View
47
Download
0
Category
Preview:
DESCRIPTION
DATABASE PRIMARI. Cosa sono i database primari di acidi nucleici? - PowerPoint PPT Presentation
Citation preview
BIOINFO3 - Lezione 2 11
DATABASE PRIMARI
Cosa sono i database primari di acidi nucleici?
Sono i contenitori di tutte le sequenze prodotte nel mondo e rese disponibili alla comunità scientifica. Memorizzano essenzialmente la sequenza e poche altre informazioni generiche associate (laboratorio di sequenziamento, data, specie, descrizione…)
EMBL → Europa
GENBANK → USA
DDBJ → Giappone
I tre database si aggiornano quotidianamente scambiandosi i dati ricevuti durante la giornata.
BIOINFO3 - Lezione 2 22
DATABASE COMPOSTI
Problemi dei database primari
•formato dei dati
•accuratezza dei dati
•ridondanza
I database composti prendono i dati da più sorgenti, generalmente con formati diversi e costruiscono un nuovo database specializzato, in genere pulito e non ridondante
Esempio: NRDB (database non ridondante di sequenze di acidi nucleici)
BIOINFO3 - Lezione 2 33
Problema della ridondanza
✔ Molti database proteici e nucleotidici contengone sequenze appartenenti a famiglie geniche o versioni di geni omologhi di organismi differenti.
✔ Molti gruppi possono sottomettere la stessa sequenza.✔ Differenti approcci sperimentali possono produrre sequenze
simili (ad esempio da genomico e da cDNA).✔ Splicing alternativi.
BIOINFO3 - Lezione 2 44
L`utilizzo di database ridondanti comporta almeno tre potenziali fonti di errore:
✔Se un dataset contiene larghe famiglie di sequenze strettamente correlate, le analisi statistiche soffriranno di un bias dovuto a sovrastime di caratteristiche peculiari di quella famiglia ✔Apparenti correlazioni in differenti posizioni specifiche delle sequenze possono essere un artefatto dovuto ad un bias nella composizione del campione.✔Se un dataset e` usato per predizioni di certe caratteristiche, e le sequenze per calibrare la predizioni sono troppo correlate tra loro, l`apparente capacita` predittiva puo` essere sovrastimata. (riconosce il particolare, non il generale).
BIOINFO3 - Lezione 2 55
DATABASE SECONDARI
Contengono il risultato di analisi eseguite sulle sequenze contenute nei database primari.
Esempio. Da SWISSPROT, database primario di sequenze di amminoacidi, sono costruiti i database secondari PROSITE (pattern e profili) e PFAM (domini)
BIOINFO3 - Lezione 2 66
INTERROGAZIONI DELLE BANCHE DATI
RICERCHE TESTUALI
Restituiscono i record di un database che soddisfano i criteri richiesti
(mediante utilizzo di parole chiave)
Es. “horse liver alcohol dehydrogenase” restituisce risultati specifici per questo enzima. Verranno cercate tutte entry contenenti le 4 parole chiave (“horse AND liver AND alcohol AND dehydrogenase”).
operatori booleani-> AND , OR, NOT, &, | , !
RICERCHE PER SIMILARITÀ
Restituiscono le sequenze di un database più simili ad una sequenza fornita come query (BLAST, FASTA)
BIOINFO3 - Lezione 2 77
SISTEMI INTEGRATI (RICERCA TESTUALE)
Esistono dei sistemi integrati che permettono di interrogare, attraverso il web, in modo semplice ed intuitivo le banche dati biologiche. I tre sistemi principali sono:
ENTREZ → associato a GENBANK
SRS → associato a EMBL
DBGET → associato a DDBJ
FORM DI QUERY
PAGINA DI RISPOSTA
SISTEMA INTEGRATO
DB1
DBn
…
12
3
45
COMPUTER „SERVER“ REMOTOPC UTENTE RETE
BIOINFO3 - Lezione 2 88
ANCORA DATABASE!ANCORA DATABASE!
CLASSIFICAZIONE
In generale, considerando la loro natura, possiamo classificare i database in almeno 2 differenti classi principali
FLAT-FILE
RELAZIONALI
Vedremo in dettaglio entrambi i tipi
BIOINFO3 - Lezione 2 99
FLAT-FILEFLAT-FILE
Come dice il nome, anche un semplice file di testo può costituire un DATABASE.
All’interno del file esistono delle sequenze di caratteri che permettono di individuare i singoli record
I record rappresentano l’unità di memorizzazione del database
All’interno di un record esistono delle parole chiave che permettono di individuare i campi di quel record
In genere esiste un campo (ID, identificatore, chiave…) che identifica univocamente i record del DB (non possono esistere 2 record con lo stesso valore nel campo chiave!)
