JP2009520278A - 科学情報知識管理のためのシステムおよび方法 - Google Patents

Abstract

【課題】科学情報知識管理のためのシステムおよび方法を提供する。
【解決手段】 本発明は、ハイスループットの生物学的および化学的分析プラットフォームから大規模なデータを収集、統合、編成、ナビゲート、および処理するための方法、システム、ならびに装置に関する。これは、様々な生物学的および化学的分析と、データタイプと、有機体とをもとにした多数の研究および実験に跨って調査処理を実施するための高効率のメタ解析インフラストラクチャ、ならびにこのようなインフラストラクチャを構築および追加するためのシステムを提供する。
【選択図】図１２

Description

［関連出願］
本出願は、米国特許法第１１９条（ｅ）に基づいて、２００５年１２月１６日出願の米国仮特許出願第６０／７５０，８２９号の優先権を主張する。

本発明は、概して、生物学情報、化学情報、医学情報を格納および検索するための方法、システム、ならびに装置に関するものである。これらの分野における研究は、実験ベンチからコンピュータベースの方法へと急速に移行してきた。例えば、ＮＣＢＩ（米国国立バイオテクノロジー情報センター）などの公共情報源は、遺伝子データおよび分子データのデータベースを提供する。研究者は、これらの情報源と民間情報源との間において、各種の分析プラットフォーム、有機体、データタイプなどから膨大な量のデータを入手することができる。生物医学情報の普及量が増すにつれ、研究者は、様々なプラットフォームおよび有機体などに跨って新しい情報を素早く取り入れそれらを既存の情報と統合させる、高速でかつ効率的なツールを必要とする。研究者は、また、様々な種類の情報の中を素早くナビゲートしてそれらを解析するためのツールを必要とする。

本発明は、ハイスループットの生物学的および化学的分析プラットフォームから大規模なデータを収集、統合、編成、ナビゲート、およびクエリ（処理要求を含む各種の処理）するための方法、システム、ならびに装置に関する。これは、様々な生物学的および化学的分析と、データタイプと、有機体とによる多数の研究および実験に跨って調査処理を実施するための高効率のメタ解析インフラストラクチャ、ならびにこのようなインフラストラクチャを構築および追加するためのシステムを提供する。

本発明の一態様は、様々な種類の生物学情報、化学情報、医学情報を格納および処理するために使用可能な知識ベースに関する。本発明の各種の実施形態によると、知識ベースは、特徴セットを含む。特徴セットは、１つもしくは複数のサンプルに対する１つまたは複数の実験から得られる「生データ」をもとにした縮小データセットである。特徴セットは、１つまたは複数の特徴（通常は複数の特徴）と、それらの特徴に実験が及ぼすインパクトに関する関連の情報とを含む。特定の実施形態では、特徴セットの特徴は、ランク付けされる。ランキングは、測定の実験に応じた特徴の相対的有意性を示すものである。知識ベースは、また、何らかのかたちで互いに関連しあった特徴を含有した特徴グループを含むことも可能である。一例として、特徴グループの構成要素は、全て同じシグナル伝達経路に属してもよいし、あるいは共通の構造的特徴を共有してもよい。各種の実施形態によると、知識ベースのその他の部分は、一特徴セットとその他の特徴セットまたは特徴グループとの間の相関に関する情報を含有したスコア表を含む。例えば、同じ遺伝子を多数含有する特徴セットどうしは、スコア表の情報に反映されるように、高度に相関していると考えられる。特定の実施形態では、相関情報は、特徴のランキングを考慮に入れる。知識ベースの別の一要素は、知識ベース内の「特徴」（例えば遺伝子、配列、たんぱく質、化合物など）の固有名称または固有識別子を含有した索引セットである。索引セットは、また、異名およびゲノム座標などのリストを含んでもよく、これは、ユーザによってインポートされた特徴を効率良くルックアップして、それらを索引セットに格納された固有識別子に関連付けるために使用可能である。やはり特定の実施形態では、知識ベースは、「タグ」のリストまたは階層構造を含む分類表を含む。タグとは、知識ベース内の特定の特徴に関連付け可能な標準的な生物学的、化学的、または医学的な重要な概念および用語である。

本発明の別の一態様は、知識ベースを作成すなわち生成する方法に関する。特定の実施形態では、方法は、ユーザによって実行可能な後の処理に使用するためにデータをインポートおよび前処理することをともなう。インポート動作および前処理動作の多くは、自動的に実施される。特定の実施形態では、インポートは、特徴セットをシステムにインポートすることと、インポートされた特徴を、関連の標準的な生物医学的または化学的用語でタグ付けすることと、特徴セット内の特徴をランク付けすることと、特徴をその特徴のためのグローバル一意識別子または名称にマッピングすることとを含む。前処理は、特徴セットを知識ベース内のその他の特徴セットおよび特徴グループ（一般にその他の全ての特徴セットおよび特徴グループ）と相関させることと、ユーザ処理に対して結果を提供する際に使用される相関スコアを生成することとをともなう。知識ベースの作成は、また、生データをもとに１つまたは複数の特徴セットを生成するキュレーション動作を含むことも可能である。

