Bioinformatica I
Introduzione alle Banche Dati
Biomediche
Definizione
Area della scienza che affronta problemi complessi
utilizzando approcci computazionali per generare, analizzare
e gestire grandi volumi di dati eterogenei.
Convergono numerose discipline (ingegneria dei sistemi,
teoria dell’informazione, statistica ed altre discipline affini)
La bioinformatica si puo’ dividere in due grosse categorie
non disgiunte:
• Costruzione delle Basi di Conoscenza
• Analisi di informazioni strutturate ricavate da Basi di
Conoscenza
Definizione
In questo primo incontro cercheremo di
formalizzare la parte riguardante le
banche dati fornendo utili definizioni ed
alcuni semplici strumenti per sfruttare con
maggiore efficienza le informazioni
disponibili in rete.
Nel prossimo incontro si approfondiranno gli
aspetti analitici sui dati ottenuti
principalmente dall’interrogazione di
Banche dati
Basi di conoscenza
 Conoscenza del dominio di validità dei dati
 Costruzione del modello di
rappresentazione dei dati
 Conoscenza e scelta degli strumenti per la
manipolazione del modello
 Costruzione della base di conoscenza
Data Base
 Le basi di dati (DB) sono uno strumento
nato per gestire enormi quantità di dati
 Esistono diverse tipologie di DB in
funzione del modello teorico sottinteso
 I DB relazionali, basati sull’algebra
relazionale, sono i più comuni
Data Base
Il nucleo di un DB prevede almeno di:
1. Costruire l’insieme di strutture che conterranno
i dati
2. Inserire i dati
3. Aggiornare i dati
4. Interrogare i dati
5. Eliminare i dati
6. Eliminare le strutture che contengono i dati
Data Base
Un dato è l’istanza (materializzazione) di una certa
informazione.
Può essere:
 elementare (wbc all’esordio del paziente X,
presenza/assenza di una certa anomalia cromosomica
del paziente Y)
 strutturato (emocromo all’esordio del paziente X,
cariotipo completo del paziente Y)
 Numerico; rappresentabile tramite un numero sulla retta
reale (wbc all’esordio)
 Non numerico; rappresentabile mediante un etichetta di
testo, tipico di variabili qualitative (es. nazionalità:
Italiano, Greco, Giapponese…)
Strutturazione dei dati
Nei dati cerca di individuare:
 Le entità (dati strutturati; es. paziente, farmaco
…)
 Gli attributi (dati elementari associati all’entità;
es. nome, cognome, diagnosi per l’entità
paziente; nome farmaco, casa produttrice,
indicazioni …)
 Le relazioni tra entità (es. una relazione tra
l’entità paziente e l’entità farmaco può essere
l’Assunzione). Anche le relazioni possono avere
attributi (la relazione Assunzione può avere
come attributi la data di somministrazione)
Strutturazione dei dati
CAMPI
Records
Nome
Cognome
…
Tizio
Rossi
…
…
…
…
Tabelle
Assunzione
Nome
Casa Produttrice
…
Aspirina
Bayer
…
…
…
…
Semplificando si può dire che:
 le entità collassano nel DB sotto forma di tabelle
 gli attributi collassano sotto forma di campi
 Ogni riga della tabella rappresenta la materializzazione di un dato strutturato ed è
chiamata record
 le relazioni possono essere ricavate dalle interrogazioni (query)
Data Base
Solitamente, in ambito lavorativo, l’utente ha
il permesso di effettuare sul DB:
1. Inserimento dati
2. Aggiornamento dati
3. Interrogazione
Ad esempio, su MedLine, noi possiamo
agire sul DB solo attraverso l’azione 3
mentre sul DB di reparto o di laboratorio
possiamo effettuare tutte e tre le azioni.
