陳志鵬

（鄭州城市職業(yè)學(xué)院圖書館，河南 鄭州 452370）

生物數(shù)據(jù)結(jié)構(gòu)化淺析
——以FlyBase為例

陳志鵬

（鄭州城市職業(yè)學(xué)院圖書館，河南 鄭州 452370）

本文分析了生物數(shù)據(jù)結(jié)構(gòu)化面臨的責(zé)任和挑戰(zhàn)，并以FlyBase生物模型數(shù)據(jù)庫為例，介紹了FlyBase進(jìn)行生物數(shù)據(jù)結(jié)構(gòu)化處理的工作流程，最后對(duì)生物數(shù)據(jù)結(jié)構(gòu)化工作的開展進(jìn)行了總結(jié)和展望。

生物數(shù)據(jù)結(jié)構(gòu)化；生物信息學(xué)；生物模型數(shù)據(jù)庫

隨著互聯(lián)網(wǎng)Web2.0和云技術(shù)的發(fā)展、普及，互聯(lián)網(wǎng)數(shù)據(jù)信息在原有快速增長的基礎(chǔ)上又有了指數(shù)級(jí)別的激增。同時(shí)，生物信息學(xué)、基因遺傳學(xué)科技的突飛猛進(jìn)，也帶動(dòng)了相關(guān)醫(yī)學(xué)研究領(lǐng)域的發(fā)展，醫(yī)學(xué)文獻(xiàn)增長位居各學(xué)科之首。截止2008年7月，PubMed已經(jīng)擁有1.8億篇文獻(xiàn)[1]。研究人員面對(duì)如此龐大的數(shù)據(jù)，如何從上億篇文獻(xiàn)中快速、準(zhǔn)確地找到有價(jià)值的信息，是一個(gè)亟待解決的難題。2008年，《Nature》雜志在“Big data:The future of biocuration”一文中提出了“Biocuration（生物數(shù)據(jù)結(jié)構(gòu)化）”的概念，提出利用數(shù)據(jù)結(jié)構(gòu)化處理，對(duì)生物學(xué)信息進(jìn)行組織、表述和轉(zhuǎn)換，從而讓研究人員和計(jì)算機(jī)軟件可以方便的獲取相關(guān)信息[1]。雖然在線數(shù)據(jù)庫已經(jīng)成為科研人員收集信息，獲取前沿資訊和發(fā)表研究成果的重要途徑，但現(xiàn)在生物數(shù)據(jù)進(jìn)行結(jié)構(gòu)化管理的速度卻遠(yuǎn)遠(yuǎn)滯后于數(shù)據(jù)產(chǎn)生的速度。國外的生物學(xué)數(shù)據(jù)庫種類眾多，大大超過了國內(nèi)的數(shù)據(jù)庫數(shù)量。比如像FlyBase，WormBase和Mouse Genome Informatics等通用生物模型數(shù)據(jù)庫（同類型數(shù)據(jù)庫超過20個(gè)）；像GenBank，UniProt和Protein Data Bank這樣的基因序列數(shù)據(jù)庫；還有諸如PubMed這樣的生物書目數(shù)據(jù)庫等。另外，國外還有上百個(gè)實(shí)驗(yàn)驅(qū)動(dòng)型，特定主題的小型數(shù)據(jù)庫，包括BioGRID，F(xiàn)lyExpress和Homophila等等[2]。

在線數(shù)據(jù)庫的種類和數(shù)量如此龐大，科研人員如果想快速、準(zhǔn)確地獲取相關(guān)信息，就必須對(duì)這些生物數(shù)據(jù)進(jìn)行結(jié)構(gòu)化處理。生物數(shù)據(jù)結(jié)構(gòu)化處理自產(chǎn)生以來，一直隨著生物科技的發(fā)展和生物數(shù)據(jù)量的增長，不斷發(fā)展變化。

1 生物數(shù)據(jù)結(jié)構(gòu)化的責(zé)任與挑戰(zhàn)

