Tecnologie bioinformatiche

Transcript

1 Tecnologie bioinformatiche Paolo Romano Istituto Nazionale per la Ricerca sul Cancro skype: p.romano)

2 Sommario Ontologie dei dati Integrazione dati in biologia Automazione delle procedure in rete Workflow management systems Per approfondimenti, contattatemi 2

3 Ontologie Un ontologia è la specificazione formale della conoscenza di un determinato ambito, usalmente ristretto. Un ontologia consiste di: una serie di concetti, un vocabolario controllato per esprimerli, le relazioni tra di essi. Un ontologia può essere utilizzata per: aggiungere contenuto semantico a un database, migliorare l accesso ai dati, facilitare l integrazione dei dati. Consente al ricercatore di comprendere il significato assegnato ai dati anche senza competenze informatiche. 3

4 Open Biomedical Ontologies Open Biomedical Ontologies (OBO) Foundry Un incubatore per lo sviluppo coordinato di ontologie biomediche L obiettivo è la definizione di un insieme omogeneo di ontologie (di alta qualità) interoperanti, cioé in grado di consentire un efficace interoperabilità dei sistemi informativi che le utilizzano Sono definite utilizzando l OBO language 4

5 Alcune delle ontologie Ontologie base Gene Ontology (GO), MGED Ontology (MO) Ontologie nate come sviluppo di quelle base Cell Ontology (CO), Ontology for Biomedical Investigations (OBI) Ontologie upper-level (concetti chiave, riusabili) Foundational Model of Anatomy (FMA) Galen Bio Upper Ontology Ontologie pensate per sviluppi futuri Phenotype, Attribute and Trait Ontology (PATO) Clinical Bioinformatics Ontology (CBO) 5

6 Un esperimento Predizione della struttura di una proteina per omologia 6

7 Requisiti In un analisi svolta dai ricercatori, è necessario che sappiano: Quali servizi usare e come usarli In quale ordine usarli Come trasferire dati tra servizi Come conciliare la semantica dei servizi In un analisi automatizzata, è richiesta una conoscenza simile: trovare il tipo di servizio necessario per uno specifico task (e.g. allineamento sequenze, recupero di struttura di proteina) trovare le implementazioni reali (istanze) di quel servizio (e.g. BLAST, fornito da NCBI) comporre questi servizi per ottenere un insieme dinamico di servizi che svolga il task (workflows). Una ontologia può consentire di descrivere, ricercare e comporre i servizi fornendo concetti relativi a tipo di elaborazione e tipo di dati 7

8 BioMoby BioMoby fornisce un framework per l interoperabilità che definisce: Un ontologia di domini (Namespace Ontology) Un ontologia dei tipi di dati (Data Type Ontology) Un ontologia per i servizi (Service Ontology) Le ontologie sono aggiornabili dall utente (end-userextensible), pubbliche e in continua evoluzione. Il framework include anche: Un Web Service registry (MOBY Central), nel quale i servizi sono descritti e possono essere scoperti tramite le ontologie Una Web Service message structure, che specifica il linguaggio che consente la comunicazione tra servizi, client e registri 8

9 MOBY protocol Gordon P, Sensen C, Seahawk: moving beyond HTML in Web-based bioinformatics analysis 9

10 Namespace Ontology Q: Di quali dati parliamo? La Namespace Ontology consente la contestualizzazione degli identificatori dei database biomedici definendo namespaces validi. Consiste in un vocabolario controllato con ca. 300 termini, quali: KEGG_ID (KEGG record), NCBI_gi (GenBank records), GO (Gene Ontology records) La combinazione di un namespace e di un ID per un BioMoby Object ne rappresenta uno unique identifier 10

