基于Cytoscape的生物醫學本體參數化SPARQL查詢系統

，， ，

生物醫學領域和關聯數據的發展推動了一大批可以查詢的結構化生物醫學本體數據的出現。如生物通路本體[1]包括生物化學反應、復雜裝配、運輸和催化事件，涉及到蛋白質、DNA、RNA、小分子和復合物的物理相互作用。這些生物醫學本體數據中的數據類型多樣、規模龐大。雖然很多情況下，生物醫學研究者通過Cytoscape[2]可視化軟件把生物本體可視化出來，但這些可視化的結果是通過一定的算法歸類成的節點，其中每一個節點代表一個知識分類。如Mouse genome database(MGD)這個老鼠基因組的數據源共有8 206 813個三元組，但在可視化的結果中，只表示為59個節點，184條關聯弧。而當需要對某個數據源中的節點進行詳細研究或對某個數據源進行重新組織，對關系數據進行檢索和解析RDF數據時，就需要用到查詢語言和數據獲取協議 (Simple Protocol and RDF Query Language,SPARQL)[3-4]語句查詢來實現。

對于普通的生物醫學研究人員來說，要熟練地運用SPARQL語法并構建能滿足自己需求的查詢語句是一件很困難的事情。這將會使生物醫學本體數據源不能得到充分的利用，很多節點內所包含的數據實體與數據關聯并不能被生物醫學人員發現和利用；同時由于SPARQL語法問題與數據源數據的復雜性也會提高生物醫學研究人員使用的門檻，因此需要一種工具輔助生物醫學研究人員完成對生物醫學本體數據的查詢、檢索、解析與重新組織。此背景下，筆者利用參數化設計的思想研發了一個Cytoscape參數化SPARQL查詢系統，該系統可以編寫SPARQL查詢語句通過SPARQL端點進行可視化查詢，也可以導入參數化模板，然后在可視化結果中選擇可視化的生物本體通路數據節點，選擇相應的查詢參數，系統便會自動生成SPARQL查詢語句，并把查詢結果可視化。

1 SPARQL查詢系統研究現狀

對于普通用戶來說，要熟悉地掌握SPARQL語法，并在自己的機器上構建出能滿足自己查詢需求的SPARQL查詢語句，非常困難，于是一些研究者就研究出一些半自動化的SPARQL構建器[5]輔助用戶實現SPARQL查詢。其中，Querymed是一個典型的基于Web表單的查詢構建器，它是Seneviratne等設計出來，以便醫生和生物學家集成生物學和生物醫學數據源的數據庫并能從中抽取具體的知識；Viziquer是一個基于可視化圖形的SPARQL查詢構建器；Barzdins等[6]提出了一種圖形化查詢語言(Graphical Query Language，GQL)，它要求用戶通過提供的系統工具在畫布上描繪出能表達三元組模式或圖模式的圖形，然后系統才會將圖形轉換為SPARQL查詢；VQB是一個基于窗口組件的SPARQL查詢構建器，但它包含在Konduit工具中，用于對Nepomuk-KDE中的RDF數據建立SPARQL查詢，無法對其他的RDF數據構建SPARQL查詢。

參數化查詢(Parameterized Query 或 Parameterized Statement)是指在設計與數據庫鏈接并訪問數據時，在需要填入數值或數據的地方，使用參數 (Parameter) 給值。參數化查詢這在SQL中應用廣泛，SQL的參數化查詢已被視為能最有效預防SQL注入攻擊[7](SQL Injection) 的攻擊手法的防御方式[8]。Apache Jena中就把參數化查詢的技術應用到了SPARQL中。在Apache Jena 中；用戶需要用用代碼來對SPARQL的查詢模板進行描述，如用戶需要使用ParameterizedSparqlString這個類定義一個SPARQL模板；在Apache Jena中，用戶編寫好模板后，通過對參數注入不同的值而得到不同的SPARQL查詢語句，生成SPARQL參數化查詢代碼不容易查詢SPARQL查詢語句的字符串錯誤與混亂的問題，能實現遠程的SPARQL參數化查詢，有效地防御SPARQL注入式攻擊。總的來說，參數化查詢的好處在于：當頻繁使用改動不大的查詢語句時，能有效提高數據引擎的執行效力，避免出現查詢語句語法的錯誤，用戶可以避免重復編寫繁雜的查詢語句，有效防止注入式攻擊。