1.1 生物數(shù)據(jù)結(jié)構(gòu)化的目的。生物數(shù)據(jù)結(jié)構(gòu)化的主要目的是從浩如煙海、不斷增長的生物學(xué)信息中發(fā)現(xiàn)、收集數(shù)據(jù)，分析、提取出有價(jià)值的信息，并以標(biāo)準(zhǔn)的格式進(jìn)行整合、表述，最后以統(tǒng)一的檢索入口提供給各行各業(yè)的用戶，從而讓科研人員可以很容易地從各種復(fù)雜的生物學(xué)信息中找到他們所需要的內(nèi)容。對(duì)于FlyBase這樣的生物模型數(shù)據(jù)庫，生物數(shù)據(jù)結(jié)構(gòu)化的工作主要包括標(biāo)識(shí)相關(guān)生物學(xué)文獻(xiàn)，利用語料庫對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化轉(zhuǎn)換，方便檢索，并與數(shù)據(jù)庫和網(wǎng)站開發(fā)人員一起合作，保證所有生物數(shù)據(jù)的可用性。

1.2 生物數(shù)據(jù)結(jié)構(gòu)化的挑戰(zhàn)。近年來，生物學(xué)研究日新月異，新的研究方法不斷涌現(xiàn)，因此生物數(shù)據(jù)結(jié)構(gòu)化工作也必須與之相適應(yīng)。每年不光生物學(xué)數(shù)據(jù)量增長迅猛，數(shù)據(jù)的格式和種類也在不斷豐富，這給生物數(shù)據(jù)結(jié)構(gòu)化帶來前所未有的挑戰(zhàn)。如果一直處理以前已經(jīng)非常熟悉，理解透徹的生物學(xué)數(shù)據(jù)相對(duì)容易。因?yàn)榻?jīng)過長時(shí)間的經(jīng)驗(yàn)積累，已建立起一套成熟的數(shù)據(jù)處理流程，但對(duì)于新產(chǎn)生的生物學(xué)數(shù)據(jù)來說，要充分理解數(shù)據(jù)內(nèi)容，建立相應(yīng)的數(shù)據(jù)庫結(jié)構(gòu)并開發(fā)數(shù)據(jù)結(jié)構(gòu)化協(xié)議，會(huì)成倍地增加工作量，使數(shù)據(jù)結(jié)構(gòu)化工作就變得異常困難。雖然很多數(shù)據(jù)庫都在想辦法用程序來解決一部分?jǐn)?shù)據(jù)結(jié)構(gòu)化處理的問題，比如用文本挖掘技術(shù)或其他軟件技術(shù)從文獻(xiàn)中自動(dòng)提取元數(shù)據(jù)，但現(xiàn)在的數(shù)據(jù)結(jié)構(gòu)化處理工作主要還得靠生物學(xué)專家來完成。尤其對(duì)于像FlyBase這樣的生物模型數(shù)據(jù)庫，文本挖掘工具有時(shí)候甚至?xí)?yán)重影響數(shù)據(jù)的結(jié)構(gòu)化處理。比如很多的基因名稱中包含了太多的常用詞，即使是一些很簡單的基因名稱標(biāo)識(shí)工作都很難用文本挖掘工具來完成。當(dāng)然，生物數(shù)據(jù)結(jié)構(gòu)化處理工作的挑戰(zhàn)，除了軟件原因以外，還會(huì)遇到很多人為因素的影響。一般情況下，生物數(shù)據(jù)結(jié)構(gòu)化專家必須與文獻(xiàn)作者合作，花費(fèi)大量精力才能快速、準(zhǔn)確地發(fā)現(xiàn)文獻(xiàn)中的基因?qū)ο螅ū热缁?、等位基因和重組基因）和實(shí)驗(yàn)結(jié)果。但如果文獻(xiàn)作者沒有提供標(biāo)準(zhǔn)的統(tǒng)一標(biāo)識(shí)符，或者文獻(xiàn)中的相關(guān)信息不完整，就會(huì)導(dǎo)致很多有價(jià)值的數(shù)據(jù)無法被結(jié)構(gòu)化處理，也就沒辦法在數(shù)據(jù)庫中提供使用。這同樣會(huì)導(dǎo)致生物數(shù)據(jù)結(jié)構(gòu)化工作效率降低，速度異常緩慢。

