[논문 리뷰] Nanopublications: A Growing Resource of Provenance-Centric Scientific Linked Data

Tobias Kuhn, Albert Meroño-Peñuela외 13명|arXiv (Cornell University)|2018. 09. 18.

Biomedical Text Mining and Ontologies참고 문헌 2인용 수 12

한 줄 요약

이 논문은 생명과학 분야에서 주로 유래한 1000만 개 이상의 나노공개물—증거 및 메타데이터를 내장한 원자 수준의 과학적 진술—을 포함하는 성장 중이면서 증거 중심의 연결된 데이터 리소스를 제시한다. 나노공개물 포맷은 암호학적으로 보장된 불변 URI와 분산 호스팅을 통해 검증 가능하고 세분화된 데이터 공개를 가능하게 하여 이질적인 생물학적 데이터셋 간의 신뢰성, 재현 가능성 및 세밀한 쿼리 기능을 지원한다.

ABSTRACT

Nanopublications are a Linked Data format for scholarly data publishing that has received considerable uptake in the last few years. In contrast to the common Linked Data publishing practice, nanopublications work at the granular level of atomic information snippets and provide a consistent container format to attach provenance and metadata at this atomic level. While the nanopublications format is domain-independent, the datasets that have become available in this format are mostly from Life Science domains, including data about diseases, genes, proteins, drugs, biological pathways, and biotic interactions. More than 10 million such nanopublications have been published, which now form a valuable resource for studies on the domain level of the given Life Science domains as well as on the more technical levels of provenance modeling and heterogeneous Linked Data. We provide here an overview of this combined nanopublication dataset, show the results of some overarching analyses, and describe how it can be accessed and queried.

연구 동기 및 목표

• 연결된 데이터 환경에서 과학적 데이터의 증거를 표준화되고 신뢰할 수 있는 방법으로 공개하고 추적할 수 있는 방법의 부족을 해결한다.
• 세분화되고 원자 수준이며 암호학적으로 검증 가능한 데이터 포맷을 제공함으로써 과학적 데이터의 신뢰성과 재현 가능성을 보장한다.
• 원자 수준의 진술 수준에서 과학적 데이터를 공개하고 접근할 수 있는 지속 가능하고 분산형이며 확장 가능한 인프라를 구축한다.
• 다양한 생명과학 데이터셋(예: 유전자, 약물, 경로, 상호작용 등)을 통합하여 쿼리 가능한 나노공개물 지식 기반으로 통합한다.
• 표준화되고 기계가 처리할 수 있는 형식을 통해 증거, 데이터 유산, 이질적인 연결된 데이터에 대한 고급 분석을 지원한다.

제안 방법

• 과학 지식을 나노공개물—세 개의 이름이 부여된 RDF 그래프(진술, 증거, 출판 정보)로 구성된 자가 포함된 그래프—로 표현한다.
• 암호학적 해시(예: SHA-256) 기반의 신뢰할 수 있는 URI를 사용하여 나노공개물의 불변성과 검증 가능성을 보장한다.
• 9개국에 걸친 15개 서버 인스턴스로 구성된 분산형 공개 네트워크를 구현하여 신뢰성 있고 지속 가능한 데이터 호스팅을 확보한다.
• 표준화된 파ip라인을 사용하여 다양한 소스(예: WikiPathways, DrugBank, iNaturalist, Avian Diet Database)에서 데이터를 추출하고 나노공개물 형식으로 변환한다.
• RDF 트리플스토어와 SPARQL 엔드포인트를 사용하여 나노공개물을 저장하고 노출함으로써 프로그래밍 가능한 액세스와 쿼리 기능을 제공한다.
• PROV 온톨로지를 적용하여 진술의 증거(지식이 어떻게 유도되었는지)와 출판의 증거(나노공개물이 어떻게 생성되었는지)를 모두 모델링한다.

실험 결과

연구 질문

• RQ1 어떻게 과학적 데이터를 완전한 증거와 함께 원자 수준에서 공개하고, 그 무결성을 검증 가능하게 할 수 있는가?
• RQ2 생명과학 분야에서 나노공개물로 표현 가능한 과학 지식의 규모와 다양성은 어느 정도인가?
• RQ3 분산형이며 암호학적으로 보장된 인프라는 과학적 데이터의 지속 가능하고 확장 가능하며 신뢰할 수 있는 공개를 지원할 수 있는가?
• RQ4 나노공개물은 수십 년에 걸친 데이터 진화와 여러 데이터 소스 간의 세밀한 유산 추적을 어떻게 가능하게 하는가?
• RQ5 나노공개물은 데이터 증거 및 이질적인 연결된 데이터에 대한 고급 분석을 어느 정도 지원할 수 있는가?

주요 결과

• 1000만 개 이상의 나노공개물이 공개되어 원자 수준의 과학적 진술에 대한 대규모이자 지속 가능하고 검증 가능한 지식 기반을 형성하였다.
• 나노공개물 인프라는 유전자-질병 연관성, 약물 상호작용, 생물학적 경로, 생물 상호작용 등 다양한 분야의 데이터를 지원한다.
• 신뢰할 수 있는 URI의 사용은 데이터의 불변성을 보장하며, 사용자가 공개된 데이터가 식별자와 정확히 일치하는지 암호학적으로 검증할 수 있도록 한다.
• 9개국에 걸친 15개 인스턴스로 구성된 분산형 공개 네트워크는 나노공개물 지식 기반의 고가용성과 내구성을 확보한다.
• 데이터셋은 세밀한 증거 추적을 가능하게 한다. 예를 들어, 1962년의 새 식성 관찰 자료는 1985년의 출판물에서 유래되었고, 2017년 소프트웨어 도구를 통해 2018년에 나노공개물로 공개되었다.
• WikiPathways, DrugBank, Avian Diet Database 등의 다양한 데이터셋을 나노공개물 형식으로 통합한 사례는 이 형식이 이질적인 과학 분야 간의 상호운용성과 재사용 가능성을 보여준다.