Text-based database searching
(by Fran Lewitter)
생물학과 연관된 자료들의 양이 매우 빠른 속도로 증가하면서 이런 정보에 어떻게 접근하고 검색하느냐를 아는 것이 필수적인 일이 되었다. 특히 분자생물학자들에게 관련된 3가지 자료가 있다 - Entrez, Sequence Retrieval System (SRS), 그리고 DBGET.
WWW를 통해 접근할 수 있는 생물학적 정보의 양은 실로 어마어마하다. 그리고 그 양은 빠른 속도로 증가하고 있다. 실험과학자에게는 자료를 읽어내어 자신의 연구에 중요한 것을 찾아내는 쉽고 효과적인 방법이 중요하다. 단순히 자료를 뒤지는 것이 아니라 검색을 실시하는 것이 보다 효과적인 접근 방법이다. 자료의 유형에 따라 검색할 수 있는 방법이 두가지가 있다: 하나는 기술적인 단어들을 사용하여 텍스트 자료를 찾는 것이고 다른 방법은 뉴클레오티드나 단백질 서열을 사용하여 서열 자료를 검색하는 것이다.
여기서는 분자생물학 자료들의 텍스트 검색이 가능하고 검색 기준에 부합되는 관련된 정보를 연결시켜주는 Entrez, SRS, DBGET, 세가지 도구에 대하여 설명하겠다. 기본적인 (basic) 검색과 고급 (advanced) 검색 전략에 대한 예들도 포함될 것이다. 여기서 제공되는 방법들은 비록 텍스트에 근거한 검색이 가능한 많은 자료들에 대한 논의가 빠져있지만 전반적으로 응용이 가능하고, SGD (Saccharomyces Genome Database)와 MGD (Mouse Genome Database)와 같은 생물체 특이적인 자원에도 사용될 수 있다.
이 자료추출 시스템들은 정보를 검색코자 하는 과학자에게 필수적이다. 이러한 시스템들 중 어떤 것을 사용할지라도 질의 (query)는 등록번호 (accession number)를 입력하는 것처럼 간단하거나 특이적인 용어들에 대한 다수의 자료들을 검색하는 것처럼 복잡할 수도 있다 (Box 1 참조). Entrez, SRS, DBGET의 장점은 질의에 일치하는 것들을 회신하여줄 뿐만 아니라 관련된 자료들에서 추가적인 중요한 정보들에 대한 손쉬운 접속을 제공하여준다는 것이다. 이 세가지 시스템들은 그들이 검색하고 다른 정보에 연결해주는 자료들이 다르다.
Box 1. Search concepts Boolean search: 두 개 이상의 용어들을 사용하여 검색할 때 사용되는 진보된 질의 기술로서 용어들은 Boolean operator들인 AND, OR, NOT를 사용하여 배합된다. 설정된 Boolean operator는 AND 이다. Broadening the search: 만약 검색이 유용한 결과를 보여주지 않으면 입력된 용어들을 변화 또는 제거할 수 있다. Narrowing the search: 검색이 너무 많은 결과들을 보여주면 입력된 용어들을 변화 또는 추가할 수 있다. Proximity searching: 몇가지 단어나 구를 사용하여 검색하는 것이다. Wild card: * 문자를 사용하여 비특이적 검색이 가능하다. 예를 들어 성이 P로 시작되는 모든 저자들을 찾으려면 P* 를 입력한다. |
Entrez (http://www.ncbi.nlm.nih.gov/Entrez)
이것은 NCBI에서 개발된 것으로 구분된 그러나 연관된 자료들에 대한 검색이 가능하다. Entrez system은 뉴클레오티드와 단백질 서열자료들, 분자모델 3차구조 (MMDB), 게놈과 map 자료, 그리고 문헌에 대한 접속을 제공한다. 문헌 자료인 PubMed는 MEDLINE과 pre-MEDLINE (not fully index) 기사들에 대한 쉽고도 탁월한 검색을 제공한다. 분류자료는 23,000 개 이상의 종을 포함하며 어떤 분류군에 대한 DNA와 단백질 서열들도 얻을 수 있다.
세가지 텍스트에 근거한 자료 시스템 중에서도 Entrez는 사용하기가 편리하나 다른 것에 비해 제한된 정보를 제공한다. 검색은 하나의 자료에서 시작하여 질의에 일치하는 기록들이 제시된다. 그리고 그 자료에서 관련된 기록들 (neighbors)과 다른 Entrez 자료들에서 연관된 기록들 (links)이 추출된다. Link들은 OMIM (Online Mendelian Inheritance in Man)과 MGD와 같은 외부 자료들에 대해서도 만들어진다. Neighbor들과 Link들은 질의에 유사한 순서로 열거된다. 유사성은 서열, 구조, 문헌들에 대해 미리 계산된 분석에 근거를 둔다. 예를 들어 서열들의 경우에서 미리 계산된 분석은 Blast 검색이다. Entrez에서 한가지 특별히 유용한 특성은 어떤 기준에 근거한 많은 자료들을 추출할 수 있으며 이들을 지역적인 컴퓨터에 저장할 수 있어 분석에 이용할 수 있다는 것이다. 이러한 소위 batch Entrez는 어떤 파일로 구분되어 있는 DNA나 단백질 서열들을 추출케 한다. 더군다나 분류 자료에 근거한 특정한 생물체에 대한 모든 자료를 입수할 수 있으며, 또는 질의에 일치하는 서열들을 입수할 수 있는 Boolean 검색이 입력될 수 있다.
