トップ :: G 物理学 :: G06 計算;計数




【発明の名称】 データ収集システムおよびデータ収集方法およびプログラムを記録した媒体およびプログラム製品
【発明者】 【氏名】宮崎 和典
【要約】 【課題】WWW上の分散したバイオ関連の複数のデータベースから、ユーザが必要とするデータを所望に抽出できて独自のデータベースの再構築に利用できるようにする。

【解決手段】検索対象の情報をマークアップ言語で記述してなる検索リストに基づいて、インターネットウエブ上のデータベースからデータを検索し、抽出する検索抽出手段210と、この抽出データを、文書型定義を用いて構造化文書に変換して、これを一次データとして得る変換手段230と、この一次データについて、マークアップ言語で記述してなる解析リストに基づいて、インターネットのウエブ上で提供される解析ツールにより解析させるべく制御すると共に、解析結果を取得する解析手段250と、この取得した解析結果を前記文書型定義を用いて構造化文書に変換して、前記一次データに付加する手段230とを備えたことを特徴とする。
【特許請求の範囲】
【請求項１】検索対象の情報をマークアップ言語で記述してなる検索リストに基づいて、インターネットウエブ上のデータベースからデータを検索し、抽出する検索抽出手段と、この抽出データを、文書型定義を用いて構造化文書に変換して、これを一次データとして得る変換手段と、この一次データについて、マークアップ言語で記述してなる解析リストに基づいて、インターネットのウエブ上で提供される解析ツールにより解析させるべく制御すると共に、解析結果を取得する解析手段と、この取得した解析結果を前記文書型定義を用いて構造化文書に変換して、これを前記一次データに付加する付加手段とを備えたことを特徴とするデータ収集システム。
【請求項２】データを格納する記憶手段と、検索対象の情報をマークアップ言語で記述してなる検索リストに基づいて、インターネットウエブ上のデータベースからデータを検索し、抽出する検索抽出手段と、この抽出データを、文書型定義を用いて構造化文書に変換して、これを一次データとして得ると共に、この得た一次データを前記記憶手段に格納する変換手段と、前記記憶手段に格納された一次データについて、マークアップ言語で記述してなる解析リストに基づいて、インターネットのウエブ上で提供される解析ツールにより解析させるべく制御すると共に、解析結果を取得する解析手段と、この取得した解析結果を前記文書型定義を用いて構造化文書に変換して、これを前記記憶手段に格納された前記一次データに二次データとして付加する付加手段とを備えたことを特徴とするデータ収集システム。
【請求項３】前記インターネットウエブ上のデータベースはバイオテクノロジー関連のデータベースであり、前記解析ツールはバイオテクノロジー関連の解析に利用されるものであることを特徴とする請求項１または２いずれか１項記載のデータ収集システム。
【請求項４】前記記憶手段はインターネットのウエブ上で公開すると共に、このウエブ上で公開された前記記憶装置のデータは構造化文書形式もしくはテキスト形式の少なくともいずれか所望の形式で取り込む手段をさらに有することを特徴とする請求項１乃至３いずれか１項記載のデータ収集システム。
【請求項５】検索対象の情報をマークアップ言語で記述してなる検索リストに基づいて、インターネットウエブ上のデータベースからデータを検索し、抽出する検索抽出工程と、この抽出データを、文書型定義を用いて構造化文書に変換して、これを一次データとして得る変換工程と、前記一次データについて、マークアップ言語で記述してなる解析リストに基づいて、インターネットのウエブ上で提供される解析ツールにより解析させるべく制御すると共に、解析結果を取得する解析工程と、この取得した解析結果を前記文書型定義を用いて構造化文書に変換して、これを前記一次データに付加する付加工程とからなることを特徴とするデータ収集方法。
【請求項６】検索対象の情報をマークアップ言語で記述してなる検索リストに基づいて、インターネットウエブ上のデータベースからデータを検索し、抽出する検索抽出工程と、この抽出データを、文書型定義を用いて構造化文書に変換して、これを一次データとして得ると共に、この得た一次データを記憶手段に格納する変換工程と、前記記憶手段に格納された一次データについて、マークアップ言語で記述してなる解析リストに基づいて、インターネットのウエブ上で提供される解析ツールにより解析させるべく制御すると共に、解析結果を取得する解析工程と、この取得した解析結果を前記文書型定義を用いて構造化文書に変換し、これを前記記憶手段に格納された前記一次データに二次データとして付加する付加工程とからなることを特徴とするデータ収集方法。
【請求項７】前記インターネットウエブ上のデータベースはバイオテクノロジー関連のデータベースであり、前記解析ツールはバイオテクノロジー関連の解析に利用されるものであることを特徴とする請求項５または６いずれか１項記載のデータ収集方法。
【請求項８】ウエブ上で公開されたデータは構造化文書形式もしくはテキスト形式の少なくともいずれか所望の形式で取り込む工程をさらに有すると共に、前記記憶手段に格納したデータはインターネットのウエブ上で公開するものであることを特徴とする請求項５または６いずれか１項記載のデータ収集方法。
【請求項９】検索対象の情報をマークアップ言語で記述してなる検索リストに基づいて、インターネットウエブ上のデータベースからデータを検索し、抽出する検索抽出工程と、この抽出データを、文書型定義を用いて構造化文書に変換して、これを一次データとして得る変換工程と、前記一次データについて、マークアップ言語で記述してなる解析リストに基づいて、インターネットのウエブ上で提供される解析ツールにより解析させるべく制御すると共に、解析結果を取得する解析工程と、この取得した解析結果を前記文書型定義を用いて構造化文書に変換して、これを前記一次データに付加する付加工程と、からなるコンピュータで読み取り並びに実行可能なプログラムを記録した媒体。
【請求項１０】検索対象の情報をマークアップ言語で記述してなる検索リストに基づいて、インターネットウエブ上のデータベースからデータを検索し、抽出する検索抽出工程と、この抽出データを、文書型定義を用いて構造化文書に変換して、これを一次データとして得ると共に、この得た一次データを記憶手段に格納する変換工程と、前記記憶手段に格納された一次データについて、マークアップ言語で記述してなる解析リストに基づいて、インターネットのウエブ上で提供される解析ツールにより解析させるべく制御すると共に、解析結果を取得する解析工程と、この取得した解析結果を前記文書型定義を用いて構造化文書に変換し、これを前記記憶手段に格納された前記一次データに二次データとして付加する付加工程と、からなるコンピュータで読み取り並びに実行可能なプログラムを記録した媒体。
【請求項１１】ウエブ上で公開されたデータは構造化文書形式もしくはテキスト形式の少なくともいずれか所望の形式で取り込む工程をさらに有することを特徴とする請求項９または１０いずれか１項記載のコンピュータで読み取り並びに実行可能なプログラムを記録した媒体。
【請求項１２】検索対象の情報をマークアップ言語で記述してなる検索リストに基づいて、インターネットウエブ上のデータベースからデータを検索し、抽出する検索抽出工程と、この抽出データを、文書型定義を用いて構造化文書に変換して、これを一次データとして得る変換工程と、前記一次データについて、マークアップ言語で記述してなる解析リストに基づいて、インターネットのウエブ上で提供される解析ツールにより解析させるべく制御すると共に、解析結果を取得する解析工程と、この取得した解析結果を前記文書型定義を用いて構造化文書に変換して、これを前記一次データに付加する付加工程と、からなるプログラム製品。
【発明の詳細な説明】【０００１】
【発明の属する利用分野】本発明は、WWW（World Wide Web）上に分散したバイオ関連（バイオテクノロジー関連）の複数のデータベースから、ユーザが必要とするデータを抽出、データベース化し、更にデータベース化したデータを解析して新たな情報を抽出するためのデータベースを構築するシステムに関するものである。
【０００２】
【従来の技術】近年、バイオ分野では、インターネット技術の発達に加え、ゲノムプロジェクトやＤＮＡチップ技術の進展により一度に多量のデータが生み出されるようになったため、これらのデータをデータベース化し、インターネット上で公開しようとする取り組みが多数行われてきた。