2 FlyBase的數(shù)據(jù)結(jié)構(gòu)化流程

FlyBase數(shù)據(jù)庫主要收錄與果蠅研究相關(guān)的數(shù)據(jù)，它把表型數(shù)據(jù)，分子數(shù)據(jù)和基因數(shù)據(jù)進(jìn)行整合，為用戶提供統(tǒng)一的檢索入口。FlyBase的數(shù)據(jù)結(jié)構(gòu)化過程主要是以標(biāo)準(zhǔn)化的方法從文獻(xiàn)中提取相關(guān)信息，并將其與數(shù)據(jù)庫中已有的數(shù)據(jù)進(jìn)行融合（見圖1）。最終目的是在數(shù)據(jù)結(jié)構(gòu)化過程中發(fā)現(xiàn)生物實(shí)驗(yàn)中使用的基因和分子對(duì)象，并將其與實(shí)驗(yàn)結(jié)果建立關(guān)聯(lián)，為用戶提供不同的數(shù)據(jù)庫檢索途徑。

2.1 數(shù)據(jù)瀏覽與分類。生物數(shù)據(jù)結(jié)構(gòu)化的第一步是對(duì)相關(guān)數(shù)據(jù)進(jìn)行標(biāo)識(shí)。據(jù)估計(jì)，每年發(fā)表的與果蠅研究相關(guān)的論文大約有2000多篇。因此FlyBase要對(duì)所有文獻(xiàn)進(jìn)行瀏覽和分類，首先通過瀏覽確定文章中主要的基因研究對(duì)象，建立索引，方便以后按基因種類對(duì)文章進(jìn)行分類；與此同時(shí)，還要發(fā)現(xiàn)文章中需要進(jìn)行結(jié)構(gòu)化處理的關(guān)鍵性數(shù)據(jù)，并按照重要程度進(jìn)行標(biāo)識(shí)，確保用戶感興趣的信息不被忽略。通過以上兩步，F(xiàn)lyBase對(duì)文獻(xiàn)進(jìn)行了基礎(chǔ)的結(jié)構(gòu)化處理，并建立一個(gè)基本框架，為以后的進(jìn)一步結(jié)構(gòu)化處理工作做好準(zhǔn)備。

2.2 數(shù)據(jù)結(jié)構(gòu)化處理。在對(duì)文檔進(jìn)行瀏覽和分類后，工作人員接下來要從文獻(xiàn)的研究成果（文本，圖表和數(shù)字）中提取出表型數(shù)據(jù)，等位基因數(shù)據(jù)，基因本體術(shù)語，基因模型更改數(shù)據(jù)，基因相互作用數(shù)據(jù)和基因表達(dá)模式數(shù)據(jù)等。FlyBase已將數(shù)據(jù)庫中約57%文獻(xiàn)進(jìn)行了上述關(guān)鍵數(shù)據(jù)的提取和結(jié)構(gòu)化工作。

圖 1 FlyBase數(shù)據(jù)結(jié)構(gòu)化流程圖

當(dāng)數(shù)據(jù)提取工作完成后，下一步要用結(jié)構(gòu)化的受控詞表統(tǒng)一對(duì)數(shù)據(jù)進(jìn)行表述和記錄，最終形成基因本體（Gene Ontolo?gy）。FlyBase通過這種方法，保證數(shù)據(jù)庫內(nèi)的信息能及時(shí)進(jìn)行結(jié)構(gòu)化，并為不同用戶提供跨數(shù)據(jù)庫、跨平臺(tái)的一站式檢索。FlyBase把受控詞表嵌入了他們的檢索工具 QueryBuilder和 TermLink之中[3]。

