JP2002108903A

JP2002108903A - 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

Info

Publication number: JP2002108903A
Application number: JP2000301307A
Authority: JP
Inventors: Kazunori Miyazaki; 和典宮崎
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2000-09-29
Filing date: 2000-09-29
Publication date: 2002-04-12

Abstract

(57)【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25
0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。

Description

【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(Nationa
l 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 Bioinfo
rmatics が構築している“PDB（Protein Data Ban
k）”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、“MTERNQTVISQFLLLGLPIPPEHQHVFYAL
FLSMYLTTVLGNLIIIILILLDSHLHTPMYLFLSNLSFSDLCFSSVTMPK
LLQNMQSQVPSIPYAGCLSQIYFFLFFGDLGNFLLVAMAYDRYVAICFPL
HYMSIMSPKLCVSLVVLSWVLTTFHAMLHTLLMARLSFCEDNVIPHFFCD
MSALLKLACSDTRVNEVVIFIVVSLFLVLPFALIIMSYVRIVSSILKVPS
SQGIYKAFSTCFSHLSVVSLFYGTVIGLYLCPSSNNSTVKETVMSLMYTV
VTPMLNPFIYSLRNRDIKGAMERIFCKRKIQLNL”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 MarkupLan
guage）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１２
０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Ｘ
ＭＬ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２３
１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WW
W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, IS
O8879, 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２１
０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（Docume
nt Type definition）の内部サブセットを、ブロック３
１０、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、Y
ale 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（Unifor
m 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２１
３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Ｘ
ＭＬ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２７
０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２３
０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２０
０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２
５２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、Ｄ
ＴＤ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。Ｘ
ＭＬ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Ex
PASy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.a
c.jp/sosui/submit.html)”と“TopPred2(http://www.b
iokemi.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_sequenc
e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２
７０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Ｘ
ＭＬ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５
００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５
２０、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５６
０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５
６１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５
４０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５６
０には、ビュー機能５６１があり、データベース部５４
０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Macinto
sh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 Micro
systems, 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２１
２，５１２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＞＜ｄ
ｔ＞”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、ＷＷ
Ｗ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Ｓ８
０３′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“ｈｏｍ
ｏｌｏｇｙ”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＿ｄａ
ｔａ” 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１０
０３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Ｓ
１１０１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２５
０，５６０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、ＷＷ
Ｗ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２２
０，５２０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Ｓ
１１０７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“ＳＯ
ＳＵＩ”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。

【図面の簡単な説明】

【図１】バイオテクノロジー関連のデータベースの一つ
である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の一例を示した図であ
る。

【図２】本発明を説明するための図であって、本発明の
第１の実施の形態による本発明システムの基本構成を示
すブロック図である。

【図３】本発明を説明するための図であって、本発明で
用いるＸＭＬ形式で記述された検索リストファイルの一
例を示す図である。

【図４】本発明を説明するための図であって、本発明で
用いるＸＭＬ形式で作成された解析リストファイル２４
１の一例を示す図である。

【図５】本発明を説明するための図であって、本発明の
第２の実施の形態によるシステムの基本構成例を示すブ
ロック図である。

【図６】本発明の一実施例である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、テータ抽出モジュ
ールのフローチャートである。

【図７】同実施例における、ＷＷＷ上のデータベースで
の検索結果のソースファイルをテキスト形式で保存した
一例である。

【図８】本発明を説明するための図であって、本発明シ
ステムにおける構造化文書への変換モジュールの処理内
容を示すフローチャートである。

【図９】本発明において用いる文書型定義“olfactory_
receptor.dtd”の一例を示す図である。

【図１０】本発明の説明するための図であって、本発明
システムにおいて取得する一次データの一例である。

【図１１】本発明を説明するための図であって、本発明
システム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。

【図１２】本発明の説明するための図であって、本発明
システムにおいて取得するＷＷＷ上の解析ツールによる
解析結果のソースファイルの一例を示す図である。

【図１３】本発明の説明するための図であって、本発明
システムにおいて取得する二次データの一例を示す図で
ある。

【図１４】本発明の説明するための図であって、本発明
システムにおけるユーザインターフェイスの表示画面例
である。

【符号の説明】

２００，５００…データベースシステム２１０，５１０…データ抽出モジュール２２０，５４０…記憶部２３０，５３０…変換モジュール２４０，５４０…データベース部２５０，５６０…データ解析エージェント２６０，５７０…インターネット２７０，５８０…バイオ関連データベース２８０，５９０…バイオ分野のデータを解析するための
ツール

Claims

【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。