【０００３】しかしながら、このようなバイオ分野のデータベースでは、バイオという分野が抱える特徴に起因する問題点があった。
【０００４】すなわち、その特徴の一つは、バイオという分野から来るデータベースの多様性である。すなわち、バイオ分野での各データベースに集められているデータは、遺伝子の塩基配列（例えば、米国NCBI(National Center for biotechnology information)が構築している“GenBank”、日本の国立遺伝学研究所が構築している“DDBJ”など）、タンパク質のアミノ酸配列（例えば、SIB(Swiss Institute of Bioinformatics)とEBI(European Bioinformatics Institute)とが構築している“SWISS-PROT”など）、タンパク質の立体構造（例えば、Reserch Collaboratory for Structual Bioinformatics が構築している“PDB（Protein Data Bank）”など）、疾病に関する情報（例えばNCBIが構築している“OMIM”など）、論文情報（例えばNCBIが構築している“PubMed”など）といったように、データベース毎に異なり、多岐にわたっている。
【０００５】従って、これらのデータベースを駆使することで、ユーザは自己の追求している特定テーマに関して、必要な情報を入手することが可能であるが、データベースが多岐にわたるため、現実にはそう簡単にはいかない。
【０００６】すなわち、ユーザが、これらのデータベースから特定のテーマに関する情報を網羅的に収集しようとする場合には、上記の複数のデータベースを利用しなければならないが、そのためには、インターネットを利用してデータベースを提供している複数のサイトに一つ一つアクセスし、それぞれのデータベースから必要なデータを抽出するという煩雑な作集を繰り返し行わなければならない。
【０００７】しかも、厄介なことに、バイオ関連のデータベースには、各データベースに蓄えられているデータ、例えば、遺伝子の塩基配列やタンパク質のアミノ酸配列を、人が単に閲覧しただけでは、データに含まれた生物学的意味を理解できないという特徴がある。
【０００８】例えば、前述のGenBankにラット嗅覚レセプタータンパク質の遺伝子として登録されている１つのデータ（登録番号：Y07557）には、そのタンパク質のアミノ酸配列として、“MTERNQTVISQFLLLGLPIPPEHQHVFYALFLSMYLTTVLGNLIIIILILLDSHLHTPMYLFLSNLSFSDLCFSSVTMPKLLQNMQSQVPSIPYAGCLSQIYFFLFFGDLGNFLLVAMAYDRYVAICFPLHYMSIMSPKLCVSLVVLSWVLTTFHAMLHTLLMARLSFCEDNVIPHFFCDMSALLKLACSDTRVNEVVIFIVVSLFLVLPFALIIMSYVRIVSSILKVPSSQGIYKAFSTCFSHLSVVSLFYGTVIGLYLCPSSNNSTVKETVMSLMYTVVTPMLNPFIYSLRNRDIKGAMERIFCKRKIQLNL”という文字列の情報がある。
【０００９】嗅覚レセプタータンパク質は、直覚ニューロンの細胞膜に存在しており、かつ、細胞膜を貫通している領域が７箇所存在すると考えられている（Buck l. andAxel R., Cell vol.65 175-187, 1991）が、上記の文字配列を人が単に眺めただけでは、どの部分が細胞膜を貫通している領域かを知ったり、あるいは予測したりすることはできない。
【００１０】このように、バイオ分野のテータを利用する上では、人が単に閲覧しただけでは得られない情報を抽出することが重要である。そのため、幾つかの解析ツールが開発され、WWW上で公開されている。
【００１１】例えば、タンパク質のアミノ酸配列から細胞膜貫通領域を予測するツールに関しては、ＳＩＢが運営しているExPASy（Expert Protein analysis System, http://expasy, nhri.org.tw/tw/tools/）において、８種類のツールが紹介されており、利用可能である。しかし、データを解析する手法はまだ研究段階のものが多く、確立されていないことから、同一の目的に対しても複数のツールが提供されているのが現状である。
【００１２】このため、ユーザは、これらのツールを利用して解析結果を得ることとなるが、信頼性の高い解析結果を得るためには、複数のツールによる結果を比較検討することが重要である。そして、これらの解析ツールを提供しているサイトは、前述したデータベースとは必ずしも同一ではないWWW上のサイトで提供されているため、ユーザはデータを解析する過程でも、改めて複数のサイトに一つ一つアクセスする必要があった。
【００１３】
【発明が解決しようとする課題】以上のように、バイオ分野のデータを利用するにあたり、ユーザがWWW上に分布したデータベースから必要なデータを抽出してデータベース化したり、得られたデータからWWW上で提供されている解析ツールを利用して新たな情報を抽出しようとする場合、幾つものサイトにアクセスしてデータの抽出や個々のデータに関する解析作業を行うという、煩雑で手間のかかる作業を手作業で行わねばならなかった。
【００１４】このような煩雑な手作業を軽減するため、従来においてもWWW上の複数のデータベースからユーザが必要とするデータを抽出するための市販のアプリケーションソフトウェア（例えば、LION Bioscience Ltd.社の開発したＳＲＳなど）が提供されてはきた。
【００１５】しかし、これまで提供されてきたアプリケーションソフトウェアでは、利用できるデータベースが予め設定されているため、WWW上で公開されるそれ以外のデータベースを新たに含めて利用したいと云う要求が生じても、そのような要求には適合できなかった。
【００１６】そのため、ユーザが必要とする全てのデータベースを網羅できるようなシステムを必要とするならば、オーダーメイドでそのようなアプリケーションを開発しなければならないが、その場合には開発コストが非常に高価なものになった。更に、オーダーメイドのシステムでも、システム構築後に新規なデータベースが公開された場合や、ユーザが利用するデータベースに変更が生じた場合には、容易には対応することができないという問題があった。
【００１７】また、WWW上で公開されているデータベースは、ブラウザを通してユーザに情報を提供することに主眼を置いているため、ユーザが、データベースから抽出したデータを利用してユーザ独自のデータベースを構築しようとする場合には、ユーザ自身がブラウザに表示されたデータを、一つ一つHTML（Hyper Text MarkupLanguage）形式か、或いは、単なるテキスト形式に変換したのち、記憶媒体へ保存してからデータベース化しなければならないという問題があった。
【００１８】更に、従来のデータベースで提供されるデータには、該データベースを利用する大部分のユーザに必要とされる情報が盛り込まれているため、特定ユーザにとっては必ずしもすべての情報が必要であるわけではない。
【００１９】そこで、容量の限られたユーザの記憶媒体にデータを保存しデータベースを構築しようとする場合に、各データベースから抽出された個々のデータの全要素データから必要最小限の要素を取り出し、データとして整形して保存することができるようなデータベース再構築システムの出現が嘱望される。
【００２０】更に、各データベースが提供するデータのフォーマットや、解析ツールで使用するデータの形式は、それぞれのデータベースや解析ツールにおいて独自に策定されて統一化されていないため、前述のようにブラウザで表示された各データの一部をテキスト形式で単に切り出して保存しただけでは、解析ツールで利用できない場合が生じるという問題点があった。
【００２１】このことを説明しておく。図１は、前述のGenBankに登録されている嗅覚レセプタータンパク質遺伝子に関する情報を、テキスト形式で保存した例を示したもので、ブロック１１０の領域に嗅覚レセプタータンパク質のアミノ酸配列が記載されている。このアミノ酸配列のデータは、人が見易いように適宜な位置で改行コードや空白（格子模様の領域、ブロック１１１）が挿入されている。
