1
00:00:00,000 --> 00:00:05,393
生命科学领域存在许多获取知识的障碍。

2
00:00:05,393 --> 00:00:13,782
现代研究需要的范围、规模和速度超出了人的处理能力。例如，

3
00:00:13,782 --> 00:00:20,373
当时 PubMed 有超过三千万条文献记录，

4
00:00:20,373 --> 00:00:29,960
PDB 有近二十万个结构，NAR 期刊介绍过约一千八百个数据库。

5
00:00:30,000 --> 00:00:37,917
这些都是生命科学数据库。因此，

6
00:00:37,917 --> 00:00:49,000
单个研究团队很难汇集如此庞大的数据和知识。

7
00:00:49,000 --> 00:00:56,027
除了在期刊发表结果，还可以把数据存入专业数据库。例如，

8
00:00:56,027 --> 00:00:59,151
把结构数据存入 PDB，

9
00:00:59,151 --> 00:01:07,479
把基因表达数据存入 Gene Expression Omnibu

10
00:01:07,479 --> 00:01:08,000
s。

11
00:01:08,000 --> 00:01:21,000
但数据存进去以后，别人可能仍然难以理解，数据质量也可能参差不齐。

12
00:01:21,000 --> 00:01:31,182
讲者引用的一项研究估计，公开数据中有约三分之二难以使用。

13
00:01:31,182 --> 00:01:37,000
这里引用的是特定研究的历史结论。

14
00:01:37,000 --> 00:01:49,000
计算机不像人一样，能够直觉地理解语义和上下文。

15
00:01:49,000 --> 00:01:57,471
计算机可以帮助处理数据规模，却不一定能理解背景。例如，

16
00:01:57,471 --> 00:02:05,000
bud initiation 这个词需要上下文。

17
00:02:05,000 --> 00:02:12,000
它可能指牙胚形成、细胞出芽，也可能指花芽形成。

18
00:02:12,000 --> 00:02:23,707
生物策展人员帮助组织知识，寻找相关数据集和文献，整理数据存储库，

19
00:02:23,707 --> 00:02:27,000
并描述复杂的数据。

20
00:02:28,000 --> 00:02:34,000
他们还会去除杂乱和重复的信息，制定标准。

21
00:02:34,000 --> 00:02:47,000
这些工作包括淘汰过时知识、传播整理后的知识，同时保存历史记录。

22
00:02:48,000 --> 00:03:00,000
2016 年发表的 FAIR 原则论文提出了四项原则。

23
00:03:00,000 --> 00:03:09,000
也就是可发现、可访问、可互操作和可复用。

24
00:03:09,000 --> 00:03:21,000
这些原则涉及数字对象、元数据，以及支持它们的基础设施。

25
00:03:21,000 --> 00:03:25,000
先来看可发现性。

26
00:03:25,000 --> 00:03:35,000
数据应当能被人和计算机发现，因此需要机器可读的元数据。

27
00:03:35,000 --> 00:03:45,000
需要为数据设置标识符、提供元数据，并登记到可检索的资源库。

28
00:03:45,000 --> 00:03:47,000
接下来是可访问性。

29
00:03:47,000 --> 00:03:53,000
找到数据以后，用户需要知道怎样访问它。

30
00:03:53,000 --> 00:03:59,000
这可能涉及身份验证和访问授权。

31
00:03:59,000 --> 00:04:04,000
访问应使用标准化的通信协议。

32
00:04:04,000 --> 00:04:06,000
然后是可互操作性。

33
00:04:06,000 --> 00:04:14,000
数据需要与其他数据整合，并进入分析、存储和处理的工作流程。

34
00:04:14,000 --> 00:04:21,000
因此，要使用容易获取、广泛接受的知识表示语言。

35
00:04:22,000 --> 00:04:31,551
FAIR 的最终目标是复用。数据及元数据应描述充分，

36
00:04:31,551 --> 00:04:40,000
便于重复和组合使用，并清楚说明来源和使用许可。

37
00:04:41,000 --> 00:04:53,000
生物数据整理会使用受控词表和本体，而不只是自由文本。

38
00:04:53,000 --> 00:04:59,000
自由文本适合人阅读，但计算机不容易处理。

39
00:04:59,000 --> 00:05:08,000
受控词表是在特定领域中规定的一组术语。