11 Data Type Ontology Q: Come è rappresentato il dato? La Data Type Ontology consente di rappresentare tipi di dati in maniera ben definita (well-defined). Consente anche la trasformazione automatica dei dati in formati diversi e il parsing necessario per estrarre le informazioni da tipi di dati complessi Consiste in una gerarchia is-a, con due relazioni: has-a (cardinalità uno) e has (cardinalità zero o più ). Gli elementi dell ontologia hanno tre proprietà: namespace (un termine della relativa ontology), id (identificativo di record), articlename (semantica della relazione verso l oggetto). Questa ontologia consiste di più di 300 diverse definizioni, compresi molti formati di uso comune 11

12 Creazione di nuovi oggetti 12

13 Service Ontology La Service Ontology consente di raggruppare in categorie i tool bioinformatici La Service Ontology è una gerarchia is-a che definisce i tipi di analisi dei dati; ad esempio, comprende: Retrieval (recupero di record da un db), Parsing (estrazione di informazioni da formati noti), Conversion (conversioni di formatoper tipi di dati noti). L utilizzo di sotto-classi consente di definire i tipi di analisi a diversi livelli di precisione. E.g., Analysis ha una sotto-classe Pairwise Sequence Comparison. 13 Q: Cosa posso fare con questi dati?

14 Ontologie BioMOBY 14

15 BioMOBY Reference Wilkinson MD, Links M, BioMOBY: An open source biological web services proposal, Briefings in Bioinformatics, 2002, 3(4): Kawas E, Senger M, Wilkinson MD, BioMoby extensions to the Taverna workflow management and enactment software, BMC Bioinformatics 2006, 7:523 BioMOBY web site: MOBY Dashboard: 15

16 Obiettivi dell integrazione L integrazione dei dati e l automazione dei processi sono necessari per: o Ottenere una visione complessiva e più precisa di tutte le informazioni disponibili o Eseguire automaticamente interrogazioni e/o analisi che coinvolgono più database e software Eseguire con efficienza analisi che coinvolgono grosse quantità di dati o o Realizzare un effettivo data mining 16

17 Integrazione: longevità L integrazione necessita di stabilità: o o o o Buona conoscenza e comprensione del dominio Buona definizione dei dati Standardizzazione Obiettivi ben definiti L integrazione teme: o o o o o o Incertezza nella comprensione del dominio Eterogeneità dei dati e dei sistemi Specializzazione dei dati Rapida evoluzione dei dati Spontaneità, sperimentalismo Mancanza di obiettivi predefiniti 17

18 Specificità dell integrazione o o o o Una pre-analisi delle informazioni è impossibile: dati e conoscenze cambiano frequentemente e rapidamente La complessità delle informazioni non permette di creare modelli validi in diversi ambiti e nel tempo La disponibilità di strumenti assestati riduce le possibilità di implementare standard comuni Le esigenze e gli obiettivi di ricerca evolvono rapidamente, seguendo le nuove acquisizioni e teorie Strumenti tradizionali (data warehouse, software di integrazione SRS) pongono problemi: dimensione, aggiornamento, struttura variabile L integrazione deve essere sviluppata con sistemi flessibili, adattabili ed espandibili 18 In ambito biologico:

19 Integrazione dati L automazione dei processi di integrazione e d analisi dati si ottiene o o o o o o o Creando modelli dati condivisi degli oggetti biologici Definendo linguaggi XML con vocabolari controllati (schema definito) Memorizzando i dati nei formati XML Utilizzando Web Services per lo scambio dei dati tra software Caratterizzando i dati e le analisi tramite un ontologia dei dati e dei task bioinformatici Codificando i processi d analisi sotto forma di workflow Creando portali user-friendly per l utilizzo più ampio possibile dei workflow 19

20 XML (extensible Markup Language) Linguaggio Markup estensibile: o o o Supera limiti HTML (orientato all impaginazione) Semplice definizione e implementazione nuovi documenti tramite Document Type Definitions (DTDs) Modulare, nuovi DTD possono utilizzare i precedenti Utilizzabile da applicazioni software: o o o o Corretto (Well formed, conforme allo standard XML) Valido (conforme al DTD) Definizioni standardizzate (namespaces) Analisi sintattica ed estrazione dati automatiche 20