【００２２】また、図から分かるように、ブロック１２０の領域に記載されている嗅覚レセプタータンパク質の遺伝子の塩基配列には、改行と空白に加えて配列の番号も挿入されている。
【００２３】しかし、データを解析ツールで解析する際には、“改行コード”、“空白”、“配列番号”といった不要な文字列は予め取り除いて、一続きの文字列に整形しておかないと正確な処理が行われないという問題があった。
【００２４】本発明は、以上のような問題点に鑑みてなされたものであり、WWW上のデータベースからのデータの抽出、データベース化、データの解析という一連の工程を、簡易に実施可能であり、しかも、処理対象や処理内容、利用データベース、利用解析ツールなどもユーザ本位に自由度を高めることができると共に、データの形式や配列などは所望に自動変換できるようにした便利なデータベースシステムおよびデータベース構築方法を提供することにある。
【００２５】
【課題を解決するための手段】上述の課題を解決するため、本発明は次のように構成する。
【００２６】［１］ 検索対象の情報をマークアップ言語で記述してなる検索リストに基づいて、インターネットウエブ上のデータベースからデータを検索し、抽出する検索抽出手段と、この抽出データを、文書型定義を用いて構造化文書に変換して、これを一次データとして得る変換手段と、この一次データについて、マークアップ言語で記述してなる解析リストに基づいて、インターネットのウエブ上で提供される解析ツールにより解析させるべく制御すると共に、解析結果を取得する解析手段と、この取得した解析結果を前記文書型定義を用いて構造化文書に変換して、前記一次データに付加する手段とを備えたことを特徴とする。
【００２７】また、前記インターネットウエブ上のデータベースはバイオテクノロジー関連のデータベースであり、前記解析ツールはバイオテクノロジー関連の解析に利用されるものであることを特徴とする。
【００２８】本システムは、構造化文書で記述した検索対象のリストおよび、検索された情報の解析のための情報を構造化文書で記述した解析リストと、ＤＴＤ（構造化文書を得るための文書型定義）を用意すれば、ユーザが必要な情報を、検索リストに従って抽出手段がWWW上のデータベース（復数のバイオ関連データベース）から抽出し、この抽出データをＤＴＤを用いて変換手段は構造化文書へ変換し、そして、解析手段は前記解析リストに従って、解析ツールの提供サイトにアクセスし、解析を行う要素データを送って解析処理してもらい、結果を受け取る。そして、付加手段は、この解析結果のデータから、必要な要素データを抽出し、これをＤＴＤに基づいて、現在の一次データに二次データとして付加するかたちでデータ処理する。
【００２９】ＷＷＷ上のデータベースは、そのアクセスにブラウザを用いて閲覧する構成であり、ブラウザはＸＭＬなどのマークアップ言語で記述したファイルを用意すればブラウザ上での様々な処理や制御が可能である。しかもXMLなどのマークアップ言語では、定義をすれば機能を拡張できる。従って、検索したい対象やデータベースをマークアップ言語にて記述した検索リストや、解析ツールを指定してどのデータを解析させるかと、云ったことを思うがままに実行させることができる。
【００３０】そのため、WWW上に分散している複数のデータベースから、ユーザが必要とするデータを抽出し、そのデータからユーザ独自のデータベースを構築、更に、ユーザのデータベース中のデータから、WWW上で提供されている解析ツールを用いてて新たな情報を抽出しようというような場合に、“複数のデータベースヘアクセス”、“データを抽出、“データの整形・保存”、“データベース化”、“解析ツールを提供している複数のサイトへのアクセス”、“解析するデータの送信”、“データの解析”、“解析結果のデータ中から必要なデータの選別”、“集めたデータの１ファイル化しての保存”という一連の煩雑な作業の繰り返しを、容易に自動化できるようになる。
【００３１】従って、本第１の実施の形態により、WWW上の分散したバイオ関連の複数のデータベースから、ユーザが利用するデータベースを自由に選択可能で、かつ、変更も容易となる。また、マークアップ言語を用いているので、検索対象や処理内容などの変更や追加は自由に出来、拡張性と柔軟性をもったデータ収集システムを提供できる。
【００３２】［２］また、前記記憶手段はインターネットのウエブ上で公開すると共に、このウエブ上で公開された前記記憶装置のデータは構造化文書形式もしくはテキスト形式の少なくともいずれか所望の形式で取り込む手段をさらに有することを特徴とする。
【００３３】この構成によれば、再構築されたデータを第三者が利用することができ、その場合に、そのデータをテキスト形式か、構造化文書形式のいずれかを選択して取り込むことができる。そのため、ブラウザが構造化文書に適合していないときはテキスト形式で取り込めば、データの利用が可能であり、ブラウザが構造化文書に適合していれば構造化文書形式を活かして閲覧したり、再加工に利用できるようになる。
【００３４】
【発明の実施の形態】本発明は、WWW上の分散したバイオ関連の複数のデータベースから、ユーザが利用するデータベースを自由に選択して必要なデータを抽出でき、抽出したデータは構造化文書に変換して一次データとして蓄え、この蓄えた一次データからWWW上に分散した複数のサイトで提供される複数の解析ツールを利用して情報を抽出し、抽出した情報を前記一次データに付加する処理を、計算機により自動的に行えるようにすると共に、ＷＷＷ上のデータを活用することから、ＷＷＷの情報閲覧に供されるアプリケーションであるブラウザで利用可能なマークアップ言語による構造化文書形式を検索や分析、データ保管に採用するようにしたことを特徴とするものである。そして、この構造化文書を採用することで、ユーザが利用するWWW一上のデータベースや解析ツール、収集対象の変更や収集データの配置などを柔軟に変更可能なシステムを提供することができるものであり、以下、本発明の実施の形態について、図面を参照して説明する。
【００３５】（第１の実施の形態）ここでは、例えば、ある種のタンパク質遺伝子データベースは図１に示す如きの形態といった具合に目的や用途等に応じてデータベース毎に様々な形態をとるバイオ分野のデータベースから、自己の目的に合う情報や形式を持つデータベースを構築できるようにするデータベースシステムの再構築のためのデータ収集システムを提案する。以下、詳細を説明する。
【００３６】図２は、第１の実施の形態によるデータベースシステムの基本構成を示すブロック図である。図２において、２００は本発明によるデータベースシステムであり、２７０はWWW上に分散しているバイオ関連データベース、２８０はバイオ分野のデータを解析するためのツールであって、これらはWWW上の分散したサイトより提供される。これらと本発明のデータベースシステム２００とはインターネット２６０を介して繋がっている。なお、図１では、バイオ関連データベース２７０と解析ツール２８０が異なるブロックに表記されているが、実際にはこれらが同一のサイトで提供されている場合も含まれる。
【００３７】本発明のデータベースシステム２００は、WWW上の復数のバイオ関連データベース２７０からユーザが必要な情報を抽出するためのデータ抽出モジュール２１０と、記憶部２２０と、抽出したデータを構造化文書へ変換するためのモジュール２３０と、データベース部２４０と、データベース部２４０に蓄えられたテータをWWW上の解析ツール２８０を利用して解析を行うためのテータ解析エージェント２５０とにより構成されており、これらが一連の工程として動作するシステムとなっている。
【００３８】ここで、前記記憶部２２０とデータベース部２４０とは、同一の記憶媒体で構成してもよいし、異なる記録媒体、例えば、記憶部２２０はメモリに、データベース部はハードディスクにというように構成してもよい。
【００３９】本発明システムでは、複数のバイオ関連データベース２７０からユーザが必要な情報を、データ抽出モジュール２１０が抽出するが、このデータ抽出モジュール２１０は、ディレクトリ型検索エンジン２１１とダウンロードプログラム２１２とで構成されている。ディレクトリ型検索エンジン２１１は、ユーザが予め作成した、利用するデータベースと検索式を記載した検索リストファイル２１３を保有し、このファイルに基づいてデータベースヘのアクセス、データの抽出を行う機能がある。これによりデータ抽出モジュール２１０は、データベースからユーザが必要な情報を抽出することができる。