SRS (http://srs.ebi.ac.uk)
SRS는 영국 Hinxton에 있는 European Bioinformatics Institute (EBI)에서 개발된 것으로 80개가 넘는 생물학적 자료들을 공유하고 있다. 포함된 자료들은 서열, 서열과 관련된 대사경로, 전사조절인자, 적용결과 (e.g. BLAST), 단백질 3차원구조, genome, mapping, 돌연변이와 locus-specific 돌연변이들이다. 모든 자료들을 열거하고 있는 웹페이지는 자료에 관한 설명도 제공하고 있다. 질의를 하기 전에 검색할 하나 또는 그 이상의 자료들을 선택한다. 현재 WWW에서 운영되는 SRS는 30개 정도이며, 각기 다른 자료들과 분석도구들을 가지고 있다.
비록 검색할 수 있는 자료들은 많지만, SRS 자료들은 색인이 잘되어 있기 때문에 검색시간을 줄여준다. 각 자료의 내용은 구성요소로 나뉘어지고, 선택된 단어들은 추출되어 색인에 삽입된다. 각 자료의 항목은 그 자신의 색인을 가진다. 질의 형식은 특정 항목에 대한 검색용어를 입력할 수 있거나, 모든 항목들을 'Alltext' 옵션을 사용하여 검색할 수 있다. SRS는 좀더 복잡한 Boolean 질의가 구성될 수 있도록 다른 질의형식도 제공한다.
DBGET (http://www.genome.ad.jp/dbget/dbget2.html)
DBGET/Link DB는 교토 대학의 Institute for Chemical Research Institute와 도꾜 대학의 Human Genome Center에 의해 개발된 복잡한 자료회수 시스템으로 GenomeNet를 통해 이용될 수 있다. DBGET는 약 20가지의 자료들에 대한 접속을 제공한다. 이들은 한번에 하나씩 이용할 수 있다. 이 자료들 중 하나에 질의를 입력하면 DBGET는 결과 리스트에 연관된 정보를 추가로 연결시켜 준다. LinkDB 자료는 또한 따로 기입하여 직접 검색할 수 있으며, 연관된 정보에 대한 모든 자료에 대한 연결을 열거해준다. DBGET의 또 다른 특징은 대사와 조절 경로에 대한 테이터베이스인 KEGG (Kyoto Encyclopedia of Genes and Genomes) 자료와 연결되어 있다는 것이다.
DBGET는 제한되긴 하지만 SRS나 Entrez 보다는 간단한 검색방법을 제공한다. DBGET에서는 두가지의 명령 ('bfind' 또는 'bget')을 사용하여 자료를 검색할 수 있다. 'bfind' 명령은 텍스트 용어에 근거한 검색을 가능케 한다. 그 결과 일치하는 것들이 연관된 정보의 링크와 함께 열거된다. 'bget' 명령은 entry name이나 accession number로 검색한다.
Examples
다음 예는 어떻게 각 시스템에서 SWISS-PROT entry P04391 (대장균의 ornithine carbamoyltransferase protein)의 자료를 얻어낼 수 있는지 보여준다. Entrez에서는 protein database query 양식에 P04391을 입력하여 그 결과를 관련된 자료와 함께 볼 수 있다. SRS에서는 우선 SWISS-PROT database를 선택하고 P04391을 입력한다. 그리고 전개된 정보에서 다른 연관된 database들에 대한 연결을 검색한다. 그러나 이 자료에 대한 정보를 모으는 가장 빠른 방법은 LinkDB를 검색하는 것이다. swissprot:P04391을 입력하면 모든 관련된 자료들에 대한 링크를 열거해준다.
You can't always get what you want
Text-based 검색은 검색코자 하는 텍스트, 인용, 색인들의 질에 달려있다. 만약 입력사항이 충분히 인용되어 있지 않다면 관련된 모든 자료들을 찾아내지 못할 것이다. 텍스트는 free form 이나 controlled vocabulary 일 수 있으며 각기 다른 문제를 야기시킨다. 예를 들어 free-form 텍스트인 경우 철자법이 틀릴 수가 있다. 가령 hyphen (-)과 관련된 경우 어떤 때는 이것이 포함될 수도 있고, 사용되지 않을 수도 있다. Keyword 검색의 경우도 이러한 문제는 발생한다. Controlled vocabulary는 Medline 검색에서 사용되는 MeSH가 해당된다. 이것을 사용하기 위해서는 이것이 어떻게 구성되는지 미리 이해해야만 한다.