21 AA standard; RNA; EST; 337 BP. AA415057; AA OCT-1997 (Rel. 53, Created) 14-DEC-1999 (Rel. 62, Last updated, Version 2) Mg0001 RCW Lambda Zap Express Library Pyricularia grisea cdna clone RCW1 5', mrna sequence. EST. Magnaporthe grisea Eukaryota; Fungi; Ascomycota; Pezizomycotina; Sordariomycetes; Sordariomycetes incertae sedis; Magnaporthaceae; Magnaporthe. [1] Wu S.-C., Bernstein B.D., Darvill A.G., Albersheim P.; "Expressed sequence tags of the rice blast fungus grown on rice cell walls"; Unpublished. UNILIB; 863; 863. Contact: Sheng-Cheng Wu CCRC University of Georgia 220 Riverbend Road, Athens, GA , USA Tel: Fax: Seq primer: T3. ID AC SV DT DT DE DE KW OS OC OC RN RP RA RT RT RL DR CC CC CC CC CC CC CC CC 21

22 Key Location/Qualifiers source /db_xref="taxon:148305" /db_xref="unilib:863" /note="vector: Lambda Zap; Messenger RNAs prepared from Magnaporthe grisea grown at 23C in the dark with constant gyratory shaking (100 rpm) in Vogel's medium containing 0.5% isolated rice cell walls as the sole carbon source" /organism="magnaporthe grisea" /strain="cp987" /clone="rcw1" /clone_lib="rcw Lambda Zap Express Library" /tissue_type="mycelium" /dev_stage="day 5 post-inoculation" Sequence 337 BP; 56 A; 111 C; 74 ctttttcaat cagcccgaga actcctggtt tcatcgcata gcccgttctt tggttccaga caactctttc aaaatggtat tattagcctc ccttgcttca cgctctcgag cttttcagag caccgctcgc ggccagggca aatccacaac aagcaggttg ttgtcgactg gttcgccctt G; 96 T; 0 gggttttctg taccacaagc ctcacgatcc cagtgctgct tctcctgagg tcgtatt other; cctgttctga ctgggacatt ctcgcgcgtt tcccgttccc cccgcggccg cagctacttg gatttcccag cgcttggtcc tctcgactgc ccacgaggac // 22 FH FH FT FT FT FT FT FT FT FT FT FT FT FT FT XX SQ

23 <!ELEMENT interpro (name, type, examplelist, memberlist, publist, parlist*, chlist*, seclist*, abstract)> name (#PCDATA)> type (#PCDATA)> abstract (#PCDATA cite dbxref sub sup p li i ol reaction pre)*> examplelist (example*)> example (#PCDATA protein dbxref cite)*> publist (publication*)> memberlist (dbxref*)> protein (#PCDATA protein)*> <!ATTLIST interpro id <!ATTLIST dbxref db dbkey name <!ATTLIST protein sptr_ac status start end ID #REQUIRED> CDATA #IMPLIED CDATA #IMPLIED CDATA #IMPLIED> DTD per Interpro CDATA #REQUIRED (? T P F N) #IMPLIED CDATA #IMPLIED CDATA #IMPLIED> 23 <!ELEMENT <!ELEMENT <!ELEMENT <!ELEMENT <!ELEMENT <!ELEMENT <!ELEMENT <!ELEMENT

24 <interpro id="ipr000002"> Record Interpro XML <name>fizzy/cdc20 domain</name> <type>domain</type> <abstract> This domain is found in proteins </abstract> <examplelist> <example> <protein sptr_ac="q12834" />Mammalian protein, p55cdc </example> <example> <protein sptr_ac="q09649" /> </example> </examplelist> <publist> <publication pub_id="pub "> <authorlist>shirayama M., Toth A., Galova M., Nasmyth K.</authorlist> <title>apc(cdc20) promotes exit from mitosis by </title> <dbxref db="medline" dbkey=" " /> <journal>nature</journal> <location firstpage="203" lastpage="207" volume="402" /> <year>1999</year> </publication> </publist> <memberlist> <dbxref db="prefile" dbkey="ps50218" name="fizzy_domain" /> <dbxref db="prodom" dbkey="pd004563" name="pd004563" /> </memberlist> </interpro> 24