2 SPARQL模板包的定義

為了方便SPARQL模塊的共享與交流，筆者提出基于SPARQL模板包的發布共享機制。SPARQL模板包是一個由某個人或者某組織發布到網上的一個共享包，該共享包記錄著它自己特有的元數據和查詢參數。SPARQL模板包的RDF元數據定義見圖1。

查詢參數是指SPARQL查詢條件的模板，而且它的這些元數據和參數是用RDF資源框架[9]描述的(如它的名字和它發布的時間點)。SPARQL模板包是利用RDF資源描述框架技術，用一個名為“query.rdf”的文件表示的。當SPARQL模板包導入成功時，它將存儲在用戶的電腦中。用戶可以利用RDF描述規范為基礎編寫一個生物醫學本體數據常用的參數化查詢SPARQL模板包，滿足自己所需要的參數化查詢，進行更深層次的研究。

如圖2所示，該SPARQL模板包例子使用標簽：!!!node_uri!!!變量設置參數。當進行SPARQL 查詢時，系統就會自動讀取選中節點的uri值并替換掉模板中的參數“!!!node_uri!!!”，生成新的SPARQL查詢語句，并把結果可視化。當設計完模板后，將其保存為query.rdf文件，就完成了參數模板的設計并可以進行發布。其中，任何組織和個人都可以通過以下方式發布SPARQL模板包：創建一個名為“query.rdf”的文件，用RDF描述模板包的元數據和SPARQL參數化查詢模板；把“query.rdf”放在一個文件夾中，這個文件夾的名字就是這個SPARQL模板包的名字；把這SPARQL模板包解壓成“.tar.gz”格式包；把格式包發布到互聯網中。

圖1 SPARQL模板包的RDF元數據定義

圖2 SPARQL模板包示例

筆者研發的Cytoscape插件包括2個軟件模塊。一是Context Synchronizer，它是SPARQL模板包的管理工具和用戶界面(包括導入、檢測和更新SPARQL模板包等功能)，并以Cytoscape Panel面板插件形式嵌入Cytoscape中；二是Context Menu，它是SPARQL模板應用啟動的工具模塊(根據Cytoscape不同類型的實體，如節點、邊等提供Tooltip顯示和SPARQL查詢功能)，以Cytoscape右鍵菜單插件形式嵌入。

3 SPARQL模板包管理

Cytoscape插件可以讓用戶直接導入包含SPARQL查詢語句的參數模板的模板包，只要用戶提供SPARQL模板包的URL，便能快捷地導入SPARQL模板包，SPARQL模板包管理界面如圖3所示。

圖3 SPARQL模板包管理界面

用戶只要打開Context Synchronizer Pane 的UI界面，點擊“Add”按鈕，在彈出的對話框中輸入SPARQL模板包的URL，點擊“確定”即可。以我們發布的“yigang”模板包為例，點擊“Add”,輸入“yigang”的URL：“https://vsdlc3.googlecode.com/svn/trunk/vsdl3c/app/binary/semscape/yigang.tar.gz”點擊“確定”，插件就會自動把“? yigang”這個SPARQL模板包自動下載到用戶的電腦中“%user_home%/semscape/context/%context_name%的目錄中”,并且插件會自動讀取“yigang”模板包中的“query.rdf”文件。當導入成功時，用戶可以點擊“Check”按鈕，插件就會自動地比較本地目錄中“?node_pao…Hit_01”，SPARQL模板包中“query.rdf”中的“hasTime”時間值與當前網絡URL中的“?node_pao…Hit_01”，SPARQL模板包中”query.rdf”中的“hasTime”時間值。當本地目錄中“query.rdf”中的“hasTime”時間值與當前網絡URL中的“query.rdf”中“hasTime”時間值一樣時，它就會顯示綠色的標簽“Updated”,如上圖X中的“test”SPARQL模板包，后面顯示的綠色標簽“Updated”說明這個模板包是最新的，不需要更新。當當前網絡中“query.rdf”中的“hasTime”時間值比本地中“query.rdf”中的“hasTime”時間值要晚時，插件就會在模板后面顯示黃色的標簽“<- Require Update”，如圖3中的“yigang”SPARQL模板包。