【００４０】前記データ抽出モジュール２１０の持つ前記ダウンロードプログラム２１２は、ディレクトリ型検索エンジン２１１、検索ファイル２１３に基づいて検索を行った結果を、一時的に記憶部２２０に格納する機能を有する。また、記憶部２２０に格納した検索結果をもとに、抽出された個々のデータをＷＷＷ上のデータベースからダウンロードして記憶部２２０に格納するといった機能も有する。
【００４１】データ抽出モジュール２１０が、データベースから抽出して記憶部２２０に格納したユーザの必要な情報は本発明システムでは構造化文書に変換するが、これを行うのが変換モジュールである。
【００４２】この変換モジュール２３０は、パーサ２３１と、ＤＴＤを格納した文書方定義格納部２３２とにより構成されている。これらのうち、パーサ２３１は、文書型定義格納部２３２に格納されているＤＴＤに基づいて、ダウンロードプログラム２１２によりテキストファイル形式で取得した各データを解析し、その中から必要な要素を取り出して、構造化文書へ変換するという処理機能を持つプログラムである。
【００４３】尚、DTDとは、Document Type Difinition（文書型定義）の略であり、文書がどのようなタイプのものかを定義するものであって、主として、要素型宣言と属性リスト宣言からなるものである。ここで、要素型宣言とは、XML文書で出てくる各々の要素に対して、どのようなものを内容に持つか、ということを定義するものであり、属性リスト宣言は、XML文書で出てくる各々の要素に対して、どのような属性を持ち、その属性がどのような値を取り得るのか、といったことを定義するものである。
【００４４】データベース部２４０はユーザ仕様により新たに構築したデータからなるデータベースであり、変換モジュール２３０で構造化文書に変換したデータからユーザが選択した特定の要素についてデータ解析エージェント２５０が解析を行った結果、得られた新たな情報を、元のデータに付加することができる。
【００４５】このデータベース部２４０は、WWW上のデータベースから抽出して構造化文書に変換した各データを格納する一次データ格納部２４１と、一次データをWWW上の解析ツールで解析して得られた結果を格納する二次データ格納部２４２とにより構成されている。データベースは、いわゆるリレーショナルデータベース、オブジェクト指向データベース、リレーショナルオブジェクト指向データベースなどを利用することが可能である。
【００４６】データ解析エージェント２５０は、解析リストファイル２５１とデータ送受信プログラム２５２により構成される。解析リストファイル２５１は、ユーザが、利用する解析ツールに関する情報（解析ツールが提供されているサイトのＵＲＬや、解析ツールが一次データのどの要素を利用するのか、など）を記載した文書ファイルである。このファイルの内容に基づいて、以下で説明するデータ送受信プログラム２５２が処理を行うため、解析リストファイル２５１は検索リストファイルと同様、ＸＭＬなどの構造化文書であると望ましい。
【００４７】データ送受信プログラム２５２は、解析リストファイル２５１に基づいて、解析ツールを提供しているサイトヘアクセスし、解析を行う要素データを送信する機能を有する。また、得られた解析結果を一時的に記憶部２２０に格納し、この結果から、必要な要素データを抽出して、これをＤＴＤに基づいて、現在の一次データに二次データとして付加するといった機能を有する。
【００４８】次に、このような構成の本発明システムの作用を説明する。このような構成の本発明のデータベースシステム２００は、WWW上の複数のバイオ関連データベース２７０からユーザが必要な情報を、データ抽出モジュール２１０が抽出し、モジュール２３０がこの抽出データを構造化文書へ変換する。
【００４９】ここで、本発明で用いられる構造化文書とは、SGML（Standard Generalized Markup Language, ISO8879, 1986）や、XML（eXtensible Markup Languate, http://www.w3.org/TR/REC-xml, 1998）に代表されるマークアップ言語の仕様に従って、所定の構成要素に基づいて構造化された文書である。
【００５０】このような構造化文書では、文書を構成する各要素を、各要素の意味、属性などの情報を含んだタグでマークアップする。これにより、当該マークアップ言語を実行可能な計算機（コンピュータ）による処理、例えば文書中に含まれる要素の検索などが容易に実行可能である。
【００５１】マークアップ言語は、基本的には、タグ とそれらに囲まれた文字列(テキスト)とから構成されており、上記タグとは ”<title>..</title>” や ”<h1>..</h1>”など“＜”と“/＞”で囲まれて表現されたものを指す。そして、各タグは予め定義がなされているが、XML ではタグの定義を自由に行うことができ、ユーザが目的に合わせて所望の内容のものを作成して利用できる。
【００５２】このように、構造化文書では、文書を構成する各要素を、各要素の意味、属性などの情報を含んだタグでマークアップすることにより、計算機処理による文書中の要素の検索や編集、抽出といったことなどがわかり易い記述で容易に行え、しかも、ユーザ自身による構造化文書内容の変更や追加、削除などが容易であるという特徴がある。
【００５３】本発明のように、データベースに蓄えられた全データの特定の要素データを取り出し、取リ出した全要素データを解析することにより、新たな情報を抽出しようとする場合には、計算機による要素データの検出などの処理が高頻度で行われるため、構造化文書のこの特徴は、作集効率の向上を図る上で非常に重要である。
【００５４】従って、本発明ではマークアップ言語を用いた構造化文書による処理を採用している。
【００５５】前述したように、データベースからユーザが必要な情報を抽出する前記データ抽出モジュール２１０は、ディレクトリ型検索エンジン２１１とダウンロードプログラム２１２とで構成されている。そして、ディレクトリ型検索エンジン２１１は、ユーザが予め作成した、利用するデータベースと検索式を記載した検索リストファイル２１３を保有し、このファイルに基づいてデータベースヘのアクセスや、データの抽出等の処理を行う。検索リストファイル２１３としては、マークアップ言語による構造化文書を採用する。ただし、これは必須の要件ではない。しかし、柔軟性を持たせるためには、計算機による処理が容易で、かつ、ユーザによる改変作集も容易な形式、例えば、構造化文書であることが望ましい。
【００５６】検索リストファイル２１３を構造化文書形式の一つであるＸＭＬ形式で記述した例を図３に示す。このファイルは、“olfactory receptor”（嗅覚レセプター）というキーワードを持つデータを抽出するためのものである。図において、ブロック３１０の領域には、検索リストファイルにおける文書型定義ＤＴＤ（Document Type definition）の内部サブセットを、ブロック３１０、３３０、３４０の各領域には、それぞれ利用するデータベース毎にデータの抽出に関する情報を記述している。ＤＴＤについては、後述の構造化文書への変換モジュールの項で説明する。なお、この例では、検索リストファイルのＤＴＤを内部サブセットとして記述しているが、これに限定するものではない。また、データベースについても、３種類のデータベースを利用するように設定しているが、当然、これに限定するものではない。
【００５７】利用するデータベースとしては、前述の“GenBank”, “SWISS-PROT”、そして、嗅覚レセプタータンパク質に関する情報に特化して構築されているデータベース“ORDB（Orfactory Receptor DataBase、Yale Univ. Shephard a Lab.で築されている）”を、図３のブロック３１０，３２０、３３０の領域に含まれる要素“database_name”に登録している。
【００５８】また、検索リストファイル中においては、それぞれのデータベースでの検索式は、“query”なる要素に記述しておく。この検索式としては、簡単には、各データベースが提供している検索システムを用いてキーワード検索を行った際に、ブラウザのＵＲＬ（Uniform Resource Locator）の欄に表示されている文字列を利用することができる。