RECORD
RECORD
separatore
RECORD
separatore
RECORD
campo1 valore1
campo2 valore2
campo3 valore3
FLAT-FILE
BIOINFO3 - Lezione 2 1010
UN ESEMPIOUN ESEMPIO
Quanti record sono? (quale è il separatore di record?)
Quali campi ha ciascun record? (quali sono i separatori e gli identificatori di campo?)
Quale è il campo chiave? Che valori assume?
ID : 28877PARENT ID : 28876RANK : no rankGC ID : 1SCIENTIFIC NAME : IDIR agentSYNONYM : Infectious Disease of Infant RatsSYNONYM : Rotavirus (GROUP B / STRAIN IDIR)SYNONYM : infectious diarrhea of infant rats agent IDIR//ID : 55279PARENT ID : 6607RANK : familyGC ID : 1MGC ID : 5SCIENTIFIC NAME : Idiosepiidae//ID : 82764PARENT ID : 82761RANK : familyGC ID : 1MGC ID : 5SCIENTIFIC NAME : Idoteidae//
BIOINFO3 - Lezione 2 1111
UN ALTRO ESEMPIOUN ALTRO ESEMPIO
MGI:11945 Ablim1 actin-binding LIM protein GDB:7173461 ABLIM1 3983
MGI:87902 Acta1 actin, alpha 1, skeletal muscle GDB:120535 ACTA1 58
MGI:87909 Acta2 actin, alpha 2, smooth muscle, aorta GDB:125197 ACTA2 59
MGI:87904 Actb actin, beta, cytoplasmic GDB:118964 ACTB 60
Quale è il separatore di record?
Quale è l’identificatore (separatore) di campo?
MGI:11945 Ablim1 actin-binding LIM protein GDB:7173461 ABLIM1 3983
MGI:87902 Acta1 actin, alpha 1, skeletal muscle GDB:120535 ACTA1 58
MGI:87909 Acta2 actin, alpha 2, smooth muscle, aorta GDB:125197 ACTA2 59
MGI:87904 Actb actin, beta, cytoplasmic GDB:118964 ACTB 60
Le righe (record) sono separate dal carattere NEW-LINE (vai a capo)
I campi sono separati dal carattere TAB (tabulazione)
BIOINFO3 - Lezione 2 1212
INDICIZZAZIONEINDICIZZAZIONE
Un flat-file biologico può contenere migliaia o milioni di record. Sarebbe assurdo, ogni volta che si ha bisogno di un record, scandire tutto il file dall’inizio alla fine per ricercarlo (ad esempio cercando nel campo ID il valore 82764)
Viene fatta allora una indicizzazione, cioè si preparano degli indici, con tutti i possibili valori dei vari campi (o almeno dei principali) e la posizione corrispondente nel file
Gli indici sono dei file molto più piccoli. Le ricerche sono effettuate solo sugli indici e risultano quindi più veloci. Gli indici in generale vengono costruiti ordinati
BIOINFO3 - Lezione 2 1313
ESEMPIOESEMPIO
Indicizzare il seguente flat-file contenente i dati anagrafici di alcune persone. Quanti record? Quali campi? Qual’è il campo chiave?
>ID=1NOME=MARIOSESSO=M>ID=2NOME=LUIGISESSO=M>ID=3NOME=MARIOSESSO=M>ID=4NOME=MARIASESSO=F
1
33
66
100
1:12:333:664:100
ID
LUIGI:33MARIA:100MARIO:1,66
NOMI
F:100M:1,33,66SESSO
BIOINFO3 - Lezione 2 1414
SRSSRS
Anche SRS funziona nel modo che abbiamo appena visto. I singoli database sono indicizzati e le ricerche sono effettuate sugli indici.
FORM DI QUERY
PAGINA DI RISPOSTA
SRS
DB1
DBn
…1
2
3
4
5
COMPUTER „SERVER“ REMOTOPC UTENTE RETE
Indici DB1
Indici DBn
0
6
BIOINFO3 - Lezione 2 1515
SVANTAGGISVANTAGGI
Ogni volta che si modifica, o si aggiunge, o si cancella un record è necessario ripetere l’indicizzazione
Il sistema è usato solo per le ricerche. Non esiste un sistema diretto per modificare il database
BIOINFO3 - Lezione 2 1616
DATABASE RELAZIONALIDATABASE RELAZIONALI
Esiste un DBMS (DataBase Management System) che si preoccupa di gestire fisicamente l’aggiunta, la modifica e la cancellazione dei record e la gestione degli indici.