Interrogazione
La maggior parte dei DB, essendo
relazionali, condividono una lingua franca
per la gestione completa del sistema
chiamata SQL (Structured Query
Language). Questo linguaggio però è
troppo ricco e complesso per essere usato
da un utente finale. Si utilizzano allora
delle interfacce tra la base di dati e l’utente
che prevedono un tipo di interazione più
“umana”.
Interrogazione
Tutte le banche dati permettono di
interrogare il sistema attraverso interfacce
che permettono di effettuare ricerche
limitate su campi specifici solitamente
attraverso connettivi logici.
Connettivi logici
Per effettuare ricerche complesse è necessario
conoscere l’uso dei tre connettivi (d’ora in poi
funzioni) logici di base AND, OR e NOT.
Quando inseriamo una parola (stringa) nel campo
di ricerca effettuiamo un’interrogazione atomica.
Il risultato della ricerca può andare a buon fine (1)
o no (0).
Concatenando con funzioni logiche interrogazioni
atomiche possiamo generare proposizioni di
ricerca complesse.
AND
La funzione AND agisce su due interrogazioni
elementari
Restituisce vero (1) solo se entrambe le
interrogazioni sono vere
“medulloblastoma” AND ”2004”
Se le stringhe “medulloblastoma” e “2004” sono
contemporaneamente presenti in un record del
database allora il risultato della ricerca è vero (1)
OR
La funzione OR agisce su due interrogazioni
elementari
Restituisce vero (1) se almeno una delle due
interrogazioni è vera
“medulloblastoma” OR ”2004”
Se la stringa “medulloblastoma” e/o “2004” è presente
in un record del database allora il risultato della
ricerca è vero (1)
NOT
La funzione NOT agisce su una interrogazione
atomica
Ne inverte il valore di verità
NOT “medulloblastoma”
Se la stringa “medulloblastoma” è presente in un
record del database allora il risultato della ricerca è
falso
Proposizioni complesse
Concatenando interrogazioni atomiche con
funzioni logiche si possono effettuare query
complesse.
Es.
Estrarre tutti i record che contengono
contemporaneamente “atra” e
“bioinformatics” ma non “internet” oppure
solo “valproic”
“atra” AND “bioinformatics” NOT “internet” OR “valproic”
Interrogazione - esempio
Limite di testo (stringa di ricerca)
Limite sulle Tabelle (selezione di campi specifici)
Reti e protocolli di rete
La maggior parte di database di uso comune
sono dispersi su tutta la superficie del
globo sui più disparati tipi di computer.
Sfruttando le possibilità offerte da un
insieme di strutture hardware (RETI) e
software (protocolli) è possibile
condividere tali database tra utenti molto
distanti su computer diversi.
Reti e protocolli di rete
Una rete è un insieme più o meno complesso di computer
collegati l’uno all’altro tramite un canale attraverso cui
scorrono delle informazioni.
Computer diversi (ad esempio PC e Mac) rappresentano i
dati in modo diverso.
Canali trasmissivi diversi (modem, rete ethernet, satellite)
trattano segnali fisici diversi (segnali elettrici continui,
segnali elettrici digitali, onde elettromagnetiche libere)
Per far fronte a questa disomogeneità nel trattamento
dell’informazione i gestori e gli sviluppatori di reti hanno
deciso degli standard comuni: i protocolli.
Livelli di Protocollo
I protocolli sono suddivisi in livelli.
I protocolli di basso livello (implementati direttamente
nell’hardware) permettono di sfruttare diversi sistemi per
trasmettere i dati; computer x collegato alla rete tramite
modem e computer y tramite ethernet.
I protocolli di livello medio gestiscono l’indirizzamento dei
dati dal computer x (in USA) al computer y (in Cina).
I protocolli di alto livello gestiscono la rappresentazione dei
dati in modo da garantire la medesima rappresentazione
sul computer x (Mac con Database su FileMaker) e sul
computer y (Pc con Mozilla e Linux)
Internet
Internet è una rete formata da numerose reti
internazionali, nazionali, regionali e locali.