【００５９】ユーザは、このような構造化文書形式の検索リストファイル２１３の内容を更新することにより、利用するデータベースを自由に変更したり、追加したりすることが可能であり、かつ、検索リストファイルを作成した後に発見したり、新たに提供開始した新規データベースを利用したい場合には、検索リストファイル２１３に必要なデータを書き加えることで利用可能となる。
【００６０】ダウンロードプログラム２１２は、ディレクトリ型検索エンジン２１１検索ファイル２１３に基づいて検索を行った結果を、一時的に記憶部２２０に格納する。続いて、ダウンロードプログラム２１２は、記憶部２２０に一時的に格納した検索結果をもとに、抽出された個々のデータをＷＷＷ上のデータベースからダウンロードして記憶部２２０に格納する。このとき、ダウンロードプログラム２１２がダウンロードしたデータ形式はテキストファイル形式である。
【００６１】次に本発明のデータベースシステム２００は、このテキストファイル形式でダウンロードされたこの収集データを、モジュール２３０の機能によって構造化文書に変換処理させる。
【００６２】すなわち、構造化文書への変換モジュール２３０は、パーサ２３１と、ＤＴＤを格納した文書方定義格納部２３２とを有しているが、これらのうち、パーサ２３１は、文書型定義格納部２３２に格納されているＤＴＤに基づいて、各データ（テキストファイル形式で取得してある）を解析し、その中から必要な要素を取り出して、構造化文書へ変換するという処理機能を行う。
【００６３】ここでDTDは文書型定義であり、文書がどのようなタイプのものかを定義するものであって、主として、要素型宣言と属性リスト宣言からなるものである。そして、要素型宣言とは、XML文書で出てくる各々の要素に対して、どのようなものを内容に持つか、ということを定義するものであり、属性リスト宣言は、XML文書で出てくる各々の要素に対して、どのような属性を持ち、その属性がどのような値を取り得るのか、といったことを定義するものである。DTDは別ファイルにしておくこともできるし、XML文書の中に記述することもでき、別ファイルにした方を“外部サブセット”、XML文書内に書かれたものを“内部サブセット”と呼ぶ。外部サブセットと内部サブセットは同時に指定することも可能である。
【００６４】このように、ＤＴＤは、XML文書のデータ構造を書くためのものであり、構造化文書がどのような要素を、どのような構造で含んでいるといった文書型を定義してあるので、パーサ２３１はこのＤＴＤに基づいてデータを処理すると、得られたファイルは構造化文書に変換されたファイルとなる。
【００６５】尚、ＤＴＤとしては、外部で提供されるものを利用することも可能であり、また、構造化文書がＸＭＬ形式である場合には、ＤＴＤを用いないことも可能である。しかし、本発明が提供するデータベースシステムのように、構造化文書に変換したデータからユーザが選択した特定の要素について解析を行い、得られた新たな情報を元のデータに付加するというような処理を含むシステムでは、ユーザの用途に適した、かつ、データを構成する要素を随時付加することを念頭において作成されたＤＴＤを利用するのが望ましい。
【００６６】このようにして、本発明のデータベースシステム２００は、ユーザが所望とする一つ以上のデータベースや検索内容を記述した検索リストを用意しておくことで、データ抽出モジュール２１０はこの検索リストに従って、WWW上の復数のバイオ関連データベース２７０からユーザが必要な情報を抽出し、この抽出データはユーザが予め設定したＤＴＤに基づいてモジュール２３０が構造化文書へ変換する。そして、変換した構造化文書をデータベース部２４０に与える。
【００６７】データベース部２４０は、WWW上のデータベースから抽出して構造化文書に変換した各データを格納する一次データ格納部２４１と、一次データをWWW上の解析ツールで解析して得られた結果を格納する二次データ格納部２４２とにより構成されており、構造化文書に変換されたデータは一次データ格納部２４１に格納される。尚、データベースは、いわゆるリレーショナルデータベース、オブジェクト指向データベース、リレーショナルオブジェクト指向データベースなどを利用することが可能である。
【００６８】次に、本発明のデータベースシステム２００は、データ解析エージェント２５０により、一次データ格納部２４１の格納データについて解析を行う。
【００６９】データ解析エージェント２５０は、解析リストファイル２５１とデータ送受信プログラム２５２により構成されており、データ送受信プログラム２５２は解析リストファイル２５１に従って、解析ツールの提供サイトにアクセスし、解析を行う要素データを当該サイトに送信する。これを受けたサイト側では解析リストファイル２５１に指定された解析ツールを使用して前記要素データを解析し、結果を本発明のデータベースシステム２００に返す。
【００７０】本発明のデータベースシステム２００ではこの得られた解析結果のデータをデータ解析エージェント２５０が受け取り、これをデータ送受信プログラム２５２の実行によって一時的に記憶部２２０に格納し、また、この格納した前記解析結果のデータから、必要な要素データを抽出し、これをＤＴＤに基づいて、現在の一次データに二次データとして付加するかたちでデータ処理する。
【００７１】そのため、データベース部２４０にはバイオ関連のデータベースから収集した所望のデータを、ＤＴＤに基づいたかたちで次々に付加し、所望のデータベースの基礎データとして得ることが出来るようになる。
【００７２】解析リストファイルを用いた解析について、もう少し詳しく説明しておく。本発明システムで用意した上述の解析リストファイル２５１は、ユーザが、利用する解析ツールに関する情報（解析ツールが提供されているサイトのＵＲＬや、解析ツールが一次データのどの要素を利用するのか、など）を記載した文書ファイルである。なお、このファイルの内容に基づいて、以下で説明するデータ送受信プログラム２５２が処理を行うため、解析リストファイル２５１は検索リストファイルと同様、ＸＭＬなどの構造化文書であると望ましい。
【００７３】図４に、ＸＭＬ形式で作成された解析リストファイル２５１の一例を示した図において、ブロック４１０には、解析リストファイルにおけるＤＴＤの内部サブセットを記述してあり、ブロック４２０とブロック４３０とには、２種類の解析ツールに関する情報を記述してある。
【００７４】そして、本実施例においては具体的には、解析ツールに関する情報の記述は、新たに宣言して利用可能にした“tool_url”なる要素に、解析ツールを提供しているサイトのURLの情報を記述し、新たに宣言して利用可能にした“data_element”なる要素に、解析ツールが利用する一次データの要素を記述している。
【００７５】そして、“tool_url”なる要素は、データ送受信プログラム２５２において当該要素に記述されたサイトに行ってここで提供する解析ツールを利用するという機能と関連付けてあり、“data_element”なる要素には、当該要素に記述された一次データの要素を当該解析ツールで解析させるという機能と関連付けてある。ＸＭＬを利用することによりユーザによるこのようなプログラミングが容易にできることから、このような特徴を利用することで、“tool_url”なる要素に記述されたサイトに行ってここで提供する解析ツールを利用して、“data_element”なる要素に記述された一次データの要素を当該解析ツールで解析させることができるようになる。
【００７６】ここでは、解析ツールとしては、先述のExPASyで細胞膜貫通領域予測ツールとして紹介されている２種類、“SOSUI (http://azusa.proteome.bio.tuat.ac.jp/sosui/submit.html)”と“TopPred2(http://www.biokemi.su.se/ server/toppred2/toppredServer.cgi)”を登録し、ともに一次データに含まれる要素aa_sequenceを利用することを宣言している。
【００７７】本実施の形態では、DTDを内部サブセットとして記述しているが、もちろん外部サブセットとして別のファイルで提供する構成としても良い。また、上述の通り、本実施の形態では２種類の解析ツールを登録しているが、これも当然ながらこれらに限るものではない。
