Enabling knowledge management in the Agronomic Domain - - PowerPoint PPT Presentation

Enabling ¡knowledge ¡management ¡ in ¡the ¡Agronomic ¡Domain ¡ ¡

Pierre ¡Larmande ¡ Ins-tute ¡of ¡Research ¡for ¡Development ¡(IRD) ¡ Head ¡of ¡data ¡integra-on ¡group ¡at ¡the ¡Ins-tute ¡of ¡ Computa-onal ¡Biology ¡ pierre.larmande@ird.fr ¡ ¡

Research project « from data to biological knowledge » Five complementary fields of research (WP1 HTS): methods for high-throughput sequencing analysis (WP2 Evolution): scaling-up evolutionnary analyses (WP3 Annotation): structural and functional annotation of proteomes (WP4 Imaging): integrating cell and tissue imaging with Omics data (WP5 Databases): integrating biological data and knowledge Fundamental research

Mul7-­‑scale ¡omics ¡integra7on ¡

Research ¡areas ¡

Workflow ¡management ¡ Seman7c ¡web ¡

Collabora-ve ¡network ¡of ¡bioinforma-cians ¡from ¡different ¡ ins-tutes ¡: ¡CIRAD, ¡IRD, ¡INRA ¡and ¡Bioversity ¡Interna7onal. ¡ Montpellier ¡

hFp://southgreen.cirad.fr/ ¡

Outline

• Data integration challenges in the Life Sciences
• Ontologies/ Semantic Web Technologies
• AgroPortal project
• Agronomic Linked Data project

Data landscape in the Life Sciences

• The availability of biological data has increased
• Advancements in:
• computational biology
• genome sequencing
• high-throughput technologies
• Integrative approaches are necessary to understand

the functioning of biological systems

Courtesy ¡of ¡Dr ¡Aravind ¡Venkatesan ¡

Gene7c ¡and ¡physical ¡maps, ¡QTL ¡ ¡ Genotyping ¡studies ¡ ¡ ¡ ¡ Genomic ¡annota7ons ¡ A ¡ E ¡ C ¡ D ¡ B ¡ Gene7c ¡ressources ¡ Geographic ¡data ¡ Compara7ve ¡genomics ¡ ¡

Markers ¡

Analysis ¡ Workflows ¡ Phenotypes ¡ ¡

Individuals ¡

large ¡genome ¡resequencing ¡ ¡ high-­‑throughput ¡phenotyping ¡

Courtesy ¡of ¡Dr. ¡M. ¡Ruiz ¡

• Lack of effective approaches to integrate data that

has created a gap between data and knowledge

• Need for an effective method to bridge gap between

data and underlying meaning

• Harvest the power of 

• verlaying different data sets

Data integration challenges

Courtesy ¡of ¡Dr ¡Aravind ¡Venkatesan ¡

• Today’s Web content is suitable for human consumption
• Collection of documents
• the existence of links that establish connections

between documents

• Low on data interoperability and lacks semantics.

Today’s Web

Courtesy ¡of ¡Dr ¡Aravind ¡Venkatesan ¡

• Drastic increase in data production.
• Standardization needed to manage and use these

data

• Mainly used XML for standardizing data exchange.
• SBML, CellML
• Minimum Information for Biological and

Biomedical Investigations (MIBBI)

• Investigation, Study, and Assay (ISA)

Standardization of data

Courtesy ¡of ¡Dr ¡Aravind ¡Venkatesan ¡

• Ontologies are formal representations of knowledge - definitions of

concepts, their attributes and relations between them.

• To integrate data, improve machine interoperability and data

analysis required a conceptual scaffold.

