alle Korrespondenzen zwischen den Objekten zweier Quellen BTW 2005, Karlsruhe, 3. März

5 1. Annotationsdaten - Herausforderungen Vielzahl öffentl. Quellen > 500 komplexes Netzwerk Heterogenität Datenformate Schemata semantisch Vernetzung der Annotationsquellen durch primäre Attribute (Accessions) Zeitliche Veränderung Aktualität der Daten Schemata BTW 2005, Karlsruhe, 3. März

6 1. Integration via Mappings Beispiel: Verbindung von Annotationsdaten aus UniGene und SWISSPROT UniGene GenBank Hugo SWISSPROT LocusLink GO OMIM Annahme: Transitivität bei Mappingkomposition AD = AB obc ocd Fehlerpotential steigt mit Länge der Mappingpfade unvollständige Mappings falsche Mappings Aber: kurze Pfade Qualitätsgarantie Zuverlässigkeit, Aktualität einbezogener Quellen BTW 2005, Karlsruhe, 3. März

7 2. Verwandte Arbeiten Klassische Ansätze: Physische Integration (Data Warehouse) Virtuelle Integration (Mediator- / Wrapperansatz) mit globalem Schema COLUMBA TAMBIS automatische Integration über Mappings ohne globales Schema GenMapper physische Kleisli SRS DiscoveryLink Integration virtuelle Explizite Trennung von Annotationsund Mappingdaten virt. Zugriff auf Annotationsquellen Materialisierung der Mappings BTW 2005, Karlsruhe, 3. März

8 3. Hybride Integration - Architektur Client Server ADM-DB Mapping-DB HTML GeWare DWH DWH Query-Mediator SRS Server GeneOntology Ensembl LocusLink Hybrid: Materialisierung von Expressionsdaten GeWare: Data Warehouse zur Expressionsanalyse Virtuelle Integration von Annotationsdaten SRS: Mediator für Zugriff auf Annotationsquellen Query-Mediator: Kopplung von GeWare und SRS Mapping-DB: Speicherung der Mappingdaten ADM-DB: Verwaltung von Metadaten integrierter Quellen BTW 2005, Karlsruhe, 3. März

9 3. Mapping-Datenbank ausschließliche Speicherung von Mappingdaten sternförmige Anordnung um zentrale Quelle (LocusLink) Materialisierung extrahierter Mappings / vorberechneter Mappingkompositionen Unterstützung alternativer Mapping-Pfade flexibles Hinzufügen neuer Quellen Center_Ensembl Center_Id Ensembl Ensembl_Accession Path_Id Center_GO Center_Id GO_Accession GO Path_Id N 1 1 N Center_SWISSPROT Mapping DB Center_... Center (LocusLink) 1 N Center_Id Center_Id Center_Id LocusLink _Accession SWISSPROTN 1 LocusLink Center_Accession 1 Accession Path_Id N N 1 Path_Id Center_UniGene Center_NetAffx Center_Id Center_Id UniGene _Accession NetAffx _Accession Path_Id UniGene Path_Id NetAffx BTW 2005, Karlsruhe, 3. März

10 3. ADM-Datenbank Source Db_Id Db_Name 1 1 Metadaten: integrierte Quellen Attribute Mapping-Pfade N Path Db_Id Path_Id Path_Name N Attribute Db_Id Attribute_Id Attribute_Name SRS_Name Source: Db_Id Db_Name 1 UniGene 2 SWISSPROT 3... UniGene LocusLink GO OMIM SWISSPROT Path: Db_Id Path_Id Path_Name 1 1 UniGene > LocusLink 2 2 SWISSPROT > GO > LocusLink 2 3 SWISSPROT > OMIM > LocusLink BTW 2005, Karlsruhe, 3. März

11 4. Anfragebearbeitung HTML 1 Abruf DB, Attribute, 2 9 Mappings 3 2 GUI-Generierung 1 GeWare DWH 3 4 Anfragespez: Filter, Joins Aufbau von SRS-Anfragen ADM-DB 4 Query-Mediator SRS Aufruf Durchführung der Anfrage Rückgabestrom (XML) SRS Server 6 8 Transformation des Mapping-DB Rückgabestroms 9 Anzeige der Ergebnisse GeneOntology Ensembl LocusLink BTW 2005, Karlsruhe, 3. März

12 4. Anfrageformulierung Projektionsanfragen unterstützen Expressionsanalyse Anzeige verschiedener Attribute für Gruppe von Genen Selektionsanfragen unterstützen Annotationsanalyse Filterung von Genen anhand spezifizierter Attribute Beispiel: Finde alle Genbezeichner der Quelle NetAffx, die auf Chromosom 4 liegen und mit dem biolog. Prozess cell migration assoziiert sind. Quelle Pfad Source->Center Attribut Filter Pfad Center->Target BTW 2005, Karlsruhe, 3. März