25 Linguaggi XML in biologia Sequenze Bioinformatic Sequence Markup Language (BSML) Agave Proteine (SPML) NCBI outputs (BlastXML) Microarray (MAGE-ML) Systems Biology Markup Language (SBML) Variabilità individuale Biological Variation Markup Language (BVML) 25

26 Web Services Interfacce programmatiche (API) per l accesso a servizi di rete basate su XML e protocolli standard di trasporto (HTTP, SOAP) Consentono alle applicazioni di accedere ai dati in maniera intelligente: individuazione dei contenuti e comprensione semantica Sono disponibili standard per la loro descrizione (WSDL), identificazione (UDDI) e composizione (WSFL) Utilizzano dati identificativi e descrittivi delle informazioni e dei servizi offerti (metadata) 26

27 WSDL: descrivere il WS Web Services Description Language (WSDL) Standard per la descrizione dei Web Services Comprende dettagli per l accesso concreti: localizzazione e modalità di accesso Comprende funzionalità astratte Implementazioni di WSDL per: SOAP, HTTP, MIME 27

28 UDDI: Registrare i servizi Universal Description, Discovery and Integration (UDDI) Realizzazione di un framework per la descrizione dei Web Services, indipendente da HW e SW Consente la creazione di registri di Web Services Basato su standard World Wide Web Consortium (W3C) and Internet Engineering Task Force (IETF) Esistono alternative: biomoby 28

29 WSFL: Comporre servizi complessi Web Services Flow Language (WSFL) Consente di descrivere insiemi di web services Flow models: specifica come utilizzare un insieme di web services per raggiungere un certo obiettivo Global models: descrive le interazioni tra più web services e il comportamento globale di un insieme Recursive composition: ogni model (flow o global) è un nuovo Web Service e può rientrare in altri modelli Esistono alternative: WSCDL (Web Services Choreography Description Language) Scufl (Simple Conceptual Unified Flow Language) XPDL (XML Processes Description Language) 29

30 Web Services in bioinformatica EMBOSS, XEMBL, Interpro (EBI) eutils (NCBI) cabio (NCICB) KEGG API GeneCruiser, Biosphere (microarray) SIMAP (proteine) Cataloghi CABRI (risorse biologiche) Mutazioni TP53 SoapLab (tool per sviluppare WS) BioMOBY (WS registry) 30

31 CABRI Common Access to Biological Resources and Information Obiettivi Distribuzione di materiali biologici di qualità Linee Guida per la conservazione del materiale Cataloghi integrati tramite SRS Shopping cart Partners 12 CRB europei, 28 collezioni + IST Materiali Microrganismi (Batteri, lieviti, funghi filiformi) Linee cellulari animali e umane, ibridomi, linee B tip. HLA Plasmidi, fagi, virus, sonde DNA Complessivamente più di risorse 31

32 IARC TP53 database IARC TP53 Mutation Database Release 9: 19,809 mutazioni somatiche, 1,769 articoli Informazioni: mutazione, materiale, stile di vita Vocabolari e annotazioni standard Ricerche on-line richiedono interazione Implementazione SRS del database IARC TP53 Basato su SRS Definizione di un DTD ad-hoc Trasferimento dati basato su XML Accesso programmatico semplificato 32

