bio axs: uma arquitetura para integração de fontes de dados e aplicações da biologia molecular...

Bio AXS: Uma Arquitetura para Bio AXS: Uma Arquitetura para Integração de Fontes de Dados e Integração de Fontes de Dados e Aplicações da Biologia MolecularAplicações da Biologia Molecular

Departamento de Informática

PUC-Rio

Aluno:Luiz Fernando Bessa Seibel

([email protected])

Orientador:Sérgio Lifschitz

([email protected])

Luiz Fernando Bessa Luiz Fernando Bessa SeibelSeibel

Bio AXS: Uma Arquitetura para IntegraçãoBio AXS: Uma Arquitetura para Integração de Fontes de Dados e Aplicações da Biolo de Fontes de Dados e Aplicações da Biologia Moleculargia Molecular

22

Bio AXS

Agenda

Introdução Motivação Abordagens de integração

– no contexto da biologia molecular– Trabalhos relacionados

A solução proposta - via framework– Funcionalidades– Instanciação dos hot spots– Modelo de dados da arquitetura

Modelo conceitual de informações biológicas Comparação entre as arquiteturas de integração Implementação da solução proposta Estudos de caso Contribuições Trabalhos futuros



33

Bio AXS

IntroduçãoIntrodução

Proposta inicial do doutorado: Pesquisa na área Proposta inicial do doutorado: Pesquisa na área de Bioinformática de Bioinformática

Primeiro contato com FioCruz: 97Primeiro contato com FioCruz: 97 Resposta à questão: “que modelo de dados é Resposta à questão: “que modelo de dados é

apropriado ?”apropriado ?” Importância de arquitetura de integração que Importância de arquitetura de integração que

atendesse requisitos da pesquisaatendesse requisitos da pesquisa Importância de construção de índices para Importância de construção de índices para

sequências (melhorar desempenho do BLAST)sequências (melhorar desempenho do BLAST) Poucos grupos de pesquisa na área de bancos Poucos grupos de pesquisa na área de bancos

de dados e bioinformática: de dados e bioinformática: S. Davidson, N. Paton, N. S. Davidson, N. Paton, N. Goodman, V. MarkowitzGoodman, V. Markowitz



44

Bio AXS

MotivaçãoMotivaçãoRequisitos da PesquisaRequisitos da Pesquisa em em BioinformáticaBioinformática

Desafios:– Lidar com enormes volumes de dados de

sequências e outras anotações biológicas, armazenadas em inúmeras fontes de dados heterogêneas, que estão distribuídas

– Desenvolver algoritmos de suporte à interpretação dos dados

– Novas descobertas precisam ser incorporadas às fontes de dados e podem exigir reconstrução dos algoritmos

– Novo ramo da ciência: Bioinformática



55

Bio AXS

MotivaçãoMotivaçãoRequisitos da PesquisaRequisitos da Pesquisa em em BioinformáticaBioinformática

Problemas a resolver:– acesso eficiente e integrado às informações– tratamento da evolução dos esquemas das fontes

de dados– tratamento da heterogeneidade das fontes de

dados– formulação de consultas complexas– acesso a dados atualizados– uso de estruturas de índices para acesso aos dados– desenvolvimento de algoritmos específicos– qualidade das informações armazenadas



66

Bio AXS

MotivaçãoFontes de Dados de Biologia Molecular

Arquivos texto Bancos de dados que usam modelos

de dados distintos (relacional, orientado a objetos, relacional-objeto, semi-estruturados)

Arquivos com formatos apropriados para a execução de algoritmos específicos (ex: FASTA, BLAST)



77

Bio AXS


Armazenam informações complementares do domínio do conhecimento – sequências de nucleotídeos e de proteínas– estruturas de proteínas– microarrays de DNA– anotações de fenômenos biológicos– taxonomia– publicações– pessoas e centros de pesquisa



88

Bio AXS


Contém dados de:– diversos organismos [GenBank, PIR,

Swiss-Prot]– um organismo [AceDB, TcruziDB]– células específicas (ou partes de)

[Mitomap]– funções biológicas específicas [ExPASy]– mutações [Human Mutation Databases]



99

Bio AXS

MotivaçãoMotivaçãoAplicações e FerramentasAplicações e Ferramentas Estão associadas às fontes de dados Cada fonte disponibiliza um conjunto reduzido

de aplicações Podem exigir formatos específicos Existe código fonte público Exemplos:

