Vers une génération automatique du mapping de sources biomédicales Fleur Mougin, Christine Golbreich, Anita Burgun & Pierre Le Beux Laboratoire d'Informatique Médicale, Rennes 09/03/2004 WSM 2004 - Rouen

Introduction Besoin des biologistes et médecins de disposer de l’information accessible sur Internet Sources biomédicales Multiple hétérogénéité Évolution très rapide Ajout fréquent  nécessité de créer un système homogène manipulant de l’information à jour 09/03/2004 WSM 2004 - Rouen

Objectifs Système d’intégration virtuelle Faciliter la collecte d’information Offrir un accès global Description explicite des sources : mapping Le plus automatiquement possible Pour faire face aux mises à jour et ajouts éventuels Définir un schéma par source 09/03/2004 WSM 2004 - Rouen

Système de médiation Médiateur (SIMS, IM, Picsel, DWQ, TSIMMIS) Composants Les sources Des adaptateurs associés Un (ou plusieurs) médiateur(s) Différents types de mapping (GAV, LAV, GLAV) Peer-to-peer Composants : les sources Principe Pas de schéma global Définition du mapping en fonction des schémas des sources 09/03/2004 WSM 2004 - Rouen

Schéma des sources Rarement disponible ou sous une forme difficilement exploitable Aucun standard existant Identifier le schéma de la source en utilisant la structure sous-jacente des banques de données biomédicales Extraction à partir des pages Web du site de chaque source 2 méthodes différentes en fonction du format de sortie de l’outil d’interrogation des sources HTML XML 09/03/2004 WSM 2004 - Rouen

Schéma de Swiss-Prot 09/03/2004 WSM 2004 - Rouen

Format HTML : méthode (1/2) Basée sur la similarité intra-pages Programmes CGI Même structure HTML Corpus 100 termes biomédicaux Genetics Home Reference ex : breast cancer 1, early onset + BRCA1 (HGNC) Interrogation de la source Dynamiquement Pour chaque terme du corpus  Constitution d’un échantillon de 100 pages Web 09/03/2004 WSM 2004 - Rouen

Format HTML : méthode (2/2) Traitement par page Nettoyage des en-tête et pied de page Nettoyage des balises HTML non informatives Extraction de couples (balise,termes) Traitement de l’échantillon Regroupement des couples (balise,termes) similaires Ceux présents dans + de 75% des pages sont gardés 09/03/2004 WSM 2004 - Rouen

Principe 09/03/2004 WSM 2004 - Rouen

Format XML : méthode Exploitation de la DTD Associée aux fichiers XML Ontologie correspondant à une vue abstraite du domaine [1] Pour obtenir les métadonnées [1] Giraldo G., Reynaud C., Construction semi-automatique d'ontologies à partir de DTDs relatives à un même domaine, 13èmes journées francophones d'Ingénierie des Connaissances, Rouen, 28-30 Mai 2002 09/03/2004 WSM 2004 - Rouen

Premiers résultats Banques de données Termes obtenus OMIM (gène ou pathologie) Swiss-Prot (protéine) Genecards (symbole du gène) Termes obtenus Attributs (schéma de BD) ou relations (RDF) Indiquent le type d’informations contenues dans la source 09/03/2004 WSM 2004 - Rouen

Exemple OMIM 09/03/2004 WSM 2004 - Rouen

Exemple Swiss-Prot 09/03/2004 WSM 2004 - Rouen

Perspectives Étape suivante : définir le schéma de chaque source Sous forme d’une ontologie locale Exploitation des termes extraits Les organiser Les trier Choix d’un vocabulaire commun Mapper les ontologies locales Systèmes existant (Prompt, Chimaera, …) ? 09/03/2004 WSM 2004 - Rouen

Conclusion BioMeKE (GO et UMLS) Méthode simple Extraire des métadonnées d’une source Pour réaliser un système d’intégration Gérer l’évolution du système 09/03/2004 WSM 2004 - Rouen

Michel Dojat & Christine Golbreich GDR STIC-SANTE : Journée Thématique Informatique Médicale dans le cadre du thème C : Systèmes d’information médicaux et bases de données Ontologies biomédicales partagées pour l’intégration de données et d’outils distribués Michel Dojat & Christine Golbreich 09/03/2004 WSM 2004 - Rouen