【００７８】データ送受信プログラム２５２は、解析リストファイル２５１に基づいて、解析ツールを提供しているサイトヘアクセスし、解析を行う要素データを送信する。そして、これにより得られた解析結果を一時的に記憶部２２０に格納し、この結果から、必要な要素データを抽出して、これをＤＴＤに基づいて、現在の一次データに二次データとして付加する。
【００７９】そのため、バイオ関連のデータベースから収集した所望のデータを、ＤＴＤに基づいたかたちで次々に付加し、収集していくので、所望のデータベースを構築するに当たり、所望のデータを様々なデータベース上から抽出してファイル化できるようになる。
【００８０】以上のように、この１の実施の形態におけるデータベースシステム２００は、マークアップ言語で記述した検索リストおよび解析リストと、ＤＴＤ（構造化文書を得るための文書型定義）を用意すれば、ユーザが必要な情報を、検索リストに従ってデータ抽出モジュール２１０がWWW上の複数のバイオ関連データベース２７０から抽出し、この抽出データを記憶部２２０に記憶し、データの収集が終わると、次にＤＴＤを用いてのモジュール２３０の機能によってこの収集データの構造化文書への変換を実施し、次に、解析エージェント２５０が前記解析リストに従って、解析ツールの提供サイトにアクセスし、解析を行う要素データを送って解析処理してもらい、結果を受け取って記憶部２２０に格納させ、また、この格納した前記解析結果のデータから、必要な要素データを抽出し、これをＤＴＤに基づいて、現在の一次データに二次データとして付加するかたちでデータ処理し記憶部に格納させるようにした。
【００８１】ＷＷＷ上のデータベースは、そのアクセスにブラウザを用いて閲覧する構成であり、ブラウザはＸＭＬなどのマークアップ言語で記述したファイルを用意すればブラウザ上での様々な処理や制御が可能である。しかもXMLなどのマークアップ言語では、定義をすれば機能を拡張できる。従って、検索したい対象やデータベースをマークアップ言語にて記述した検索リストや、解析ツールを指定してどのデータを解析させるかと、云ったことを思うがままに実行させることができる。そのため、WWW上に分散している複数のデータベースから、ユーザが必要とするデータを抽出し、そのデータからユーザ独自のデータベースを構築、更に、ユーザのデータベース中のデータから、WWW上で提供されている解析ツールを用いてて新たな情報を抽出しようというような場合に、複数のデータベースヘアクセスし、データを抽出、データの整形・保存、データベース化、解析ツールを提供している複数のサイトにアクセス、解析するデータの送信、データの解析、といった一連の煩雑な作業の繰り返しを、容易に自動化できるようになる。
【００８２】従って、本第１の実施の形態により、WWW上の分散したバイオ関連の複数のデータベースから、ユーザが利用するデータベースを自由に選択可能で、かつ、変更も容易であり、所望のデータを所望に収集して利用可能にするシステムが得られるようになる。
【００８３】（第２の実施の形態）図５は、第２の実施の形態によるデータベースシステムの基本構成を示すブロック図である。図において、データベースシステム５００は、第１の実施の形態における各モジュールと同等の働きをする、データ抽出モジュール５１０、記憶部５２０、構造化文書への変換モジュール５３０、データベース部５４０、データ解析エージェント５５０、そして、当該第２の実施の形態におけるシステムの特徴的な構成要素であるユーザインターフェイスモジュール５６０とにより構成する。
【００８４】データ抽出モジュール５１０は、第１の実施の形態におけるデータ抽出モジュール２１０に、記憶部５２０は、第１の実施の形態における記憶部２２０に、構造化文書への変換モジュール５３０は、第１の実施の形態における構造化文書への変換モジュール２３０に、データベース部５４０は、第１の実施の形態におけるデータベース部２４０に、そして、データ解析エージェント５５０は、第１の実施の形態における解析エージェント２５０に該当するもので、構成および機能も第１の実施の形態のものと同等である。
【００８５】第２の実施の形態におけるシステムの特徴的な構成要素であるユーザインターフェイスモジュール５６０は、外部のユーザがインターネット５７０を介してデータベースシステム５００にアクセスする際のユーザインターフェイスを提供するものであり、データベース部５４０に格納されているデータから、必要なデータを抽出してテータの内容を回覧するためのビュー機能５６１と、インターネット５７０を介してデータベース部５４０にアクセスしているユーザが、構造化文書として格納されているデータを、そのデータ構造を維持したままダウンロードするためのデータ送信機能５６２とを持つ。
【００８６】本システムにおいては、データベース部５４０にはユーザがバイオ関連データベースから必要情報を自動収集して構築したデータが構造化文書として格納されているが、ユーザインターフェイスモジュール５６０には、ビュー機能５６１があり、データベース部５４０に格納されているこれらのデータから、必要なデータを抽出してテータの内容を回覧することができる。また、データ送信機能５６２を設けたことにより、インターネット５７０を介してデータベース部５４０にアクセスしているユーザが、構造化文書として格納されているデータを、そのデータ構造を維持したままダウンロードすることができる。
【００８７】このように、本発明システムのデータベース部を他のユーザがアクセスできると共に、このアクセスしている他のユーザが構造化文書のまま、データをダウンロードできるようにしたことにより、利用するユーザがデータベースを構築したり、取得したデータを計算機で処理することを容易にする効果がある。
【００８８】このように、第２の実施の形態により、本発明が提供するデータベースシステムを利用して構築したデータベースをＷＷＷ上で公開した際に、インターネットを介して外部のユーザが該データベースシステムにアクセスしてデータを閲覧したり、該データベースから外部のユーザが抽出したデータを構造化文書の形式を維持したままダウンロードするシステムを提供することが可能である。
【００８９】以上説明した実施の形態１．および実施の形態２．において、データベースシステムは、ソフトウェア的に構成しても良いし、専用のハードウエアとして構成しても良い。更に、ハードウェア的に構成する場合は、単一のコンピュータで構成してもよいし、あるいは、各モジュールで異なるコンピュータを利用し、かつ、それらのコンピュータをネットワークで連結して構成してもよい。また、データベースシステムを構成する各モジュール、およびモジュール間のデータの受け渡し等を制御するためのプログラムは、さまざまな言語で記述可能であるが、バイオ分野のユーザが使用している計算機がいわゆるPC/AT（ＩＢＭ社商標）互換機とMacintosh機（Apple computer社商標）のものに二分されているため、機種依存性の低い言語、例えばJAVA(Sun Microsystems, Inc.の登録商標)などで記述されることが望ましい。
【００９０】次に、本発明を適用したデータベースシステムの実行例を説明する。
【００９１】（第１の実行例）本発明の実行例として、嗅覚レセプタータンパク質データベースシステムへの適用例を示す。ここで説明するシステムは、嗅覚レセプタータンパク質に関わるデータを、WWW上のデータベース（例えば、“GenBank”データベース, “ORDB”データベース, “SWISS-PROT”データベースなど）から抽出し、この一次データに含まれる嗅覚レセプタータンパク質のアミノ酸配列から、先述の細胞膜貫通領域予測ツール（ＳＯＳＵＩなど）を用いて、匂い分子との結合にかかわるとされている嗅覚レセプタータンパク質の細胞膜貫通領域に関する情報を抽出し、この情報を二次データとして上述の一次データに付加して、データベース化するためのシステムである。以下、嗅覚レセプタータンパク質データベースシステムの動作について、図を参照しながら説明する。
【００９２】図６は、嗅覚レセプタータンパク質データベースシステムにおける、データ抽出モジュール２１０のフローチャートである。このシステムでは、データ抽出モジュール２１０はユーザが予め指定しておいた時間にＷＷＷ上のデータベースからデータの抽出を行う（ステップＳ６０１）。