40
00:05:08,000 --> 00:05:17,500
它有助于索引和检索，减少歧义。讲者用词汇列表作对比：

41
00:05:17,500 --> 00:05:27,000
本体进一步表达术语之间的关系，使知识可以被计算处理。

42
00:05:28,000 --> 00:05:35,000
本体中的类，有时也会被称作实体或术语。

43
00:05:35,000 --> 00:05:46,000
类带有元数据，并通过关系连接；这些信息可以保存为不同格式的文件。

44
00:05:46,000 --> 00:05:49,000
其中也可以包含逻辑陈述。

45
00:05:49,000 --> 00:05:55,000
下面以 Gene Ontology，也就是基因本体为例。

46
00:05:55,000 --> 00:05:57,000
我们先看 Gene Ontology。

47
00:05:57,000 --> 00:06:02,000
它是生物学领域广泛使用的本体之一。

48
00:06:02,000 --> 00:06:11,000
它描述基因产物的属性，包括蛋白质和非编码 RNA。

49
00:06:11,000 --> 00:06:14,000
它不局限于某一个物种。

50
00:06:14,000 --> 00:06:19,000
这些描述应能被人和机器理解。

51
00:06:19,000 --> 00:06:26,000
分子功能描述基因产物可以完成的单步任务，例如酶的催化活动。

52
00:06:26,000 --> 00:06:34,333
生物过程描述一系列事件，例如柠檬酸循环；

53
00:06:34,333 --> 00:06:41,000
细胞组分描述这些活动发生的位置。

54
00:06:41,000 --> 00:06:49,421
讲者在这里强调 GO 所描述的正常生物学功能与疾病、病理过程之间

55
00:06:49,421 --> 00:06:51,000
的范围区别。

56
00:06:51,000 --> 00:07:04,000
每个本体类可以表示一个概念，例如内吞作用。

57
00:07:04,000 --> 00:07:14,000
其他本体的类还可以表示过氧化氢、脆性 X 综合征等概念。

58
00:07:14,000 --> 00:07:26,955
类具有稳定、通常不直接编码语义的标识符。即使名称或定义调整，

59
00:07:26,955 --> 00:07:33,000
标识符仍有助于保持引用稳定。

60
00:07:34,000 --> 00:07:36,000
有时，两个类可能会被合并。

61
00:07:36,000 --> 00:07:43,000
被合并类的标识符可以保留为替代标识符或次级标识符。

62
00:07:43,000 --> 00:07:54,000
过时的类会被标记为废弃，保留历史记录，但不再用于新的注释。

63
00:07:55,000 --> 00:08:06,000
废弃类的元数据可以说明原因，并指向建议的替代类。

64
00:08:06,000 --> 00:08:12,250
例如，这里的 pathogenesis 类被废弃，

65
00:08:12,250 --> 00:08:17,750
因为它涉及两个生物体在特定条件下的相互作用，

66
00:08:17,750 --> 00:08:22,000
不能简单当作单一生物体的正常过程。

67
00:08:22,000 --> 00:08:36,000
页面会建议使用更合适的概念，例如共生体对宿主过程的调节。

68
00:08:36,000 --> 00:08:45,000
下面看描述这些类的元数据。

69
00:08:45,000 --> 00:08:51,000
定义是其中非常重要的部分。

70
00:08:51,000 --> 00:09:00,000
文本定义帮助人理解，逻辑定义帮助机器理解。

71
00:09:00,000 --> 00:09:12,000
例如，糖蛋白生物合成过程，是形成糖蛋白的生物合成过程。

72
00:09:12,000 --> 00:09:19,000
糖蛋白则是至少具有一个糖基化残基的蛋白质。

73
00:09:19,000 --> 00:09:32,000
逻辑定义可以将其表达为：生物合成过程，并且直接产出某种糖蛋白。

74
00:09:32,000 --> 00:09:44,000
做注释时应依据定义，而不是只看术语名称。

75
00:09:44,000 --> 00:09:49,000
一个术语可能有一个看起来熟悉的名字。

76
00:09:49,000 --> 00:09:59,000
但不同的人可能对名字有不同理解。定义帮助明确这个过程究竟包括什么。

77
00:09:59,000 --> 00:10:09,000
这样才能提高不同策展人员之间的一致性。

78
00:10:09,000 --> 00:10:16,647
