Desarrollo de un sistema para la integración de nomenclatura y campos textuales sobre genes y proteínas

Abstract

Una de las áreas de más actividad investigadora en el análisis de texto biomédico es el reconocimiento de los nombres y abreviaturas utilizadas para referirse a dos entidades biológicas de gran relevancia: genes y proteínas. Muchos de los métodos propuestos se basan en vocabularios control construidos a partir de la información almacenada en distintas bases de datos utilizadas en bioinformática. Debido a la ambigüedad existente en la nomenclatura de genes y proteínas dentro del mundo de la bioinformática, el objetivo de este proyecto es el de diseñar y desarrollar un sistema que integre información normalizada sobre genes/proteínas, susceptible de ser utilizada para el reconocimiento automático de dicha nomenclatura en textos científicos. La normalización se realizará en base a los identificadores únicos (claves externas) de diversas bases de datos. Para ello se desarrollará una base de datos centralizada (datawarehouse), sobre la que se incorporarán los datos pertinentes de varias bases de datos públicas (ej. UniProt, NCBI Entrez, Gene Ontology), así como los mecanismos de actualización necesarios. Finalmente se proporcionará la funcionalidad para su acceso programático. Este sistema será consultado por las herramientas de análisis de texto biomédico desarrolladas en nuestro grupo de investigación. [ABSTRACT] Among the areas of principal activities’ investigation in biomedic text analysing field we find the recognition of names and abbreviations used to talk about two main entitys: genes and proteins. Many of the proposed methods are based in control vocabularies builded up from information stored in several databases used in bioinformatic. Designing and developing a system that integrates information about genes/proteins, susceptible of being used for the automatic recognise in science texts. This integration will be achieved by using the id numbers (foreign keys) from the main bioinformatics’ data bases (UniProt, NCBI Entrez) building up a datawarehouse that includes the principal features of this genes/proteins. This system will be used by the tools developed in the Department of Architecture and Automatic Engineering.