[论文解读] Provenance and evidence in UniProtKB

Jerven Bolleman, Alain Gateau+2 more|SWAT4LS|Dec 8, 2010

Genomics and Phylogenetic Studies参考文献 2被引用 4

一句话总结

本文提出了一种标准化、机器可读的方法，用于在UniProtKB中捕获蛋白质注释的溯源和证据元数据，采用RDF重言式（reification）和自定义XML扩展，以追踪每条注释的来源、日期和类型。其主要贡献在于实现了蛋白质注释的精确、可查询的溯源链——这对生物信息学和系统生物学应用中的可靠性至关重要。

ABSTRACT

The primary mission of UniProt is to support biological research by maintaining a stable, comprehensive, fully classified, richly and accurately annotated protein sequence knowledgebase, with extensive cross-references to external resources, that is freely available to the scientific community. To enable users of the knowledgebase to accurately assess the reliability of the information contained in this resource, the evidence for and provenance of the information must be recorded. This paper discusses the user requirements for this kind of metadata and the manner in which UniProtKB records it.

研究动机与目标

• 为应对UniProtKB中对细粒度溯源和证据追踪日益增长的需求，以支持生物数据的可信度与可重复性。
• 通过区分实验性、推断性和预测性证据类型，提升蛋白质注释的可靠性。
• 通过记录每条注释的来源、日期和生成方法，使用户能够评估其可信度。
• 在RDF和XML等数据格式之间实现元数据表示的标准化，以确保溯源信息的一致性与机器可处理性。
• 支持高级用例，如训练预测模型和验证注释，通过提供可追溯的数据溯源链。

提出的方法

• 使用RDF重言式，将溯源元数据（来源、日期、归属）附加到知识库中的各个语句上。
• 实施分层证据模型，包含类别：科学文献、程序和外部数据库。
• 扩展证据代码，以包含更细粒度的类型，并探索采用GO证据代码以实现标准化。
• 设计自定义XML模式，通过'证据'元素和'证据'属性，将注释与其溯源信息在非RDF格式中关联。
• 开发SPARQL查询，基于来源检索注释，例如通过特定HAMAP规则添加的注释。
• 提出一种SPARQL中重言式的简写语法，以提升查询的表达力与可用性。

实验结果

研究问题

• RQ1 如何系统性地捕获并表示UniProtKB中每条蛋白质注释的溯源和证据信息？
• RQ2 生物知识库中对细粒度溯源元数据的用户需求是什么？
• RQ3 如何在RDF和XML数据格式中有效编码并查询溯源信息？
• RQ4 为高效检索带有溯源标注的数据，需要在查询表达力方面做出哪些改进？
• RQ5 标准化的证据代码如何提升蛋白质注释系统之间的互操作性与可信度？

主要发现

• UniProtKB的RDF发布版本包含近23亿个三元组，其中约10%用于溯源和证据元数据。
• RDF重言式能够实现对单个注释的精确、机器可读的溯源追踪，但其语法被认为较为繁琐。
• XML格式通过自定义的'证据'元素和'证据'属性将注释与其溯源信息关联，但需使用自定义解析器才能访问。
• SPARQL查询可成功检索源自特定来源的所有注释，例如使用HAMAP规则MF_00536添加的注释。
• 本文提出一种SPARQL中重言式的简写函数，以简化对带有溯源标注语句的查询。
• UniProt正在积极评估采用GO证据代码，以提升证据表示的标准化与粒度。