• Ontological terms used across databases
• provide cross-domain common entry points in the description.
• An array of ontologies are being used to bring structured integration
• f various datasets.
• The Open Biomedical Ontologies (OBO) initiative:
• serves as an umbrella

for well structured orthogonal

• ntologies.
• Ontologies represented in OBO format and OWL

Ontologies

Courtesy ¡of ¡Dr ¡Aravind ¡Venkatesan ¡

Crop Ontology

• Is ¡an ¡applica-on ¡
• ntology ¡for ¡fielbooks ¡

and ¡breeding ¡databases ¡ & ¡repositories ¡

• A ¡visualiza-on ¡tool ¡

suppor-ng ¡cura-on ¡of ¡ trait ¡lists ¡by ¡a ¡distributed ¡ community ¡

• A ¡discussion ¡Forum ¡

cropontology.org ¡ Courtesy ¡of ¡Elizabeth ¡Arnaud ¡

Semantic Web Technology

• An extension of the current Web technologies.
• Enables navigation and meaningful use of digital

resources.

• Support aggregation and integration of information

from diverse sources.

• Based on common and standard formats.

Courtesy ¡of ¡Dr ¡Aravind ¡Venkatesan ¡

Resource Description Framework (RDF)

• Framework for representing information about resources
• n the Web
• Provides a labeled connection between two resources
• Uses Unique Resource Identifiers (URI)
• Statements take the form of triples:

Subject ¡

Predicate ¡

Object ¡ <Gene_A> ¡ <codes_for> ¡ <Protein_A> ¡ RDF ¡Triple ¡ Courtesy ¡of ¡Dr ¡Aravind ¡ Venkatesan ¡

• Combining the triples results in a directed, labeled

graph.

<Gene_A> ¡ <Protein_A> ¡ <has_func7on> ¡ <BP_A> ¡ <MF_A> ¡ <Gene_X> ¡ <regulates> ¡ Courtesy ¡of ¡Dr ¡Aravind ¡Venkatesan ¡

• Can be joined with other graphs.
• Connected using shared URIs.

<Gene_A> ¡ <Protein_A> ¡ has_func7on ¡ <BP_A> ¡ <MF_A> ¡ <Gene_X> ¡ regulates ¡ <Protein_X> ¡ h a s _ S N P ¡ <Disease_X> ¡ <SNP_X> ¡ influences ¡ Courtesy ¡of ¡Dr ¡Aravind ¡Venkatesan ¡

SPARQL

• Language which allows querying RDF models (graphs)
• Powerful, flexible
• Its syntax is similar to the one of SQL

Courtesy ¡of ¡Dr ¡Aravind ¡Venkatesan ¡

Matching Triples

Courtesy ¡of ¡Dr ¡Aravind ¡Venkatesan ¡

Semantic Web meets Systems Biology

• The Semantic Web has gained steady acceptance among the

life science community.

• BioPortal, Bio2RDF, for biomedical
• The RDF data model complements systems biology – linking

varied information sources

• RDF suggested as a data representation format over XML*.
• Data represented in XML are based on a schema,

extensibility limitations.

• XML lack the semantic expression in the describing data

sets.

• SPARQL - address questions that were unapproachable at the

time the information were produced.