33 Web Services per CABRI e TP53 Riproducendo il comportamento attuale: Ricerca per nome, identificatore e a testo libero (CABRI) Ricerca per funzioni e proprietà (TP53) Combinare risultati Integrare I dati con altri sorgenti tramite ID o termini comuni Due tipologie di Service: Ricerca per una specifica proprietà e restituzione degli ID Ricerca per ID e restituzione del record completo 33 Implementare Web Services che consentano: L accesso ai database CABRI e TP53 tramite i siti SRS La possibilità di includere questi task in workflow complessi

34 Soaplab: SOAP-based Analysis Web Service Soaplab is a set of Web Services providing a programatic access to some applications on remote computers. It is often referred to as an Analysis (Web) Service (Martin Senger, EBI). Consente di implementare Web Services in grado di accedere a: Applicazioni locali eseguibili con command-line Applicazioni presenti in EMBOSS Contenuto di qualunque pagina Web (GowLab) Requisiti Apache Tomcat servlet engine, Axis SOAP toolkit, Java perl, mysql 34

35 Soaplab 35

36 Soaplab: getcelllineidsbyname appl: getcelllineidsbyname [ documentation: "Get cell lines by name from CABRI human and animal cell lines catalogues (see groups: "CABRI" nonemboss: "Y" comment: "launcher get" supplier: " comment: "method [{$libs}-nam:'$name'] -ascii ] string: libs [ parameter: "Y ] string: name [ parameter: "Y ] outfile: result [ ] 36

37 Soaplab: getcelllinesbyid appl: getcelllinesbyid [ documentation: "Get cell lines by Id from CABRI human and animal cell lines catalogues (see groups: "CABRI" nonemboss: "Y" comment: "launcher get" supplier: " comment: "method -e [{$libs}:'$id'] -ascii" ] string: libs [ parameter: "Y ] string: id [ parameter: "Y ] outfile: result [ ] 37

38 Web Services CABRI Involved catalogues Input Output getbacteriaidsbyname Bacteria strains lib(s), name id(s) getbacteriaidsbyproperty Bacteria strains lib(s), text id(s) getbacteriabyid Bacteria strains id full record getfungiidsbyname Filamentous fungi strains lib(s), name id(s) getfungiidsbyproperty Filamentous fungi strains lib(s), text id(s) getfungibyid Filamentous fungi strains id full record getyeastidsbyname Yeasts strains lib(s), name id(s) getyeastidsbyproperty Yeasts strains lib(s), text id(s) getyeastsbyid Yeasts strains id full record getplasmididsbyname Plasmids lib(s), name id(s) getplasmididsbyproperty Plasmids lib(s), text id(s) getplasmidsbyid Plasmids id full record getphageidsbyname Phages lib(s), name id(s) getphageidsbyproperty Phages lib(s), text id(s) getphagesbyid Phages id full record getcelllinesidsbyname Human and animal cell lines lib(s), name id(s) getcelllinesidsbyproperty Human and animal cell lines lib(s), text id(s) getcelllinesbyid Human and animal cell lines id full record getresourceidsbyname All lib(s), name id(s) getresourcesbyid All id full record Web Service Name 38

39 Web Services TP53 Input Output getp53mutationsbyproperty lib, text Full record getp53mutationsbyids Id Full record getp53mutationidsbytype lib, mutation type id(s) getp53mutationidsbyeffect lib, effect id(s) getp53mutationidsbyexon lib, exon number id(s) getp53mutationidsbyintron lib, intron number id(s) getp53mutationidsbycodonnumber lib, codon number id(s) getp53mutationidsbycpgsite lib, cpg site (true/false) id(s) getp53mutationidsbysplicesite lib splice site (true/false) id(s) getp53mutationidsbymetastasislocalization lib, metastasis localization (organ) id(s) getp53mutationidsbytumororigin id(s) lib, origin (primary, secondary, ) Web Service Name 39