本体还要整合不同领域的知识；即使是专家，

79
00:10:16,647 --> 00:10:22,000
也可能不熟悉其他领域的术语。

80
00:10:22,000 --> 00:10:34,000
明确的定义还帮助本体开发者与推理器检查知识结构。

81
00:10:34,000 --> 00:10:43,000
合并后的类可能保留次级标识符。

82
00:10:43,000 --> 00:10:47,795
元数据还可以包括废弃标记、同义词，

83
00:10:47,795 --> 00:10:54,000
以及 EC、Rhea 等外部资源的交叉引用。

84
00:10:54,000 --> 00:11:00,000
也可以记录支持该类定义的文献。

85
00:11:00,000 --> 00:11:13,000
这里有两个例子，可以看到名称、定义和注释等元数据。

86
00:11:13,000 --> 00:11:21,000
注释可以进一步说明这个类应当怎样使用。

87
00:11:21,000 --> 00:11:25,000
接下来讨论关系。

88
00:11:25,000 --> 00:11:35,047
关系把本体中的类连接起来，形成从一般到具体的层次结构。

89
00:11:35,047 --> 00:11:41,000
例如分子功能下面有更具体的功能。

90
00:11:41,000 --> 00:11:47,000
这些连接构成了本体的结构。

91
00:11:47,000 --> 00:11:59,000
为什么层次结构如此重要？

92
00:11:59,000 --> 00:12:06,000
因为注释可以沿着适用的关系向上继承。

93
00:12:06,000 --> 00:12:13,568
如果一个蛋白质被注释为具有某种具体功能，

94
00:12:13,568 --> 00:12:20,000
它也可能属于相应的更一般功能类别。

95
00:12:21,000 --> 00:12:29,000
通向根节点的每条路径，都应在生物学上成立；否则就需要修改本体。

96
00:12:29,000 --> 00:12:41,000
例如，囊泡介导的运输是一种运输，而运输又属于定位过程。

97
00:12:41,000 --> 00:12:46,000
本体中还会有不同类型的关系。

98
00:12:46,000 --> 00:12:58,432
简单的树形层次中，一个父节点可以有多个子节点，

99
00:12:58,432 --> 00:13:06,000
但一个子节点只有一个父节点。

100
00:13:06,000 --> 00:13:14,000
这里主要使用 is_a，也就是“是一种”的关系。

101
00:13:14,000 --> 00:13:31,300
很多生物学本体采用更复杂的有向无环图结构。

102
00:13:31,300 --> 00:13:39,300
这时一个类可以有多个更一般的上位类。

103
00:13:39,300 --> 00:13:51,300
图中可以有多种关系，但这里所讨论的结构不包含循环。

104
00:13:51,300 --> 00:14:00,300
这就是单一继承与多重继承的区别。

105
00:14:00,300 --> 00:14:17,300
讲者以解剖学本体中的指骨为例。

106
00:14:17,300 --> 00:14:22,300
这里讨论的是手指的指骨。

107
00:14:22,300 --> 00:14:30,300
中指的近节指骨是一种中指指骨，而中指指骨又是一种手指指骨。

108
00:14:30,300 --> 00:14:40,888
但它也属于手指的近节指骨。如果只允许一个上位类，

109
00:14:40,888 --> 00:14:45,300
就可能漏掉这种分类。

110
00:14:45,300 --> 00:15:01,300
这样一来，从另一条分类路径检索时，可能会遗漏相关的注释。

111
00:15:01,300 --> 00:15:09,300
因此，保留适当的多重分类关系很重要。

112
00:15:09,300 --> 00:15:23,881
常见关系包括 is_a，表示子类型关系。例如沃尔沃汽车是一类汽车，

113
00:15:23,881 --> 00:15:28,300
线粒体是一类细胞器。

114
00:15:28,300 --> 00:15:40,300
另一种关系是 part_of。例如，车轮是汽车的一部分。

115
00:15:40,300 --> 00:15:42,300
车轮并不是一种汽车，这与 is_a 不同。

116
00:15:42,300 --> 00:15:47,300
同样，线粒体腔是线粒体的一部分。

117
00:15:47,300 --> 00:15:57,300
有些关系是领域特有的。例如 ChEBI 化学本体中的互变异构关系。

118