Tutte queste reti devono condividere i
protocolli di comunicazione
La comunicazione su internet è basata sulla
famiglia di protocolli TCP/IP e sul
protocollo HTTP
Indirizzi
Ad ogni computer collegato in internet i protocolli
TCP/IP impongono di assegnare un indirizzo di
rete (IP) unico che lo indentifica nel mondo.
Un indirizzo di rete è formato da 4 numeri separati
da punti
123.123.123.123
Ogni numero può andare da 0 a 255 e quindi si
possono indirizzare al massimo
232 = 4 miliardi di computer
Risoluzione degli Indirizzi
L’indirizzo di rete del computer centrale dell’NCBI
è
130.14.25.1
Questo numero viene usato dai computer per
indirizzare univocamente i dati ma è ovviamente
inutile dal punto di vista umano.
Si è quindi deciso di associare ad ogni numero IP
un nome di dominio (DN).
Computers specializzati detti domain name server
(DNS) convertono dinamicamente gli IP in DN e
i DN in IP.
Il World Wide Web
Una delle funzioni primarie di una rete è quella di
consentire la condivisione di documenti.
Per fare questo sono stati sviluppati diversi sistemi
(Distributed Document Delivery Systems,
DDDS) per permettere la consultazione di
documenti in remoto senza doverli scaricare.
Nel 1989 al CERN (Ginevra) è stato sviluppato un
sistema DDDS che ha poi condizionato il
diffondersi di internet il World Wide Web.
Il World Wide Web
Ogni documento mostrato sul Web può essere composto
da testo, immagini, suoni e controlli.
Ogni documento Web è posto su un particolare computer
chiamato Server.
I documenti sono chiamati pagine Web, e l’insieme di
documenti presenti sul server sono chiamati sito Web.
Per poter consultare un sito Web è necessario disporre di
programmi (client) chiamati Browsers (explorer, mozilla
etc.) che riescono a visualizzare e trattare le pagina
Web.
Lo scambio delle informazioni tra server e client avviene
tramite il protocollo HTTP
Come condividere le informazioni
presenti in un database?
 Si implementa un database su un computer (es.
PubMed).
 Si costruisce un server Web in grado di
interrogare il database
 Si assegna al computer un indirizzo IP (e quindi
un nome di dominio es.
http://www.ncbi.nlm.nih.gov/)
 Si convertono i risultati delle interrogazioni in
pagine Web consultabili da qualsiasi altro
computer collegato in internet
Alcuni Database Utili
 Esistono nel mondo migliaia di database
ad indirizzo biomedico
 Alcuni istituti hanno sviluppato dei
database di database.
 I risultati delle interrogazioni sono dei link
a database specifici
 Tra questi vediamo MedWeb
MedWeb
 MedWeb è un catalogo (database) di siti
correlati alle scienze biomediche.
MedWeb
Interrogazione
atomica
Interrogazione in
AND (0 risultati)
Interrogazione in
OR (367 risultati)
E’ interrogabile in modalità complessa con connettivi logici impliciti
PubMed
http://www.ncbi.nih.gov/entrez/
 Alcuni database sono fondamentali per
chiunque lavori in ambito biomedico
 PubMed è un data base sviluppato alla National
Libray of Medicine che consente di interrogare
MedLine ed alcuni altri database.
 MedLine a sua volta è un database di citazioni
bibliografiche provenienti da 4000 riviste
biomediche. I primi articoli risalgono al 1966 ed
ogni anno vengono inseriti circa 400.000 nuove
citazioni.
