[论文解读] Nanopublications: A Growing Resource of Provenance-Centric Scientific Linked Data

Tobias Kuhn, Albert Meroño-Peñuela+13 more|arXiv (Cornell University)|Sep 18, 2018

Biomedical Text Mining and Ontologies参考文献 2被引用 12

一句话总结

本文提出了一项持续增长的、以溯源为中心的链接数据资源，包含超过一千万个纳米出版物——即带有内嵌溯源信息和元数据的原子科学断言，主要源自生命科学领域。纳米出版物格式通过密码学安全的、不可更改的URI以及去中心化托管，实现了可验证的、细粒度的数据发布，支持在异构生物数据集之间实现信任、可复现性以及细粒度查询。

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.

研究动机与目标

• 解决在链接数据环境中缺乏标准化、可靠的方法来发布和追踪科学数据溯源的问题。
• 通过提供一种细粒度、原子化且可密码学验证的数据格式，实现科学数据的信任与可复现性。
• 构建一个持久、去中心化且可扩展的基础设施，用于以原子断言级别发布和访问科学数据。
• 将多种生命科学数据集（例如基因、药物、通路、相互作用）整合到统一的、可查询的纳米出版物知识库中。
• 通过标准化的、机器可处理的格式，支持对溯源、数据血缘以及异构链接数据的高级分析。

提出的方法

• 将科学知识表示为纳米出版物——包含三个命名图的自包含RDF图：断言、溯源和出版信息。
• 使用基于密码学哈希（例如SHA-256）的可信URI，以确保纳米出版物的不可更改性和可验证性。
• 通过分布在九个国家的15个服务器实例，实现去中心化的发布网络，确保数据托管的可靠性与持久性。
• 使用标准化的处理管道，从多种来源（例如WikiPathways、DrugBank、iNaturalist、Avian Diet Database）提取并转换数据为纳米出版物格式。
• 使用RDF三元组存储库和SPARQL端点存储并公开纳米出版物，以支持程序化访问和查询。
• 应用PROV本体来建模断言溯源（知识如何被推导得出）和出版溯源（纳米出版物如何被创建）。

实验结果

研究问题

• RQ1 如何在保证完整溯源和可验证完整性的前提下，以原子级别发布科学数据？
• RQ2 在生命科学领域中，以纳米出版物形式表达的科学知识的规模和多样性如何？
• RQ3 去中心化、密码学安全的基础设施能否支持科学数据的持久化、可扩展且可信的发布？
• RQ4 纳米出版物如何实现对数十年数据演化和多个数据源之间细粒度血缘追踪？
• RQ5 纳米出版物在多大程度上能够支持对数据溯源和异构链接数据的高级分析？

主要发现

• 已发布超过一千万个纳米出版物，形成了一个大规模、持久且可验证的原子科学断言知识库。
• 纳米出版物基础设施支持来自多样化领域的数据，包括基因-疾病关联、药物相互作用、生物通路以及生物相互作用。
• 使用可信URI确保了数据的不可更改性，并允许用户通过密码学方式验证所发布的数据是否与标识符完全一致。
• 由分布在九个国家的15个实例组成的去中心化发布网络，确保了纳米出版物知识库的高可用性和弹性。
• 该数据集支持细粒度的溯源追踪：例如，一项1962年的鸟类饮食观察结果，源自1985年的出版物，并于2018年通过2017年的软件工具以纳米出版物形式发布。
• 将多个数据集（例如WikiPathways、DrugBank、Avian Diet Database）整合为纳米出版物格式，证明了该格式在异构科学领域中的互操作性和可重用性。