【００９３】これにより、ネットワークの通信能力が低下することが予測される時間帯（混雑期）や、ユーザがデータベースシステムを利用する時間帯などを避けて、データの抽出を行うよう指定することで、本データベースシステムを利用したデータ収集の作業効率向上を図ることできるようになる。図において、ステップＳ６０２からステップＳ６０５までが、図２または図５におけるディレクトリ型検索エンジン２１１，５１１の動作を、また、ステップＳ６０６からステップＳ６０７までが、図２または図５におけるダウンロードプログラム２１２，５１２の動作を示している。
【００９４】以下、各ステップについて説明する。
【００９５】＜データ抽出モジュールの処理＞データ抽出モジュール２１０，５１０では、ステップＳ６０１で指定された時刻になると、ディレクトリ型検索エンジン２１１，５１１を起動する（ステップＳ６０２）。すると、ディレクトリ型検索エンジン２１１，５１１は、図３で示した検索リストファイル２１３に記載された全ての検案について検索を実行する（ステップＳ６０４）。
【００９６】検索の実行は、検索リストファイル２１３の要素“ｑｕｅｒｙ”に記載されたＵＲＬにアクセスすることで実現させる。続いて、ステップＳ６０５において、各データベース２７０，５８０からＨＴＭＬ形式で提供される検索結果のソースファイルを記憶部２２０，５２０にテキストファイルとして格納する。
【００９７】図７に、記憶部２２０，５２０に格納された検索結果の一部を示した。これは、ＷＷＷ上のデータベースのひとつである“ＧｅｎＢａｎｋ”を利用した場合の例を示しており、この場合、ＨＴＭＬ形式の検案結果には、データベース“ＧｅｎＢａｎｋ”に保存されているデータ中で検索条件に合致したものの登録番号などがリスト形式で表示され、かつ、それぞれの登録番号には、各データに関する情報を表したＨＴＭＬファイルヘのリンクが張られた状態で提示される。
【００９８】このため、この検索結果のソースファイルには、各テータのＨＴＭＬファイルに対応するＵＲＬが、図のブロック７２０の領域に示す如きに記述されたかたとなっている。
【００９９】ステップＳ６０７において、ダウンロードプログラム２１２により、このＵＲＬを抽出するには、“ＧｅｎＢａｎｋ”の場合、例えば、ボックス７１０に示された、ＨＴＭＬにおけるタグである“＜ｄｌ＞＜ｄｔ＞”を目印として、その直後に記述されているＵＲＬを抽出することで実現可能である。
【０１００】ダウンロードプログラム２１２は、次に、このようにして抽出した全てのＵＲＬにアクセスし、各データのＨＴＭＬ形式で提供される情報のソースファイルをテキスト形式で記憶部２２０，５２０に格納する（ステップＳ６０８）。
【０１０１】＜構造化文書への変換モジュールにおける処理＞続いて、図８により、嗅覚レセプタータンパク質データベースシステムにおける、構造化文書への変換モジュール２３０，５３０のフローチャートを説明する。このデータ抽出モジュール２３０，５３０により、ＷＷＷ上のデータベース２７０，５８０から抽出した全データについて、図２または図５で示した構造化文書への変換モジュール２３０，５３０に含まれるパーサが、ステップＳ８０１からステップＳ８０１′までの間のループ処理を行う。そして、これにより、構造化文書への変換を行う。
【０１０２】以下、簡単にこのループ処理の工程を説明する。まず、パーサがステップＳ８０２において、記憶部２２０，５２０から各データに関する情報を含んだテキストファイルを読み出し、続いてステップＳ８０３からステップＳ８０３′までのループ処理を行い、読み出したテキストファイルの中から、嗅覚レセプタータンパク質データベース用のＤＴＤに記載されている要素に関するデータを抽出し、タグ付けを行なう。更に、ステップＳ８０９において、タグ付けを行った全要素データを、ＤＴＤに基づいて構造化し、ＸＭＬ文書として整形して、続くステップＳ８１０より、各ＸＭＬ文書を一次データとしてデータベース部２４０，５４０に格納する。
【０１０３】以下、ステップＳ８０３からステップＳ８０３′までのループ処理、すなわち、構造化文書にする処理について、詳細に説明する。このループ処理では、まず、ステップＳ８０４において、ステップＳ８０２で読み込まれたデータ中に、ＤＴＤに記載された要素データが含まれているかをパーサが解析する。
【０１０４】その結果、要素データが含まれていた場合には、パーサはステップＳ８０５の処理においてデータを文字列として読み込み、次のステップＳ８０６で、読み取った文字列に不必要な文字列（改行コード、空白、遺伝子の塩基配列の番号）が含まれていないかをチェックする。
【０１０５】ステップＳ８０６でのチェックの結果、上述の文字列が見つかった場合には、ステップＳ８０７での処理において、当該見つかった不要な文字列を取り除いて整形した後、ＤＴＤに基づいて要素データにタグを付加する。そして、ステップＳ８０３の処理に進む。また、ステップＳ８０４での処理において、抽出する要素データが見つからなかった場合には、要素データがないことを明示するために、バーサは開始タグと終了タグだけを保存する（ステップＳ８１１）。
【０１０６】以上の処理により、構造化文書への変換が行える。
【０１０７】図９に、本実行例で使用した嗅覚レセプターデータベース用ＤＴＤ（嗅覚レセプターデータベース用の定義文書）である“olfactory_receptor.did”の記述例を示した。図において、ブロック９１０とブロック９２０は、このＤＴＤの特徴である領域を示している。ブロック９１０では、嗅覚レセプタータンパク質が応答する匂い分子に関する要素データ宣言をしている。この要素データは、子要素として、匂い分子の名前、匂い分子の構造式のデータを持っている。
【０１０８】これらのデータは、“ＧｅｎＢａｎｋ”データベースや“ＳＷＩＳＳ−ＰＲＯＴ”データベースでは取得できないが、いくつかの嗅覚レセプタータンパク質に関しては、“Ｍｅｄｌｉｎｅ”データベースに登録されている文献中のデータや、“ＯＲＤＢ”データベースにより収集可能である。
【０１０９】また、ブロック９２０には、一次データを解析して得られた結果を二次データとして付加するための要素データ、“ａｄｄ＿ｄａｔａ”を宣言している。
【０１１０】この要素データ“ａｄｄ＿ｄａｔａ” には、子要素として、遺伝子の塩基配列に関する二次データ“ｎｕｃ＿ｄａｔａ”と、アミノ酸配列に関する二次データ”ａａ＿ｄａｔａ” を含ませてある。
【０１１１】本実施例では、特に、嗅覚レセプタータンパク質の細胞膜貫通領域に関するデータをデータベース化することが目的であるため、二次データとして、『アミノ酸配列については、細胞膜貫通領域予測ツールによるシミュレーション結果を“ａａ＿ｄａｔａ” の子要素“ｓｉｍｕｌａｔｉｏｎ”に格納する』というような内容で宣言している。また、塩基配列に関しては、『嗅覚レセプタータンパク質のアミノ酸配列を知る上で必要な、タンパク質をコードしている塩基配列（コーディング領域）の全長が決定されていないデータについて、他の塩基配列との相同性のチェックにより全長の探索を行い、その結果を“ｎｕｃ＿ｄａｔａ”の子要素“ｈｏｍｏｌｏｇｙ”に格納する』よう宣言している。
【０１１２】このように宣言しておくことで、二次データとして、『アミノ酸配列については、細胞膜貫通領域予測ツールによるシミュレーション結果を“ａａ＿ｄａｔａ” の子要素“ｓｉｍｕｌａｔｉｏｎ”に格納させ、また、塩基配列に関しては、嗅覚レセプタータンパク質のアミノ酸配列を知る上で必要な、タンパク質をコードしている塩基配列の全長が決定されていないデータについて、他の塩基配列との相同性のチェックにより全長の探索を行い、その結果を“ｎｕｃ＿ｄａｔａ”の子要素“ｈｏｍｏｌｏｇｙ”に格納するという処理が実現でき、目的通り、嗅覚レセプタータンパク質の細胞膜貫通領域に関するデータをデータベース化することができるようになる。
【０１１３】なお、以上のＤＴＤは、一実施例であり、これに限定されるものではない。
【０１１４】＜“GenBank”登録データのＸＭＬ文書変換例＞図１０に、上述のステップＳ８０９により、図１で示した“ＧｅｎＢａｎｋ”に登録されているデータを、図９のＤＴＤに基づいてＸＭＬ文書に変換した例の一部分を示した。図のブロック１００２から分かるように、図１のブロック１１０の領域に示されたアミノ酸配列から改行コードと空白が取り除かれ、一続きの文字列に整形されている。また、図１のブロック２０の領域に示された遺伝子の塩基配列からも、改行コード、空白、配列の番号が取り除かれ、一続きの文字列として整形されている（図１０のブロック１００１）。ブロック１００３の領域にある、シミュレーション結果などの二次データ用の要素では、一次データの段階では要素データがないため、それぞれ開始タグと終了タグだけを保存している。
