Informationsintegration in Biodatenbanken (eBook)

Jan Hegewald studierte an der Humboldt-Universität zu Berlin Informatik. Am Hasso-Plattner-Institut in Potsdam fertigte er seine Diplomarbeit an, für die er mit dem „Information Quality Best Master Degree Award“ der Deutschen Gesellschaft für Informations- und Datenqualität ausgezeichnet wurde.

Geleitwort 6
Vorwort 7
Inhaltsverzeichnis 9
1 Einleitung 10
1.1 Definitionen 12
1.2 Aufgabenstellung 15
1.3 Aufbau der Arbeit 16
2 Stand der Forschung 18
2.1 Integration von Biodatenbanken 18
2.2 (Instanz-basiertes) Schema Matching 19
2.3 Erkennen von Inklusionsabhängigkeiten 20
2.4 SPIDER 22
3 Algorithmus zum Finden von PS-INDs 30
3.1 Kategorisierung möglicher Af.xe und Schlüsselwerte 30
3.2 LINK-FINDER: Finden von Suf.x-Inklusionsabhängigkeiten 31
3.3 Erweiterungen zu LINK-FINDER 60
3.4 Ermitteln der Metadaten einer PS-IND 69
3.5 Erkennen von Beziehungen zu mehreren anderen Datenquellen 74
3.6 Komplexitätsuntersuchung 75
4 Evaluierung des Algorithmus 81
4.1 Ergebnisse 81
4.2 Laufzeitmessung 87
5 Ausblick und Zusammenfassung 94
5.1 Ausblick 94
5.2 Zusammenfassung 101
A Anhang 103
A.1 Messergebnisse für LINK-FINDER 103
A.2 Abkürzungsverzeichnis 106
Literaturverzeichnis 107

2 Stand der Forschung (S. 9-10)

In diesem Kapitel wird der aktuelle Stand der Forschung zu verschiedenen, der Problemstellung verwandten Themen eruiert.

2.1 Integration von Biodatenbanken

Mit dem weiten Feld der Integration von Biodatenbanken befassen sich mehrere Arbeiten, meist im Rahmen konkreter Projekte. Im Jahr 2001 beschrieben Eckman, Lacroix und Raschid in [ELR01] die Optimierung von Anfragen an mehrere molekularbiologische Datenbanken in einer Mediator-Wrapper-Architektur. Diese bereits 1992 von Gio Wiederhold in [Wie92] vorgestellte Architektur kapselt einzelne Datenquellen durch sogenannte Wrapper und verwendet Mediatoren um die so verfügbaren Informationen zusammenzuführen. Die Mediatoren stellen ein globales, integriertes Mediatorschema bereit – anders als in Aladin. Eckman, Lacroix und Raschid untersuchten die Anfrageoptimierung in einer Mediator-Wrapper-Architektur für Biodatenbanken. Sind mehrere Datenbanken untereinander verknüpft, so existieren meist mehrere unterschiedliche Pfade zwischen den Datenquellen.

Dementsprechend sind auch mehrere Anfragepläne zur Beantwortung einer Anfrage möglich. Die Autoren optimierten Anfrageausführungen mittels Kostenschätzungen für die einzelnen Anfragepläne. In die Optimierung wurden auch Metadaten einbezogen, die die Semantik von Datenquellen und ihre Anfrageschnittstellen beschreiben können. Hernandez und Kambhampati veröffentlichten 2004 in [HK04] einen Überblick über aktuelle Integrationstechniken im Bereich der Biodatenbanken. Sie unterschieden die Ansätze in Warehouse Integration, Mediator-basierte Integration und Link-basierte Integration.

Zu jedem Ansatz wurden Vor- und Nachteile herausgearbeitet. Die vorliegende Arbeit und das Projekt Aladin fallen in die letzte Kategorie. Die Autoren hoben als Vorteil dieses Vorgehens hervor, dass kein globales Schema modelliert werden muss. Eine Herausforderung besteht jedoch laut den Autoren darin, aus den verschiedenen möglichen Pfaden zwischen zwei Datenquellen einen möglichst günstigen auszuwählen. Weiterhin wurden einzelne Projekte vorgestellt und den jeweiligen Kategorien zugeordnet. In der Kategorie Link- basierte Integration wurde nur ein Projekt, SRS, aufgeführt.

Dieses 2001 von Rodrigo Lopez in [Lop01] beschriebene System ist allerdings mehr ein Schlüsselwortbasiertes Retrieval-System und insofern nur schwer mit Aladin zu vergleichen. Im Jahr 2004 publizierten Lacroix, Naumann, Raschid und Murthy in [LMNR04] eine Arbeit, die sich ähnlich wie [ELR01] mit Anfragen an mehrere Datenquellen befasst. Die Autoren stellten Beziehungen zwischen Datenquellen als Graphen dar. Anhand dieses Formalismus untersuchten sie Anfragen als Pfade im Graph hinsichtlich verschiedener Eigenschaften.

Dazu gehören zum Beispiel die Zeit für die Anfragebearbeitung oder die Informationsqualität bei Quellen unterschiedlicher Reputation. Ferner stellten die Autoren ein Kostenmodell auf, mit dem die Größen von Anfrageergebnissen abgeschätzt werden können. Für solche Anfrageoptimierungen ist die Erkennung der Beziehungen zwischen Datenquellen und damit diese Arbeit eine Voraussetzung. Die Arbeiten, die sich mit der Integration von Datenbanken der Molekularbiologie befassen, zeigen, dass auf diesem Gebiet noch hoher Forschungsbedarf besteht. Die vorliegende Arbeit ist ein Beitrag hierzu.