2.3 數(shù)據(jù)表述。FlyBase生物數(shù)據(jù)結(jié)構(gòu)化的最后一步是通過對(duì)結(jié)構(gòu)化數(shù)據(jù)的重新表述，保證其可用性。新處理的結(jié)構(gòu)化數(shù)據(jù)必須與已有的數(shù)據(jù)進(jìn)行整合，使其清晰易懂，才能體現(xiàn)其價(jià)值?，F(xiàn)在，F(xiàn)lyBase的數(shù)據(jù)結(jié)構(gòu)化管理員每天都要與網(wǎng)站的開發(fā)人員不斷溝通，從而確保經(jīng)過結(jié)構(gòu)化處理后的數(shù)據(jù)能以專業(yè)和清晰的方式出現(xiàn)在網(wǎng)站上，供科研人員使用。另外，F(xiàn)lyBase還與數(shù)據(jù)庫設(shè)計(jì)人員一道緊密協(xié)作，開發(fā)出各種檢索工具，方便研究人員從數(shù)據(jù)庫中檢索和下載數(shù)據(jù)。FlyBase的許多數(shù)據(jù)結(jié)構(gòu)化管理員都是生物學(xué)專家，并且經(jīng)常使用FlyBase數(shù)據(jù)庫進(jìn)行生物學(xué)研究，因此他們在開發(fā)網(wǎng)站和檢索工具時(shí)，會(huì)充分從用戶角度出發(fā)，為用戶提供專業(yè)、高效的服務(wù)。

3 生物數(shù)據(jù)結(jié)構(gòu)化展望

由于生物數(shù)據(jù)結(jié)構(gòu)化對(duì)數(shù)據(jù)的準(zhǔn)確性和效率要求非常高，現(xiàn)在的工作大多由生物學(xué)科研人員來完成，生物數(shù)據(jù)結(jié)構(gòu)化要成為一種職業(yè)還不成熟。但最近，生物數(shù)據(jù)結(jié)構(gòu)化人員已經(jīng)開始組織、建立國際生物數(shù)據(jù)結(jié)構(gòu)化聯(lián)盟（ISB），以促進(jìn)生物數(shù)據(jù)結(jié)構(gòu)化工作成為一種專業(yè)的職業(yè)。

目前，生物學(xué)比以往任何時(shí)候的發(fā)展速度都要快，相關(guān)的生物學(xué)數(shù)據(jù)也以史無前例的速度在不斷增長。生物數(shù)據(jù)結(jié)構(gòu)化工作人員的工作目標(biāo)就是厘清數(shù)據(jù)洪流，對(duì)數(shù)據(jù)進(jìn)行分類、關(guān)聯(lián)、解釋和排序，讓科研人員能從不斷出現(xiàn)的數(shù)據(jù)中發(fā)現(xiàn)自己需要的、有價(jià)值的信息。生物數(shù)據(jù)結(jié)構(gòu)化人員不但要獨(dú)立進(jìn)行研究，而且還要經(jīng)常參加會(huì)議，共同討論、攜手合作，解決各種數(shù)據(jù)結(jié)構(gòu)化過程中出現(xiàn)的問題，開發(fā)新的數(shù)據(jù)集，每天都要竭盡全力去發(fā)現(xiàn)新方法，整合各種各樣的數(shù)據(jù)類型，開發(fā)新的檢索工具，讓生物數(shù)據(jù)結(jié)構(gòu)化處理的速度適應(yīng)生物學(xué)學(xué)科的發(fā)展。這是一項(xiàng)艱巨而偉大的工作，同時(shí)也充滿了樂趣和挑戰(zhàn)。

TP311

A

1671-0037（2014）07-59-1.5

10.1038/ 455047a.

陳志鵬（1977-），男，碩士研究生，館員，研究方向:網(wǎng)絡(luò)信息資源建設(shè)。

[2]Evolution of genes and genomes on the Drosophila phyloge?ny.Nature 2007；4 50:203-18.

[3]Tweedie S，Ashburner M，F(xiàn)alls K，Leyland P，McQuil?ton P，Marygold S，et al.FlyBase:enhancing Drosophila Gene On?tology annotations.Nucleic Acids Res 2009；37:555-9.