*Wang ¡et ¡al., ¡Nature ¡Biotechnology, ¡2005 ¡

Rice Integrated Approach ¡

The Panicle Structure case ¡

Stefan Jouannic & Helen Adam ¡

Genome Structure 'vs' Panicle Structure ¡

Stefan Jouannic & Helen Adam ¡

GRiSP ¡

3,000 ¡genomes ¡ 70 ¡Tbytes ¡

¡ Data integration Phenotyping ¡

Dozen ¡of ¡Tbytes ¡

Modelling ¡ Databases ¡and ¡knowledge ¡ ARCAD ¡ Expression ¡data ¡

Genome Structure 'vs' Panicle Structure ¡

Bioinforma-cs ¡ Big ¡Data ¡

GRiSP ¡

3,000 ¡genomes ¡ 70 ¡Tbytes ¡

¡ Data integration Phenotyping ¡

Dozen ¡of ¡Tbytes ¡

Modelling ¡ Databases ¡and ¡knowledge ¡ ARCAD ¡ Expression ¡data ¡

Genome Structure 'vs' Panicle Structure ¡

Bioinforma-cs ¡ Big ¡Data ¡ Workflows ¡

GRiSP ¡

3,000 ¡genomes ¡ 70 ¡Tbytes ¡

¡ Data integration Phenotyping ¡

Dozen ¡of ¡Mbytes ¡

Modelling ¡ Databases ¡and ¡knowledge ¡ ARCAD ¡ Expression ¡data ¡

Genome Structure 'vs' Panicle Structure ¡

Bioinforma-cs ¡ Big ¡Data ¡ Workflows ¡ Mul7-­‑scale ¡integra7on ¡

Multi-scale integration ¡

Multi-scale integration

DB1 ¡ DB2 ¡ File ¡ Transforma-on ¡ Rdf ¡store ¡ Annota-on ¡ Visualisa-on ¡ Query ¡ formula-on ¡ Extrac-on ¡ Load ¡ AgroPortal ¡ AgroLD ¡ R2RML ¡– ¡xR2RML ¡ D2RQ ¡ Karma, ¡OpenRefine, ¡ Talend, ¡Python ¡

AgroPortal ¡ ¡a ¡proposi:on ¡for ¡ontology-­‑based ¡

services ¡in ¡the ¡agronomic ¡domain ¡

Clément ¡Jonquet, ¡ ¡ Esther ¡Dzalé-­‑Yeumo, ¡ ¡Elizabeth ¡Arnaud, ¡ ¡Pierre ¡Larmande ¡ ¡

Objec7ves ¡of ¡AgroPortal ¡project ¡

• Develop ¡and ¡support ¡a ¡reference ¡ontology ¡repository ¡

for ¡the ¡agronomic ¡domain ¡

– One-­‑stop-­‑shop ¡for ¡plant/agronomic ¡related ¡ontologies ¡ ¡ – Primary ¡focus ¡on ¡the ¡agronomic ¡& ¡plant ¡domain ¡

• Reusing ¡the ¡NCBO ¡BioPortal ¡technology ¡

– Avoid ¡to ¡re-­‑implement ¡what ¡has ¡been ¡done ¡ – Facilitate ¡interoperability ¡ – Reusing ¡the ¡scien-fic ¡outcomes, ¡experience ¡& ¡methods ¡

• f ¡the ¡biomedical ¡domain ¡ ¡
• Enable ¡straighdorward ¡use ¡of ¡agronomic ¡related ¡
• ntologies ¡

– Respect ¡the ¡requirements ¡of ¡the ¡agronomic ¡community ¡ ¡ – Fully ¡seman-c ¡web ¡compliant ¡infrastructure ¡