Record MedLine
Ogni record MedLine (dato strutturato) contiene i seguenti campi:
 autore (vengono inseriti fino a 25 cognomi, seguiti dalle iniziali dei
nomi, per articolo);
 titolo dell'articolo (e parole del titolo);
 descrittori di soggetto (sono detti MESH, ovvero "MEdical Subject
Headings") e rappresentano l'argomento di ogni singolo articolo;
 abstract (o riassunto, presente nella base dati solo se fornito - in
inglese - dall'autore dell'articolo, è ricercabile anche per singole
parole);
 fonte bibliografica (titolo della rivista in forma abbreviata, anno,
volume, fascicolo, pagine);
 ente di appartenenza e indirizzo del primo degli autori dell'articolo;
 lingua originale in cui l'articolo è stato pubblicato;
 tipo di pubblicazione (ad es. lettera, editoriale, rassegna).
PubMed
EndNote
 E’ un software client che riesce ad interrogare
un gran numero di banche dati tra cui MedLine.
 Permette di costruirsi librerie di articoli specifici
da utilizzare poi in fase di stesura dei lavori
 Si integra in Word e permette di gestire la
bibliografia con grande semplicità generando i
riferimenti bibliografici nel formato richiesto dalla
specifica rivista.
EndNote
Maschera di ricerca
Libreria
EndNote
Barra di ricerca (autrore, parola chiave..) sulle librerie
Risultato ricerca
Barra strumenti endnote
Impact Factor
JCR (Journal Citation Report)
http://jcrweb.com/
JCRWeb è un servizio web che permette di
comparare diverse riviste scientifiche
attraverso diversi indici tra cui l’IF
JCR
Qui si vede una query di riviste appartenenti alla categoria ONCOLOGY
ordinate per IF decrescente.
DataBase Home Made
Alcune tipologie di ricerca prevedono, per
loro natura, la generazione di una miriade
di dati.
Tra queste la tecnologia dei microarray è
quella che ne produce un maggiore
volume.
Molte riviste pretendono, per pubblicare dati
provenienti da questo tipo di ricerca, che i
database siano consultabili in rete.
MicroBase
 Microbase è un database generato nel nostro
laboratorio per poter consultare i dati emersi da
un esperimento in cui sono convolti i microarray.
 Delle linee cellulari sono state trattate con
diverse combinazioni con Acido Retinoico e/o
Acido Valproico.
 Attraverso i microarray siamo stati in grado di
monitorare l’andamento temporale di oltre 12000
geni in tutte le diverse condizioni.
1
BC035719
475
1
AF414429
42
2
BC040071
52
9
BC047666
142
10
D90042
107
12
BC003559
52
13
L32179
85
14
BC014122
160
15
U40347
234
16
D32050
18
AF237813
18
L32961
19
AK024328
313
19
AF285167
289
20
AF178941
50
20
BC064542
36
21
U78735
23
AF027302
95
23
BC034488
40
24
AF001945
25
M14753
334
25
X16416
124
26
U11863
60
26
BC014093
51
27
M35296
204
29
AK126882
396
29
U01147
110
30
BC000635
94
31
AY315623
1267
31
AY315619
606
31
AY315620
435
Analisi Dati
110
1321
99
559
78
Altri DB
(Genbank, PubMed)
MicroBase Web
MicroBase WEB è basato su tutte le tecnologie viste finora:
 Un web server (Apache) con il suo indirizzo IP e il suo
nome di dominio, fornisce le interfacce web per
consultare il database su internet.
 Alcuni software (script) che lavorano con protocolli di alto
livello permettono la conversione dei dati in entrata verso
il server web.
 Diversi database (Gene Ontology, GenBank, LocuLink e
molti altri) sono integrati con il database dei risultati degli
esperimenti tramite un database server (MySQL) che
gestisce il database complesso e processa le query.
Fornisce poi i risultati agli script che li convertono in
formato utilizzabile dal web server.
 Il web server presenta la pagina redatta in formato
HTML all’utente che ha richiesto le informazioni.
MicroBase
Geni variati nel trattamento
MicroBase
Microbase
Campo di Ricerca
MicroBase WEB
Parola Ricerca
Query a MicroBase
Limite su Espressione
Nel database abbiamo selezionato tutti i geni che sono variati più di 4 volte e
Che hanno nel campo descrizione la parola “cyclin A”