– Depuração das sequências [LabBase]– Sistema automático de submissão de sequências [LabBase]– Montagem de fragmentos [Phred-Phrap]– Pesquisa de genes [GeneFinder]– Comparação de sequências [FAST, BLAST]– Alinhamento de sequências [ClustalW]– Visualização do mapa do cromossomo / fragmento [AceDB]



1010

Bio AXS

Abordagens de Integração Abordagens de Integração no Contexto da Biologia no Contexto da Biologia MolecularMolecular(Trabalhos Relacionados) Via SGBDDH Via multidatabase

– CPL/Kleisli por P. Buneman, S. Davidson et al. Via data warehouse

– GIMS por N. Paton, C. Goble et al. Via mediador

– proposto por P. Karp Outras formas de integração usadas em biologia

– Via navegação hipertexto entre registros de fontes de dados

Entrez (NCBI)– Via sistemas de links entre fontes de dados

SRS (EBI)



1111

Bio AXS

Discussão das Abordagens Discussão das Abordagens de Integração da Biologia de Integração da Biologia MolecularMolecularFerramentas apresentam limitações: São pouco flexíveis

– adotam modelo de dados / esquema próprio– tem dificuldades inerentes à alteração dos

esquemas– não permitem o uso das aplicações disponíveis

Apresentam baixa performance Não são extensíveis

– não permitem incorporar aplicações existentes– limitam o uso das fontes de dados envolvidas – não permitem a instanciação de uma fonte de

dados apropriada a uma pesquisa específica



1212

Bio AXS

Por que a integração via framework ?

Definição:

“Um Framework é uma arquitetura abstrata de software, flexível e

extensível, que contém componentes pré-definidos (frozen spots) e outros

que devem ser instanciados (hot spots) para a implementação de um

desejado e particular sistema”



1313

Bio AXS

A Solução Proposta

O framework proposto propicia: Flexibilidade, através da

– captura dos esquemas das fontes de dados da biologia

– definição e manutenção de um esquema próprio – definição de um modelo de dados / ontologia

efetivamente usada nas fontes de dados existentes– utilização das aplicações disponíveis

Alta performance no acesso aos dados Extensibilidade, através da

– incorporação de qualquer aplicação existente– incorporação de qualquer fonte de dados de biologia – instanciação de uma fonte de dados para uma

pesquisa específica



1414

Bio AXS

A Solução PropostaA Solução Proposta

O framework proposto também propicia: Tratar a evolução dos esquemas das fontes

de dados– detecta alteração de esquemas, via agente de

monitoração– informa ao usuário administrador que houve

alteração– usuário administrador procede a uma nova captura,

no momento adequado => alteração dos esquemas é assíncrona !

Tratar a evolução dos esquemas específicos– a qualquer momento, por ação do administrador



1515

Bio AXS

A Solução PropostaA Solução Proposta

O framework propicia ainda: Tratar a atualização das instâncias de dados

– monitora atualização da fonte de dados – procede à alteração de forma autônoma– termina atualização por ação do

administrador

O framework é uma solução de O framework é uma solução de integração mais geral do que as integração mais geral do que as existentes e pode ser aplicado a outros existentes e pode ser aplicado a outros domínios, desde que tenham os mesmos domínios, desde que tenham os mesmos requisitos requisitos



1616

Bio AXS

Apresentação da Apresentação da ArquiteturaArquitetura



1717

Bio AXS

Fonte 1

Fontes de Dados da Biologia

Fonte 2 Fonte 3

MetadadosDados Wrapper 3

Wrapper 2

Wrapper 1

Conversor (Wrappers)