4 參數化SPARQL查詢及可視化

當用戶成功地通過筆者系統導入了模板包后，系統就會自動識別模板包中的信息，這時用戶就可以使用導入的參數模板。用戶只需要點擊Cytoscape的節點或邊緣，系統就會自動獲取選中的Cytoscape節點或邊緣信息，如選中實體的URI、RDF類型或其他屬性。當系統獲取到相應的信息后，就會自動地把信息與參數化模板中的配置信息作對比，并把合適的參數化查詢以菜單的形式顯示出來，這時用戶只需要選擇菜單欄中的參數化選項，系統就會自動構建SPARQL查詢語句，并把可視化結果顯示出來。

圖4 參數化查詢 “pao:Hit”本體知識示例

如圖4所示，我們選中一個名為“scai:DBA000289_7_50_58”的一個節點，它代表一種嗎啡的具體實例，這時系統就會自動地獲取該節點的信息。其中該節點的RDF類型為“pao:Hit”，系統就會自動把適合RDF類型為“pao:Hit”的參數化查詢模板顯示出來。如圖4中可以看到，系統直接把適合RDF類型為“pao:Hit”的“?node_pao…Hit_01”參數化選項顯示在菜單欄中，只要用戶點擊選擇，系統就會把名為“scai:DBA000289_7_50_58”的節點的URI“http://www.scai.fraunhofer.de/DBA000289_7_50_58”替換掉名為“?node_pao…Hit_01”的參數化模板中的“!!!node_uri!!!”,生成新的SPARQL查詢語句，并把可視化結果顯示出來。

其中參數化查詢選項是一個用來查詢RDF類型為“pao:Hit”的Cytoscape節點的一個參數化模板，其作用在于查詢嗎啡實體節點“scai:DBA000289_7_50_58”在文章標題為“Maturation of the adrenal medulla--IV.”(即是研究嗎啡對腎上腺髓質成熟期的影響的一篇文章)之間的關聯。通過該參數查詢，可以有效地查詢到文章標題為“Maturation of the adrenal medulla--IV.”中關于嗎啡節點“scai:DBA000289_7_50_58”的內容關聯，通過其中的內容可以發現嗎啡實例節點“scai:DBA000289_7_50_58”對腎上腺髓質的成熟期的影響。這樣用戶就可以直接使用參數化查詢發現嗎啡節點與文章標題為“Maturation of the adrenal medulla--IV.”之間的關聯，用戶不需要手動構建查詢語句、不需要掌握SPARQL語法、不需要編寫繁瑣的SPARQL查詢語句，只要導入了參數化模板包，就可以通過鼠標點擊選擇“參數化查詢選項”直接實現SPARQL查詢，這是一個更快捷方便的SPARQL查詢工具。

5 結語

此插件將提交到Cytoscape官方網站的插件庫中，以供全球用戶(特別是生物醫學研究人員)下載和免費使用。在程序源代碼開源的基礎之上進一步吸納Cytoscape用戶和開發者的反饋意見，并在程序功能、用戶界面和系統性能上進行了改進。另外，將創建和共享一系列常用的SPARQL模板包，并且在生物醫學領域的高校和研究所進行推廣，對有興趣參與共享SPARQL模板包的機構或人員提供培訓和指導。