40 Workflow Obiettivo: implementazione di processi di analisi dei dati in ambienti standardizzati Vantaggi principali: efficienza: in quanto procedura automatica, libera il ricercatore dai compiti ripetitivi sul web e contribuisce a una good practice, reproducibilità: le analisi possono essere ripetute nel tempo, riuso: I risultati intermedi possono essere riutilizzati, tracciabilità: il workflow è eseguito in un ambiente trasparente nel quale la provenienza dei dati può essere verificata a posteriori. 40 A computerized facilitation or automation of a business process, in whole or part". (Workflow Management Coalition)

41 Workflow per database CABRI 41

42 Workflow per database TP53 42

43 Workflow management systems Gestione di workflow per applicazioni bioinformatiche: Biopipe, un add-on per bioperl GPipe, una estensione dell interfaccia Pise Taverna (EBI), una componente della piattaforma mygrid Pegasys (University of British Columbia) EGene (Universidade de São Paulo) Wildfire (Bioinformatics Institute, Singapore) Pipeline Pilot (SciTegic) BioWBI, Bioinformatic Workflow Builder Interface, di IBM Richiedono una notevole conoscenza dei sistemi coinvolti e competenze e tempo per lo sviluppo dei workflow. 43

44 Workflow management systems Tipologia Stand-alone Libreria software Linguaggio XML XScufl Pipeline XML Disponibilità Open source Open source URL ProGenGrid Stand-alone NA NA DiscoveryNet Kepler GPipe Stand-alone Stand-alone Interfaccia Web, servizi locali Stand-alone Interfaccia Web, servizi remoti Portale DPML MoML GPipe XML Commercial Open source Open source NA XPDL Open source Public use XScufl XPDL Proprietary Open source Commerciale Pegasys DAG GEL Triana Workflow Language Proprietary WSFL e XScufl NA Open source Open source Open source -star.edu.sg/wildfire/ Commercial Open source Open source EGene BioWMS BioWEP BioWBI Pegasys Wildfire Triana Interfaccia Web, servizi locali Stand-alone Stand-alone Stand-alone Pipeline Pilot FreeFluo Biomake Stand-alone Libreria software Libreria software Software Taverna Workbench Biopipe Presentano diverse tipologie e utilizzano diversi standard 44

45 Workflow management: Taverna Taverna Workbench consente di costruire workflow per analisi complesse accedere a processori sia remoti che locali definire processori alternativi eseguire i workflow visualizzare i risultati in diversi formati descrivere i dati bioinformatici tramite un ontologia Requirements: java, Windows or Linux Open source: Current version: (Taverna 2.0 in beta) 45

46 Taverna: processori disponibili Web Services descritti tramite WSDL Mette a disposizione i servizi descritti Web Services accessibili tramite server Soaplab Mette a disposizione i servizi forniti da server Soaplab Registri BioMOBY Interagisce con un MOBY Central repository per accedere ai servizi registrati Workflow Incorpora interi workflow definiti con Scufl o aggiunge singoli processori Biomart Interagisce con database Biomart per comporre query ed estrarre dati SeqHound Interroga SeqHound (Sequence and Structure Database Management System), un insieme di Web Services basati sul modello dati NCBI, e accede a informazioni di sequenza e struttura Processori locali Funzioni Java in grado di elaborare liste e stringhe, definire valori costanti, eseguire semplici elaborazioni, leggere e scrivere file. È anche possibile scrivere propri script con beanshell 46

47 Taverna: GUI La Graphical User Interface (GUI) comprende: Advanced Model Explorer (AME) Workflow diagram Available services Run workflow Enactor invocation Opzioni: default services, workflow editor, debug Feature extra: FETA search engine 47

48 48

49 49

50 50

51 51

52 52

53 53

54 54

55 55

56 56

57 57

58 58

59 59

60 60

61 61

62 62

63 63

64 64

65 65

66 66

67 67

68 68

69 69

70 70

71 71

72 72

73 73

74 74

75 75

76 76

77 Taverna references Oinn T, Addis M, Ferris J, Marvin D, Senger M, Greenwood M, Carver T, Glover K, Pocock MR, Wipat A, Li P, Taverna: a tool for the composition and enactment of bioinformatics workflows, Bioinformatics 2004, 20(17): Radetzki U, Leser U, Schulze-Rauschenbach SC, Zimmermann J, Lüssem J, Bode T, Cremers AB, Adapters, shims, and glue service interoperability for in silico experiments, Bioinformatics 2006, 22(9): Taverna web site: 77