Capturador

Administrador

Modelo da Biologia Drivers de Aplicação

Driver1

Driver3

Driver2

Aplic.1 Aplic.2 Aplic.3

Arquitetura do Framework

Aplicações da Biologia

Usuários



1818

Bio AXS

FuncionalidadesFuncionalidades



1919

Bio AXS

Fonte 1

Metadados Wrapper

1


Capturador

Administrador


Usuário Administrador



2020

Bio AXS




2121

Bio AXS

Metadados

Capturador

Administrador

Modelo da Biologia


Usuário Administrador• Identifica Objetos• Relaciona Objetos• Define Ontologia



2222

Bio AXS




2323

Bio AXS

Metadados

Capturador

Administrador

Modelo da Biologia


Usuário Administrador• Seleciona objetos do modelo



2424

Bio AXS




2525

Bio AXS

Fonte 1


Fonte 2

MetadadosDados Wrapper 2

Wrapper 1


Capturador

Administrador

Modelo da Biologia





2626

Bio AXS




2727

Bio AXS

MetadadosDados

Capturador

Administrador

Drivers de Aplicação

Driver1

Aplic.1





2828

Bio AXS




2929

Bio AXS

MetadadosDados

Capturador

Administrador


Usuário



3030

Bio AXS




3131

Bio AXS

MetadadosDados

Capturador

Administrador


Usuário

Modelo da Biologia



3232

Bio AXS




3333

Bio AXS

Fonte 1


Fonte 2 Fonte 3

Metadados Wrapper

3 Wrapper

2 Wrapper

1


Capturador

Administrador





3434

Bio AXS




3535

Bio AXS

Fonte 1


Fonte 2

Metadados Wrapper

2 Wrapper

1


Capturador

Administrador



Dados



3636

Bio AXS

FrameworkFrameworkInstanciação de Instanciação de WrappersWrappers

GenBank ACeDB Swiss-Prot...

WrapperFonteDados

lerDados()lerEsquema()abrir()fechar()

FachadaWFB

capturarEsquema()capturarDados()obterConversoresDisponiveis()

<<facade>>

0..*

1

0..*

+listaConversores 1



3737

Bio AXS

FrameworkFrameworkInstanciação de DriversInstanciação de Drivers

GeradorFASTA GeradorDotAce geradorRegTxtDeBD...

FachadaDriverAplicacao

gerarDadosAplicacao()apresentarDriverDisponivel()escolherDriver()

<<facade>>

FachadaCapturador

capturarEsquema()excluirEsquema()capturarDados()excluirDadosDeEsquema()cadastrarEsquemaProprio()obterConversoresDisponiveis()consultarEsquema()obterEsquemasDisponiveis()obterDadosAplicacao()consultarDados()informarCasamento()

(from Capturador)

<<facade>>

GeradorDados

gerarDadosAplicacao()

1..*

1

1..*

+listaDrivers

1

gerarDadosParaAplicacao

1

1..*

1

1..*

obterDados



3838

Bio AXS

O uso de XML e XML O uso de XML e XML Schema Schema

XML possui características voltadas para XML possui características voltadas para solução de problemas de bioinformática:solução de problemas de bioinformática:– flexívelflexível– orientada à Internetorientada à Internet– usada para especificar padrões de dadosusada para especificar padrões de dados– pode ser lida por qualquer editor de textospode ser lida por qualquer editor de textos– Usada para troca de informações entre Usada para troca de informações entre

fontes de dadosfontes de dados– Diversas ferramentas disponíveisDiversas ferramentas disponíveis



3939

Bio AXS

O uso de XML e XML O uso de XML e XML Schema Schema XML Schema é mais completo para a XML Schema é mais completo para a

descrição de dados XML do que DTDdescrição de dados XML do que DTD Existem geradores automáticos de XML Existem geradores automáticos de XML

Schema a partir de XMLSchema a partir de XML XML Schema tem as construções necessárias XML Schema tem as construções necessárias

para descrever esquemaspara descrever esquemas RDF é aplicado a outro tipo de problemaRDF é aplicado a outro tipo de problema

– XML representa uma estrutura hierárquica cujos XML representa uma estrutura hierárquica cujos nós estão presentes em um documentonós estão presentes em um documento

– RDF respresenta um grafo rotulado cujos nós são RDF respresenta um grafo rotulado cujos nós são recursos que normalmente estão externos ao recursos que normalmente estão externos ao documentodocumento



4040

Bio AXS

Modelo da BiologiaModelo da Biologia

OMG apresenta propostas de parte do OMG apresenta propostas de parte do modelo da biologia (foco no genoma)modelo da biologia (foco no genoma)

GIMS apresenta proposta incompleta do GIMS apresenta proposta incompleta do modelo da biologia (ex: estruturas de modelo da biologia (ex: estruturas de proteínas)proteínas)

Modelos consideram aspectos não Modelos consideram aspectos não biológicos (ex: detalhes implementação - biológicos (ex: detalhes implementação - Corba)Corba)

Modelos não identificam aspectos Modelos não identificam aspectos tecnológicos (ex: fragmentos, tecnológicos (ex: fragmentos, experimentos com microarrays, etc.)experimentos com microarrays, etc.)