30 ¡

Courtesy ¡of ¡Dr ¡Clement ¡Jonquet ¡

31 ¡

Courtesy ¡of ¡Dr ¡Clement ¡Jonquet ¡

32 ¡

Courtesy ¡of ¡Dr ¡Clement ¡Jonquet ¡

Available ¡ontologies ¡

• Already ¡29 ¡ontologies… ¡and ¡we ¡expect ¡around ¡40 ¡soon. ¡

– (half ¡are ¡not ¡included ¡in ¡the ¡NCBO ¡BioPortal) ¡

• Ontologies ¡are ¡organized ¡in ¡Groups ¡and ¡Categories ¡

33 ¡

Courtesy ¡of ¡Dr ¡Clement ¡Jonquet ¡

34 ¡

35 ¡

Recommender ¡

36 ¡

Mappings ¡

37 ¡

Community ¡based ¡func7onali7es ¡

Atelier ¡InOvive ¡2015 ¡– ¡Rennes ¡– ¡29 ¡juin ¡ 2015 ¡ 38 ¡

REST ¡Web ¡Service ¡API: ¡

hlp://data.agroportal.lirmm.fr/documenta-on ¡ ¡

Atelier ¡InOvive ¡2015 ¡– ¡Rennes ¡– ¡29 ¡juin ¡ 2015 ¡ 39 ¡

SPARQL ¡endpoint: ¡

hlp://sparql.agroportal.lirmm.fr ¡ ¡

40 ¡

4 ¡Driving ¡Agronomic ¡Use ¡Cases ¡

• IBC ¡Rice ¡Genomics ¡

– data ¡integra-on ¡and ¡knowledge ¡management ¡ related ¡to ¡rice ¡

¡

• RDA ¡Wheat ¡Data ¡Interoperability ¡working ¡group ¡

– common ¡framework ¡for ¡describing, ¡represen-ng, ¡ linking ¡and ¡publishing ¡wheat ¡data ¡with ¡respect ¡to ¡

• pen ¡standards ¡
• INRA ¡Linked ¡Open ¡Vocabularies, ¡LovInra ¡

– publish ¡vocabularies ¡produced ¡or ¡co-­‑produced ¡by ¡ INRA ¡scien-sts ¡and ¡foster ¡their ¡reuse ¡beyond ¡the ¡

• riginal ¡researchers ¡
• The ¡Crop ¡Ontology ¡project ¡

– publishes ¡ontologies ¡required ¡for ¡describing ¡crop ¡ germplasm, ¡traits ¡and ¡evalua-on ¡trials. ¡

41 ¡

Courtesy ¡of ¡Dr ¡Clement ¡Jonquet ¡

Each ¡use ¡case ¡has ¡a ¡specific ¡group ¡in ¡AgroPortal ¡

• Feature ¡newly ¡available: ¡slices ¡

– Specific ¡“entry” ¡in ¡the ¡AgroPortal ¡

42 ¡

AgroLD ¡

¡The ¡Agronomic Linked Data project

Aravind ¡Venkatensan, ¡ Gildas ¡Tagny, ¡ Nordine ¡El ¡Hassouni, ¡ Manuel ¡Ruiz, ¡ ¡Pierre ¡Larmande ¡ ¡

Agronomic Linked Data (AgroLD)

• Semantic web based system that integrates data from

South Green Bioinformatics node

• Aim:
• Capability to answer complex real life questions
• Efficient information integration / retrieval.
• Easy extensibility.
• Aid in holistic understanding of domain

AgroLD

• AgroLD will be developed in phases –
• Website: www.agrold.org
• Phase I: includes data on:
• Rice (Oryza spp).
• Oryza barthi
• Oryza brachyantha
• Oryza Sativa
• Oryza glaberimma
• Arabidopsis thaliana
• Sorghum (Sorghum bicolor)
• Maize/Corn (Zea mays)
• Wheat
• Triticum astivum
• Triticum urartu

Data ¡sources ¡in ¡AgroLD ¡

Ontologies ¡in ¡AgroLD ¡

Knowledge in AgroLD

AgroLD ¡ Ontologies ¡

Biological process Cellular Component Molecular Function

Interaction

Gene ¡ Taxon

Protein ¡ protein ¡

Modification

Pathway

has_par7cipant ¡ contains ¡ has_func7on ¡ has_agent ¡ acts_on ¡ is_member_of ¡ codes_for ¡