78 WfMS: problemi Network issues Quality of Service Availability / Access restrictions Speed / Timeouts Practical issues Long running jobs -> timeouts / time limits Huge data I/O -> timeouts / time limits Access to Grid networks & services Human interactions Data reuse / data caching Heterogeneity of WS, complexity of WS I/O Heterogeneity of data -> shims, adapters (format conversions), data manipulation Some solutions? Scheduling: job IDs, monitoring execution Reference data models Semantic Web Services 78

79 Portals: list of requirements Workflow repository Workflow run time environment Workflow edit, upload & download Semi-automatic workflow editing Reference repository Workflow search By type By authors By linked publications By services (ontology) Workflow description Annotation Tagging Peer reviewing, ratings Workflow execution Pre-run workflow diagnosis Automated process logging Data management Interactive workflows Taverna Portal Party, Manchester, September 28-29, 2006 (partial list) 79

80 biowep: obiettivi Workflow Enacment Portal for Bioinformatics Obiettivi del sistema: Mettere a disposizione di ricercatori non esperti un insieme predefinito di workflow (testati, validati, annotati, mantenuti) Consentire la ricerca e la selezione dei workflow sulla base di una loro annotazione basata su una semplice ontologia dei processori bioinformatici (dominio, task, i/o) e della tipologia dell utente (interessi e ruolo) Consentire l esecuzione interattiva dei workflow selezionati Consentire la memorizzazione e il recupero dei risultati dei workflow eseguiti 80

81 biowep: caratteristiche Il sistema: è scritto in java + javascript è parzialmente basato su software open source (Taverna WB, FreeFluo, Tomcat e mysql) accede a dati e analisi disponibili tramite Web Services può svolgere anche elaborazione locali archivia i workflow in formato Scufl o XPDL è distribuito free (licenza LGPL) Prototipo disponibile on-line: (sito supporto) (portale) 81

82 biowep: architettura 82

83 biowep: workflow e utenza I workflow sono: creati dall amministratore o inviati da utenti con Taverna o BioWMS archiviati in formato Scufl o XPDL aggiornati (workflow vs versione) annotati sulla base di un ontologia dei task in bioinformatica (dominio, task, dati I/O) Gli utenti: accedono in remoto al sistema sono registrati (accesso controllato) lavorano in un proprio ambiente (sessioni, risultati, wf) 83

84 Annotazione dei workflow I workflow sono annotati sulla base di: una semplice ontologia per processori bioinformatici: dominio applicativo task input e output l ontologia deriva da quella di Taverna: nuova struttura alcune aggiunte (biological resources, images, ) in via di ulteriore sviluppo e adattamento 84

85 Annotazione dei workflow Tipo di elaborazione Dato in input Dominio applicativo Dato in output 85

86 Registrazione e profilo utenti Gli utenti sono classificati in base a: ruolo ricoperto informatico / medico / ricercatore / paziente / giornalista / ambito di ricerca di interesse I workflow sono proposti sulla base di: ruolo / ambito di interesse precedenti esecuzioni 86

87 biowep 87

88 biowep 88

89 biowep 89

90 biowep 90

91 biowep 91

92 biowep 92

93 biowep 93

94 biowep 94

95 biowep 95

96 biowep 96

97 WfMS: Limiti e prospettive I WfMS sono una metodologia in grado di affrontare la data integration in biologia Come visto, hanno limitazioni: Astrazione nella definizione dei task Prestazioni dei processi automatizzati Riproducibilità delle analisi 97