4141

Bio AXS

Modelo ConceitualModelo ConceitualGenomaGenoma

Plasmídeo DNA_Organelas

RegiaoComplexa

Operon Transposon Profago

ElementoExtraCromossomalGenoma 0..*0..*

GrupoRegiao

0..*

0..10..1

Cromossomomo

0..*0..*

0..*

11

0..*

1

0..*

1

FragmentoCromossomo0..1

0..1

0..1

ProximoAnterior 0..1

0..*

0..*

0..*

0..*

0..*

0..*Regiao



4242

Bio AXS


RegiaoNaoInformativa

PseudoGene RegiaoRepetitiva RegiaoDesconhecida

RepeticaoDireta RepeticaoInversa Palindromo RegiaoBaixaComplexidade

RegiaoInformativa

Regiao 0..*

0..*0..*0..*

0..*0..*



4343

Bio AXS


RegiaoInformativa

RegiaoNaoTranscrita

SequenciaRegulatoria ElementoCromossomal

Promotor Terminador Centromero Telomero ORIComponente

0..10..1

0..1ProximoAnterior

0..1

Intron UTR

Transcrito

0..*

1

0..*

1

2

1

2

1

Exon

1..*

1

1..*

1

Variacao

0..*

1

0..*

1

1..*Promotor_l RBS

UTR5_l

Terminador_l SitioPoliA

UTR3_l



4444

Bio AXS


Ordem

Proteina

Variacao

0..*

PeptideoPrimario

1..*

1

1..*

1EhModificado

mRNA

1..*

1

1..*

1

Contem

1

1

1

1TraduzPara

ProximoAnterior

0..1

0..1



4545

Bio AXS Sitio

Dominio

Familia

EstruturaTerciaria

0..*

0..1

0..*

0..1

EstruturaSecundaria

1..*

1..*

1..*

1..*

0..*

0..1

0..*

0..1

Proteina

0..*

0..1

0..*

0..1

0..*

1

0..*

10..*0..1 0..*0..1

0..*1 0..*1

0..*

1

0..*

1

0..1

0..*

0..1

Interacao

0..*

Modelo ConceitualModelo ConceitualProteomaProteoma



4646

Bio AXS

Comparação entre as Comparação entre as Arquiteturas de Arquiteturas de IntegraçãoIntegraçãoCritériosCritérios Permitir a formulação de consultas Permitir a formulação de consultas

complexas, via web, também via complexas, via web, também via interface amigávelinterface amigável

Permitir acesso a todas as fontes Permitir acesso a todas as fontes de dadosde dados

Lidar com o ambiente heterogêneoLidar com o ambiente heterogêneo Permitir transparência de esquema Permitir transparência de esquema

e de localizaçãoe de localização



4747

Bio AXS

Comparação entre as Comparação entre as arquiteturas de arquiteturas de integraçãointegraçãoCritériosCritérios Tratar atualização de esquemas e Tratar atualização de esquemas e

dadosdados Adotar esquema coerente com os das Adotar esquema coerente com os das

fontes de dadosfontes de dados Instanciar fonte específica para uma Instanciar fonte específica para uma

pesquisa biológicapesquisa biológica Permitir execução de todos os Permitir execução de todos os

aplicativos disponíveisaplicativos disponíveis Facilitar entendimento dos objetos Facilitar entendimento dos objetos

biológicosbiológicos



4848

Bio AXS

Comparação entre as Comparação entre as arquiteturas de arquiteturas de integraçãointegração

Ferramenta SRS OPM CPL/Kleisli K2 GUS IGD TAMBIS GIMS Bio-AXSCritério

1 ** **** **** **** **** **** **** **** ****2 Sim Não Não Não Não Sim Não Não Sim3 *** ** * ** ** *** * ** ****4 ** ** *** *** ---- ---- *** *** ****5 Não *** **** **** ** ** **** **** ****6 Não Sim Sim Sim Sim Sim Sim Sim Sim7 Não Sim Sim Sim Sim Sim Sim Sim Sim8 * *** * * *** * * **** ****9 ---- **** **** **** **** **** **** *** ****

10 Não Não Não Não Não Não Não Não Sim11 * * * * * * * * ****12 ** **** **** **** ** ** **** ** ***13 * * * * * * * * ****14 ---- *** *** *** * * **** * ****



4949

Bio AXS

Implementação da Implementação da Arquitetura PropostaArquitetura Proposta

Implementada em JavaImplementada em Java– Orientada a ObjetosOrientada a Objetos– PortabilidadePortabilidade– Reuso Reuso – Interface WebInterface Web

Persistência via Oracle 9iPersistência via Oracle 9i– Tipo de dados XMLTypeTipo de dados XMLType– Consultas: SQL e uso de expressões XPATHConsultas: SQL e uso de expressões XPATH– Índices em elementos XMLÍndices em elementos XML