【０１１５】＜データ解析エージェントの処理フロー＞図１１は、本案施例におけるデータ解析エージェントでのフローチャートである。ステップＳ１１０１からステップＳ１１０１′までのループ処理は、図２または図５で示したデータ解析エージェント２５０，５６０が実施する。そして、全ての一次データについて、ステップＳ１１０１からステップＳ１１０１′までのループ処理を行う。以下、各ステップについて説明する。
【０１１６】本実施例でのデータ解析エージェント２５０，５６０は、図４に示した解析リストファイル２５１に基づいて、一次データに含まれる要素データを、ＷＷＷ上で提供される解析ツールを利用して解析する。まず、ステップＳ１１０３においては、一次データに各解析ツールで用いる要素データが存在するか否かを確認し、その結果、要素データが含まれていなかった場合には、ステップＳ１１０２′に進み、次の一次データの処理を実行する。一方、要素データがあった場合には、ステップＳ１１０４により、要素データを解析ツールのサイトに送信する。
【０１１７】解析ツールを提供しているサイトがブラウザを通して提示する解析桔果は、ステップＳ１１０５により、そのソースファイルをテキスト形式で記憶部２２０，５２０に格納する。
【０１１８】ステップＳ１１０５により格納された解析結果のテキストファイルの一部を、図１２に示した。このデータは、図１０で示した一次データのアミノ酸配列（図１０のブロック１００２）を、前述の細胞膜貫通領域予測ツール“ＳＯＳＵＩ”で解析した結果である。図において、ブロック１２０１からブロック１２０６で示した領域は、“ＳＯＳＵＩ”により細胞膜貫領域と予測されたアミノ酸配列が示されている。本実施例では、ステップＳ１１０６における必要な要素データを抽出する過程で、ブロック１２０１からブロック１２０６で示されたアミノ酸配列を抽出する。
【０１１９】抽出した全ての要素データは、ステップＳ１１０７からステップＳ１１０７′までのループ処理により、図９で示したＤＴＤに基づいて、二次データとしてデータベース部２４０，５４０に格納する（ステップＳ１１０８）。
【０１２０】＜二次データが付加されたデータの例＞データ解析エージェント２５０，５６０により二次データを付加されたデータの例を図１３に示した。図では、図１０で示した一次データに二次データが付加された後のデータの一部を示している。ボックス１３０１の領域が、二次データとして細胞膜貫通領域予測ツール“ＳＯＳＵＩ”で細胞膜貫通領域と予測されたアミノ酸配列の情報を付加したものである。
【０１２１】以上のように、本実行例では、第１の実施形態で説明した発明を適用したことにより、複数のデータベースから嗅覚レセプタータンパク質に関する必要なデータのみを自動的に抽出し、更に、この抽出したデータをWWW上で提供されている解析ツールを利用して解析することにより、匂い分子との結合に重要な細胞膜貫通領域に関する情報を抽出して取り込むことで、ＷＷＷ上にある様々なバイオ関連データベースから所望とするデータを収集してユーザの目的に合った内容のデータベースに再構築することが可能となったことがわかる。
【０１２２】（第２の実行例）続いて、第２の実施形態で示した発明を、嗅覚レセプタータンパク質データベースシステムに適用した場合の実行例を説明する。第２の実施形態における発明の特徴は、第１の実施形態における発明の特徴に加え、構築したデータベースをWWW上に公開し、インターネットを介してアクセスしたユーザに対して、データの回覧・検索、データの構造を維持したままデータをダウンロードするためのユーザインターフェイスを具備している点である。
【０１２３】図１４に嗅覚レセプタータンパク質データベースの１つのデータを、上述のユーザインターフェイスの一実施例を用いて表示装置の表示画面上に表示した例を示した。図において、1400で示されたデータは、ブラウザを通して表示画面上に表示しており、HTML形式で表示している。
【０１２４】現時点では、XMLをそのまま表示できるブラウザが少ないため、ユーザヘの配慮からXML文書としてデータベースに保存されているデータも、HTML形式に変換して表示している（ブロック1410）が、XML文書を表示できるブラウザが主流になれば、変換せずそのまま表示する構成とすることも可能である。
【０１２５】表示されたこのデータを閲覧したユーザが、データを保存する場合には、図の1411と1412で示したボタンをクリックすることで、それぞれ、テキスト形式とXML形式でデータをダウンロードすることが可能である。
【０１２６】画面上のボタン1412は“テキスト形式出力指示ボタン”であり、このボタン1412にマウスカーソルを当て、マウスのボタンをクリックして出力指令を与えると、を選択した場合には、XML文書の各要素データに付けられた終了タグを取り除く処理を施した上で、テキスト形式より、データを出力するような機能を実現するようにプログラムしてしてあり、また、画面上のボタン1412は、“ＸＭＬ文書出力指示ボタン”であり、このボタンがクリックされた場合は、データをそのまま出力するようにプログラムしてあって、これらボタンの選択で、テキスト形式の文書かXML文書でデータをダウンロード出来るようにしてある。
【０１２７】従って、再構築されたデータベースを第三者が利用した場合には、その第三者がボタン1412をクリックしてテキスト形式を選択した場合には、簡単には、XML文書の各要素データに付けられた終了タグを取り除いたものをダウンロード出来るようになり、また、ボタン1412をクリックした場合は、XML文書としてダウンロードすることができるようになる。
【０１２８】なお、本発明は上述した実施形態に限定されるものではなく、種々変形して実施可能である。また、本発明において、上記実施形態には種々の段階の発明が含まれており、開示される複数の構成要件における適宜な組み合わせにより種々の発明が抽出され得る。例えば、実施形態に示される全構成要件から幾つかの構成要件が削除されても、発明が解決しようとする課題の欄で述べた課題の少なくとも１つが解決でき、発明の効果の欄で述べられている効果の少なくとも１つが得られる場合には、この構成要件が削除された構成が発明として抽出され得る。
【０１２９】また、本発明における実施形態に記載した手法は、コンピュータに実行させることのできるプログラムとして、磁気ディスク（フレキシブルディスク、ハードディスクなど）、光ディスク（ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＤＶＤ、ＭＯなど）、半導体メモリなどの記録媒体に格納して頒布することもでき、また、ネットワークを介しての伝送により、頒布することもできる。
【０１３０】
【発明の効果】以上、詳述したように、 第１の本発明によれば、WWW上の分散したバイオ関連の全てのデータベースを対象とし、利用するデータベースを自由に選択し、かつ、容易に変更することが可能であるという特徴を持ち、選択したデータベースから必要なデータを抽出してユーザ独自のデータベースを構築し、更に、構築したデータベースのデータから、解析ツールを利用して新たな情報を抽出してデータベース化することが可能で、上記の一連の工程が計算機により自動的に行えるようになる。。
【０１３１】また、第２の本発明においては、第１の本発明に加えて、当該第１の発明が提供するデータベースシステムを利用して構築したデータベースをWWW上で公開した際に、インターネットを介して外部のユーザが該データベースシステムにアクセスしてデータを閲覧したり、該データベースから抽出したデータを構造化文書の形式を維持したままダウンロードすることを可能にする。
【出願人】 【識別番号】０００００３０７８
【氏名又は名称】株式会社東芝
【出願日】 平成１２年９月２９日（２０００．９．２９）
【代理人】 【識別番号】１０００５８４７９
【弁理士】
【氏名又は名称】鈴江 武彦 （外６名）
【公開番号】 特開２００２−１０８９０３（Ｐ２００２−１０８９０３Ａ）
【公開日】 平成１４年４月１２日（２００２．４．１２）
【出願番号】 特願２０００−３０１３０７（Ｐ２０００−３０１３０７）