00:15:57,300 --> 00:16:05,300
解剖学本体可能使用位于某处，或者由某结构发育而来的关系。

119
00:16:05,300 --> 00:16:12,707
某些关系具有传递性：如果 A 与 B 有这种关系，

120
00:16:12,707 --> 00:16:21,300
B 与 C 也有这种关系，就可以推出 A 与 C 的关系。

121
00:16:21,300 --> 00:16:29,300
例如，囊泡介导的运输属于运输，而运输属于定位过程。

122
00:16:29,300 --> 00:16:34,967
讲者随后讨论另一种关系方向的性质；

123
00:16:34,967 --> 00:16:41,300
这里需要把具体关系的形式定义核对清楚。

124
00:16:41,300 --> 00:16:55,300
囊泡介导的运输包括多个有序步骤。

125
00:16:55,300 --> 00:17:03,505
图中蓝色的 part_of 连线表示囊泡融合、停靠、脱包被等步骤

126
00:17:03,505 --> 00:17:05,300
属于这个过程。

127
00:17:05,300 --> 00:17:18,617
黑色的 is_a 连线则把这些步骤连到各自的分类中，

128
00:17:18,617 --> 00:17:26,300
例如细胞器融合、蛋白质解聚等。

129
00:17:26,300 --> 00:17:34,986
过去常用 OBO 格式表示本体，

130
00:17:34,986 --> 00:17:45,300
后来越来越多地采用基于逻辑的 OWL。

131
00:17:45,300 --> 00:17:49,300
OWL 具有形式化语义。

132
00:17:49,300 --> 00:17:56,300
在 OWL 中，本体陈述有明确的逻辑含义。

133
00:17:56,300 --> 00:18:08,300
类的成员是实例；逻辑公理约束类的定义，并适用于这个类的所有成员。

134
00:18:08,300 --> 00:18:22,300
例如，羧酸是一种碳含氧酸，意味着所有羧酸实例也都是碳含氧酸的实例。

135
00:18:22,300 --> 00:18:28,300
幻灯片还展示了否定形式的例子：无尾，

136
00:18:28,300 --> 00:18:34,300
可以用“不具有某个尾巴部分”来表达。

137
00:18:34,300 --> 00:18:46,300
表格中还有其他逻辑构造的例子，可以进一步查阅。

138
00:18:46,300 --> 00:18:56,300
下面介绍工具。讲者提到自己使用过 OBO-Edit。

139
00:18:56,300 --> 00:19:06,300
专业本体开发者也会使用 Protégé。

140
00:19:06,300 --> 00:19:13,300
编辑工具提供界面，用于修改类、关系、公理和元数据。

141
00:19:13,300 --> 00:19:20,300
推理器可以帮助检查逻辑定义中的错误。

142
00:19:20,300 --> 00:19:31,300
工具还可以支持本体可视化和元数据检索。

143
00:19:31,300 --> 00:19:42,300
另外还有本体浏览器，其中一些专门面向某一个本体。

144
00:19:42,300 --> 00:19:50,300
例如可以浏览 Mondo 疾病本体。

145
00:19:50,300 --> 00:20:00,300
讲者说课程幻灯片会提供给大家，便于之后查看链接。

146
00:20:00,300 --> 00:20:04,373
浏览 Gene Ontology 可以使用 QuickGO 或

147
00:20:04,373 --> 00:20:07,300
AmiGO；讲者比较习惯使用 QuickGO。

148
00:20:07,300 --> 00:20:22,435
它可以查看一个类的上位结构，把术语放进集合，并展示关系，

149
00:20:22,435 --> 00:20:27,300
帮助完成注释工作。

150
00:20:27,300 --> 00:20:36,300
也有能够检索多个本体的通用浏览器。

151
00:20:36,300 --> 00:20:42,819
例如 EMBL-EBI 的 Ontology Lookup Se

152
00:20:42,819 --> 00:20:47,300
rvice，简称 OLS，收录生物医学本体。

153
00:20:47,300 --> 00:21:01,300
相关工具还包括 ZOOMA，可以把输入的词语或文本映射到本体术语。

154
00:21:01,300 --> 00:21:05,300
这些工具帮助寻找合适的本体概念。

155
00:21:05,300 --> 00:21:13,300
另外还有 Ontobee 和 NCBO BioPortal。