98 WfMS: astrazione Ai ricercatori interessano i risultati scientifici. Progettare e implementare workflow, affrontare i problemi di accesso e compatibilità dei WS è per loro un peso La conoscenza dei WS, dei formati dei dati, e un minimo di competenza di programmazione restano necessari: le GUI non aiutano Un interfaccia semantica può invece aiutare se comprende: gestione dei metadati, annotazione dei WS e dei database, conversione automatica dei formati, ricerca e identificazione dei WS più appropriati per le necessità degli utenti, composizione automatica dei workflow. La miglior interfaccia dovrebbe consentire ai ricercatori di costruire i workflow decrivendo i processi d analisi in linguaggio (quasi) naturale. 98

99 WfMS: prestazioni I ricercatori vogliono i migliori risultati nel minor tempo possibile, a prescindere dal database, sito o supercomputer utilizzato (transparenza completa); per questo, sono utili: riuso dei risultati intermedi, policy per distribuzione dei task (limitare data transfer) metadati per descrivere i servizi selezione automatica dei migliori WS (più veloce, affidabile) I ricercatori non devono preoccuparsi dei problemi tecnici: elevato traffico di rete, crash di reti e siti; per questo, sono utili: trasparenza delle sorgenti informative, uso di servizi alternativi per le analisi critiche, capacità di identificare errori, ripetere analisi interrotte, sospendere l esecuzione e far ripartire i workflow interrotti 99

100 WfMS: riproducibilità delle analisi La ripetibilità degli esperimenti è un requisito fondamentale in biologia. Tracce delle esecuzioni devono essere conservate per consentirla. NB! Le analisi in-silico sono soggetete ai frequneti aggiornamenti e all evoluzione dei database. Una perfetta riproducibilità è molto difficile! La traccia deve includere i metadati relativi all esecuzione: informazioni ovvie (descrizione del workflow, input usati, software e siti utilizzati), dati non ovvi (versioni dei software e dei database, sistemi operativi dei computer dove è eseguito il software), quest infomazione deve essere fornita dai WS I WfMS forniscono sempre più feature di data provenance. 100

101 Semantic Web: capacità l integrazione di sistemi informativi eterogenei, in quanto opera come un meta-database su sistemi informativi eterogenei un ambiente distribuito, nel quale si possono ridure i problemi legati alla necessità di mantenere copie locali dei database, affromntando nello stesso tempo il problema dell evoluzione dei dati una conoscenza in evoluzione, perché si basa su ontologie per la definizione della semantica dei dati (evitando quindi una semnatica condivisa implicita o rigidamente codifica nelle strutture dati e nei software d analisi) 101 Il Semantic Web può aiutare ad affrontare queste limitazioni perché consente:

102 Tecnologie semantiche: ontologie Molti sforzi in questa direzione sono attualmente in corso. L associazione di termini e concetti ontologici ai dati esistenti è ancora allo stato iniziale e si riferisce a poche, riconosciute e ben note ontologies, e.g. Gene Ontology. L annotazione di tutte le informazioni disponibili con concetti ontologici è un task enorme. La definizione di nuove ontologie collegate a quelle esistenti è necessaria per gestire il gran numero di sistemi informativi esistenti e consentirne il collegamento L aggiunta di contenuti semantici ai database attuali darà un contributo essenziale all integrazione dei dati biologici. 102 Definitioni condivise della conoscenza (ontologie)

103 Tecnologie semantiche: RDF stores Database biologici in formato RDF o OWL stanno apparendo come dimostrazione o prototipi Molta informazione è ancora disponibile solo in formati non strutturati o parzialmente strutturati, accessibile solo tramite interfaccia web Questo è dovuto alla necessità di mantenere i sistemi di produzione in funzione e accessibili tramite gli strumenti d analisi attuali Le più recenti implementazioni includono versioni XML La conversione automatica dei dati da XML a RDF può costituire un passaggio fondamentale per l effettivo utilizzo di tool semantici 103