13 4. Anfragebearbeitung im Query-Mediator Generierung und Optimierung des Anfrageplans: 1. Blockbildung über logischen Operator 2. Zusammenfassen quellspezifischer Attribute 3. Zusammensetzen der SRS-Abfrage(n) 1. Schritt: Blockbildung Block Pfad Quelle Attribut Filterwert 1 Ensembl>NetAffx(Set U95)>LocusLink Ensembl Chromosome 4 1 GeneOntology>LocusLink GeneOntology Category biological_process 1 GeneOntology>LocusLink GeneOntology Process *cell migration 2. Schritt: Zusammenfassung quellspezifischer Attribute Block Zsfg. Pfad Quelle Attribut Filterwert 1 a Ensembl>NetAffx(Set U95)>LocusLink Ensembl Chromosome 4 1 b GeneOntology>LocusLink GeneOntology Category biological_process 1 b GeneOntology>LocusLink GeneOntology Process *cell migration 3. Schritt: Zusammensetzung der SRS-Abfrage 1 getz -vf "accession" "([Mapping-pid:5] 2 < (Center < ([Mapping-pid:2]<([EnsemblGene-cnm:4])) 3 < ([Mapping-pid:1]<([GoTerm-typ: biological_process] & [GoTerm-tna:*cell migration])))) BTW 2005, Karlsruhe, 3. März

14 4. Ergebnisextraktion und -transformation Query-Mediator: Bearbeitung des XML-Ergebnisstromes Join von Ergebnismengen Konvertierung in Ausgabeformat (HTML / CVS) <getz:getz xmlns:getz=" >... <getz:sacc>39634_at</getz:sacc> <getz:sacc>56938_at</getz:sacc> <getz:sacc>159_at</getz:sacc>... <getz:sacc>1934_s_at</getz:sacc> </getz:getz> BTW 2005, Karlsruhe, 3. März

15 4. Anzeige der Ergebnisse Ergebnis einer Selektionsanfrage Ergebnis einer Projektionsanfrage Projektion der Attribute UniGene Accession LocusLink Genname GO Funktion BTW 2005, Karlsruhe, 3. März

16 5. Performanz, Selektionsanfragen NetAffx-Id 3. Mapping: C T 2. Mapping: S C 1. Selektion 2. Mapping 3. Mapping 4. Auswahl zentrale NetAffx-Id Source Center Quelle Center Target Ensembl NetAffx BTW 2005, Karlsruhe, 3. März

17 6. Zusammenfassung und Ausblick Erkenntnisgewinn durch Verbindung von experimentellen Daten mit Annotationen Anforderungen starke Vernetzung öffentl. Annotationsquellen kurze Aktualisierungszyklen Mapping-Datenbank Explizite Trennung von Mapping- und Annotationsdaten Materialisierung der Mappings sternförmige Anordnung um zentrale Quelle Hybride Integration Materialisierung experimenteller Daten virtuelle Integration von Annotationen durch das Tool SRS Performanzanalyse zeigt Praktikabilität für kleine Datenmengen zukünftige Arbeiten Integration neuer Quellen Erweiterung auf Protein- und Pathwayannotationen BTW 2005, Karlsruhe, 3. März

18 Danksagung IZBI Toralf Kirsten Hong-Hai Do Univ. Leipzig dbs.uni-leipzig.de Prof. Erhard Rahm LION bioscience Thure Etzold Ceara Rea BTW 2005, Karlsruhe, 3. März

19 GeWare Projektumgebung GeWare Gene Expression Warehouse Genexpressionsanalysen lokaler Benutzergruppen Speicherung, Aufbereitung, Auswertung von Genexpressions- und Annotationsdaten Sources Data Warehouse Data Analysis Experiments Flat Files & MicroDB RDBMS Probe and gene gene Intensities intensities File-based exchange Data ex-/import to/from tools Uniform web-based GUI Descriptive statistics Canned / Ad-hoc queries (Data mining, OLAP) MIAME Submission Website Manual User Input Sample & Experiment annotations Multidimensional data model Transparent integration (Data access using database API) Public Data Sources LocusLink GO RDBMS UniGene GenMapper Gene annotations Data Integration Tight integration (Direct operation on database Tool Integration BTW 2005, Karlsruhe, 3. März

20 Benutzerworkflow in GeWare GeneAnnotation- Browser GeneGroupSaver GeneAnnotation- Viewer Probe Sets bestimmen speichern Probe Sets anzeigen auswählen Annotation auswählen BTW 2005, Karlsruhe, 3. März

21 Integrationsaufwand in SRS lokale Kopie der Annotations-Quellen Integration über SRS-interne Schema- und Strukturdatei D a t e n S c h e m a Annotations-Quellen Kopie der Flatfiles / RDB Eigenverantwortung für Aktualität der Daten Meta-Definitionen von LION bioscience zur Verfügung gestellt (>700) Anpassen an Schemaänderungen durch LION bioscience Mapping-DB Datenextraktion aus GenMapper Eigenverantwortung für Aktualität der Mappings erstellte Schema- und Strukturdatei stabiles Datenbankschema BTW 2005, Karlsruhe, 3. März