5050

Bio AXS


Implementação dos wrappersImplementação dos wrappers– Swiss-Prot:Swiss-Prot:

Construção do analisador gerando código XMLConstrução do analisador gerando código XML Geração do esquema (via SPY)Geração do esquema (via SPY)

– GenBank:GenBank: Uso do analisador READSEQ, que gera código XMLUso do analisador READSEQ, que gera código XML Geração do esquema (via SPY)Geração do esquema (via SPY)

– PIR:PIR: Já disponibiliza dados em XMLJá disponibiliza dados em XML Geração do esquema (via SPY)Geração do esquema (via SPY)



5151

Bio AXS


Implementação do módulo AdministradorImplementação do módulo Administrador– Construção do aplicativo de integração de Construção do aplicativo de integração de

esquemas, definição do esquema próprio e esquemas, definição do esquema próprio e definição de ontologia, utilizando classe do definição de ontologia, utilizando classe do Oracle para análise e visualização de Oracle para análise e visualização de esquemas em XML Schema (Jtree)esquemas em XML Schema (Jtree)

Implementação de aplicativosImplementação de aplicativos– Externo: uso do BLAST (Gish)Externo: uso do BLAST (Gish)– Interno: uso do alinhamento ótimo (Meidanis)Interno: uso do alinhamento ótimo (Meidanis)



5252

Bio AXS Caso 1: Caso 1: CargaCarga de Dados do de Dados do Swissprot Swissprot Caso 2: Caso 2: ConstruçãoConstrução do do Esquema da Biologia Esquema da Biologia Caso 3: Caso 3: ConstruçãoConstrução do do Esquema Específico Esquema Específico Caso 4: Caso 4: InstanciaçãoInstanciação do do Esquema Específico Esquema Específico Caso 5: Caso 5: ExecuçãoExecução do BLAST do BLAST Caso 6: Caso 6: ExecuçãoExecução do do Algoritmo Algoritmo de de

Alinhamento Alinhamento Caso 7: Caso 7: SeleçãoSeleção de Dados de Dados Caso 8: Caso 8: ComparaçãoComparação de Keywords do de Keywords do

Swissprot Swissprot e PIR e PIR

ContribuiçõesContribuições



5353

Bio AXS


Proposta de integração via framework, que atende aos requisitos da pesquisa na área de biologia molecular:– permite acesso a todas as fontes de dados – permite execução de qualquer aplicação– atende à performance exigida– trata atualização de esquemas e dados– Permite definir e instanciar um esquema específico

Proposta de um esquema conceitual de informações puramente biológicas sobre o dogma central da biologia– identificando aspectos tecnológicos– isento de aspectos de implementação



5454

Bio AXS


Construção de um protótipo, que contempla algumas das funcionalidades necessárias, demonstrando:– integração de esquemas e de dados – definição de uma ontologia– execução de aplicativos e de consultas– criação de esquema específico para uma pesquisa– instanciação do esquema específico

Comparação entre as arquiteturas de integração existentes

Proposta de definição de uma ontologia, que pode ser confrontada com as existentes



5555

Bio AXS

Trabalhos PublicadosTrabalhos Publicados

Seibel L.F.B., Lifschitz S., Lemos M., “Bancos de Dados de Genoma”,Procs. of the Brasilian Database Simposium Tutorials, pp 514-553, 2000.

Lifschitz S., Seibel L.F.B., Uchôa E.M.A., “A Framework for Molecular Biology Data Integration”, Procs. Workshop on Information Integration on the Web (WIIW), pp 27-34, 2001.

Seibel L.F.B., Lifschitz S., “A Genome Databases Framework”, Proc. 12th Database and Expert Systems Applications (DEXA), ed. T. Bench-Capon et all, Springer-Verlag, pp 319-329, 2001.



5656

Bio AXS

Trabalhos FuturosTrabalhos Futuros

Implementação de novas funcionalidades ao protótipo– wrappers e aplicações– mediador – ferramenta amigável para consultas

Estudos com base no protótipo– desempenho das consultas à base XML– problemas reais da pesquisa em biologia molecular

Complemento do modelo conceitual da biologia molecular

Geração de descrições lógicas a partir da ontologia gerada, dotando a ferramenta da capacidade de inferir conhecimento, para investigação de comportamentos biológicos

bio axs: uma arquitetura para integração de fontes de dados e aplicações da biologia molecular...

Documents