• c

c u r s _ i n ¡ has_source ¡

protein ¡

Target Gene

Knowledge representation in AgroLD

www.agrold.org

Search ¡and ¡browse ¡AgroLD ¡

Plant ¡height ¡

Sparql ¡query ¡editor ¡

Results ¡are ¡annotated ¡with ¡evidence_code ¡ ¡

hlp://geneontology.org/page/guide-­‑go-­‑evidence-­‑codes ¡

Visualisa7on ¡of ¡queries ¡

Web ¡Services ¡API ¡

From ¡Gildas ¡Tagny, ¡M2 ¡internship ¡ ¡

Web ¡Services ¡API ¡ ¡

Advanced ¡form-­‑based ¡search ¡

Results ¡are ¡combined ¡with ¡external ¡services ¡ ¡

Galaxy ¡Wrapper ¡available ¡for ¡AgroLD ¡

From ¡Gildas ¡Tagny, ¡M2 ¡internship ¡ ¡

FUTURE ¡DIRECTIONS ¡

Exposing ¡the ¡French ¡agronomic ¡resources ¡as ¡Linked ¡Data ¡

IFB ¡-­‑ ¡2015 ¡– ¡Plant ¡node ¡

Future directions

• Phase II: having both wider and deeper coverage to promote

comparative analysis

• Include varied data types – gene expression data, protein-protein

interaction, Transcription factor- target gene

• Developing methods to aid the process of hypotheses generation - e.g.

inference rules.

• Query translation – natural language query translation.
• Engage with biologists to mobilise ‘user-pull’:
• Develop real world use cases – studying the molecular mechanism
• f panicle differentiation in rice

Evalua7on ¡of ¡SPARQL ¡query ¡genera7on ¡from ¡natural ¡ language ¡ques7ons ¡ ¡ ¡

From ¡Imene ¡Chentli, ¡M2 ¡internship ¡ Collabora-on ¡with ¡Dr ¡Konstan-n ¡Todorov ¡ ¡

Evalua7on ¡of ¡SPARQL ¡query ¡genera7on ¡from ¡natural ¡ language ¡ques7ons ¡

From ¡Imene ¡Chentli, ¡M2 ¡internship ¡ Collabora-on ¡with ¡Dr ¡Konstan-n ¡Todorov ¡ ¡

Evalua7on ¡of ¡SPARQL ¡query ¡genera7on ¡from ¡natural ¡ language ¡ques7ons ¡

From ¡Imene ¡Chentli, ¡M2 ¡internship ¡ Collabora-on ¡with ¡Jim-­‑Dong ¡Kim ¡ ¡

Evalua7on ¡of ¡SPARQL ¡query ¡genera7on ¡from ¡natural ¡ language ¡ques7ons ¡

From ¡Imene ¡Chentli, ¡M2 ¡internship ¡ Collabora-on ¡with ¡Dr ¡Konstan-n ¡Todorov ¡ ¡

Using ¡NLP ¡to ¡extract ¡informa7on ¡or ¡rela7onship ¡between ¡ biological ¡objects ¡

• Comment’s ¡literal ¡from ¡protein ¡URI ¡(source:uniprot) ¡ ¡
• Knowledge ¡extrac-on ¡from ¡publica-ons ¡

Benchmarking ¡triplestores ¡

From ¡Luyen ¡Le ¡Ngoc, ¡M2 ¡internship ¡ Collabora-on ¡with ¡Anne ¡Tireau ¡ Loading ¡ Query ¡ Query ¡Union ¡ Inference ¡

Acknowledgements ¡

Elizabeth ¡Arnaud, ¡ ¡ Leo ¡ValeFe, ¡ ¡ Marie-­‑Angelique ¡Laporte, ¡ ¡ Julian ¡Pietragalla ¡ Valen7n ¡Guignon ¡ Manuel ¡Ruiz, ¡ Nordine ¡El ¡Hassouni ¡ Aravind ¡Venkatesan, ¡ Gildas ¡Tagny ¡ Imene ¡Chentli ¡ Luyen ¡Le ¡Ngoc ¡ Esther ¡Dzalé-­‑Yeumo, ¡ Cyril ¡Pommier ¡ Anne ¡Tireau ¡ Pascal ¡Neveu ¡ Patrick ¡Valduriez ¡ Clement ¡Jonquet ¡ Konstan7n ¡Todorov ¡ Pierre ¡Larmande ¡ Contact: ¡pierre.larmande@ird.fr ¡