Non ci interessa il modo in cui ciò avviene realmente
Il DBMS funge da interfaccia verso il database, in una tipica configurazione CLIENT-SERVER. Il server è residente su un computer remoto, mentre i client sono in generale altri computer
DBMSDB
SERVERCLIENT
RETE
richieste
risultati
BIOINFO3 - Lezione 2 1717
ORGANIZZAZIONE CLIENT-SERVERORGANIZZAZIONE CLIENT-SERVER
E’ un’organizzazione piuttosto comune e naturale nell’informatica.
Esiste una risorsa, gestita da un server ed un certo numero di utenti (client), che necessitano della risorsa.
In genere i client si mettono in coda per accedere alla risorsa. Quando il server è libero ascolta la richiesta del primo cliente in coda, se possibile la esegue restituendo al client quanto richiesto
Alcuni esempi di client-server della vita comune?
BIOINFO3 - Lezione 2 1818
SQLSQLStructured Query Language
E’ sicuramente il DBMS più diffuso.
SQL è uno standard di cui esistono alcune implementazioni
ORACLE (commerciale)
MySQL (free)
SQL e` un linguaggio ANSI (American National Standars Institute) standard per l`accesso e la manipolazione di database. I comandi SQL sono usati per recuperare, aggiornare, immagazzinare dati all`interno di un database.
Sfortunatamente esistono differenti versioni di SQL, ma per rispettare gli ANSI standard, devono supportare la maggior parte delle parole chiave in un modo simile ( come SELECT, UPDATE, DELETE, INSERT, WHERE ...)
BIOINFO3 - Lezione 2 1919
SQL PIU’ IN DETTAGLIOSQL PIU’ IN DETTAGLIO
SQL è un linguaggio attraverso cui è possibile comunicare col database (DBMS=interfaccia tra database ed utente)
SQL permette di:Definire la struttura del database (struttura dei dati).
E’ un DDL (Data Definition Language)
Interagire con i dati, manipolarli.
E’ un DML (Data Manipulation Language)
In questa settimana vedremo meglio entrambi gli aspetti
BIOINFO3 - Lezione 2 2020
DATABASE RELAZIONALEDATABASE RELAZIONALE
Un DATABASE RELAZIONALE è un insieme di TABELLE (table), in origine chiamate relazioni, con un qualche collegamento logico tra di esse. Una tabella di un DB relazionale è l’equivalente di un flat-file
tabelle
database
relazionale
La progettazione di un DB è guidata dal mondo reale. In genere si vuole creare un modello di qualcosa (banca, traffico aereo, sistema biologico,…). Si tratta di capire quali entità devono essere rappresentate ed in genere si costruisce una tabella per ciascuna di esse
BIOINFO3 - Lezione 2 2121
RECORDRECORD
Una tabella è un contenitore di RECORD
Se la tabella rappresenta un’entità del mondo reale, ogni record rappresenta un’istanza di quell’entità
Esempio delle automobili. Se definiamo una tabella di automobili, avremo un record per ogni modello di automobile
Se definiamo una tabella di sequenze di proteine, avremo un record per ogni sequenza di proteine
Possiamo pensare ad una tabella come formata da tante righe. Ogni riga rappresenta un record della tabella
telethonin
actin
titin
calmodulin
Tabella “proteine”
record
BIOINFO3 - Lezione 2 2222
CAMPICAMPI
A sua volta ogni record è composto da un certo numero di campi (fields). Ogni campo rappresenta un attributo dell’entità da modellare. Un campo può contenere valori solo di un certo tipo (numeri interi, numeri reali, date, stringhe di caratteri,…)
Ad esempio il nome del modello di automobile, il suo prezzo, l’anno di produzione ecc…
In una tabella di un db relazionale tutti i record sono formati dagli stessi campi. Eventualmente un campo di un record potrà anche non essere definito. In questo caso si usa il valore speciale NULL (nei flat-file invece determinati campi potevano tranquillamente essere non definiti per un record). Se i record rappresentano le righe di una tabella, i campi ne rappresentano le colonne
BIOINFO3 - Lezione 2 2323
ESEMPIO DI UNA TABELLAESEMPIO DI UNA TABELLA
>ID=1NOME=MARIOSESSO=M>ID=2NOME=LUIGI>ID=3NOME=MARIOSESSO=M>ID=4NOME=MARIASESSO=F
\
Esercizio 5. Dato il flat-file qui a fianco convertirlo in una tabella di un database relazionale. Dare un nome alla tabella ed un nome per ogni campo. Raffigurare tutti i record in una matrice (una riga per ogni record, una colonna per ogni campo)
id marca modello prezzo
1 FIAT 126 3500
2 FIAT 500 4000
3 LANCIA beta NULL
BIOINFO3 - Lezione 2 2424
Recommended