本発明の別の一態様は、処理に関する。特定の実施形態では、処理は、「検索分野」内のその他の内容（ii）に照らして比較および／または解析される具体的内容を指定し、その検索分野からの内容を比較に基づいて選択および／またはランク付けした処理結果（iii）を生成すること（ｉ）をともなう。検索分野は、特徴セットおよび特徴グループなどの内容を格納した知識ベースの一部または全部を含むことが可能である。例として、指定された内容を検索分野内の内容に照らして比較される処理として、特徴セット処理、特徴グループ処理、および特徴固有の処理が挙げられる。

特定の実施形態では、本発明は、処理を入力および実施するための方法であり、処理結果を表示するための方法ならびにユーザインターフェースに関する。特定の実施形態では、ユーザインターフェースは、（１）処理用の内容の候補を見つけるために、（２）処理用の内容を入力または選択するために、および（３）関連の内容を含有したライブラリ内または知識ベース内の検索分野を限定するために、ユーザによって使用される領域を備えている。

本発明のこれらのおよびその他の特徴ならびに利点が、図面を参照にしつつ、以下において、より詳しく説明される。

１． 概論および関連用語
本発明は、ハイスループットの生物学的および化学的分析プラットフォームから大規模なデータを収集、統合、編成、ナビゲート、および処理するための方法、システム、ならびに装置に関する。これは、様々な生物学的および化学的分析と、データタイプと、有機体とによる多数の研究および実験に跨って調査処理を実施するための高効率のメタ解析インフラストラクチャ、ならびにこのようなインフラストラクチャを構築および追加するためのシステムを提供する。

以下の説明の大半は、生物学的な実験および研究から得られたデータの統合と探索とを可能にするシステム、方法、ならびに装置の観点から提示されるが、本発明は、決してそれらに限定されない。例えば、本発明は、化学データおよび臨床データを対象として網羅している。以下の説明では、本発明の完全な理解を可能にするために、多くの詳細が特定される。しかしながら、本発明は、本明細書において提示された一部の詳細に限定しなくても実施可能である。

以下の用語は、本明細書を通して使用される。以下の説明は、本明細書の理解を助けるために提供されるが、必ずしも本発明の範囲を限定するとは限らない。

生データ
これは、１つもしくは複数のサンプルに関する情報を提供する１つまたは複数の実験からのデータである。一般に、生データは、まだ、本発明のデータベースおよびシステムでの使用に適したレベルまで縮小されていない。これは、後続の操作によって、このようなデータベースおよびシステムでの使用に適した１つまたは複数の「特徴セット」の形態に縮小される。生データを特徴セットに変換するプロセスは、キュレーションと称されることがある。

本明細書において提示される例の大半は、組織または細胞培養などの生物学的サンプルに刺激を作用させる生物学的実験に関する。生物学的実験は、腫瘍の病期や患者の履歴などの関連の臨床パラメータを有することが多い。本発明は、しかしながら、生物学的サンプルに限定されず、例えば、化学化合物や、各種の合成および天然の物質などの非生物学的サンプルに対する実験、ならびにそれらが各種の分析に及ぼす影響（例えば癌細胞株の進行）をともなうことも可能である。

生物学的サンプルまたは非生物学的サンプルのいずれを扱うにしろ、サンプルには、試験サンプルを作成するために、１つまたは複数の刺激または処理を施すことができる。比較データもまた、作成することができる。刺激は、着手される特定の研究に適するように選択される。使用可能な刺激の例は、特定の物質または組成に対する暴露、放射（あらゆる形態の電磁放射および粒子放射を含む）、力（機械力（例えば重力）、電気力、磁気力、および核力を含む）、場、ならびに熱エネルギなどである。刺激として使用可能な物質の一般例には、有機および無機の化学化合物、核酸、炭水化物、たんぱく質、ペプチド、および脂質などの生物学的物質、各種の感染物質、ならびに前述のものの混合などが含まれる。刺激のその他の一般例には、非周囲温度、非周囲圧力、音響エネルギ、あらゆる周波数の電磁放射、特定の物質の欠乏（例えば虚血などにおける酸素の欠乏）、および一時的要因などが含まれる。示唆されるように、本発明の状況においてとりわけ重要なタイプの刺激は、治療薬（治療効果があると思われるが、まだこの性質を有するかどうかを証明されていない薬を含む）に対する暴露である。治療薬は、薬もしくは薬候補などの化学化合物、または環境下の化合物であることが多い。化学化合物の生物学的インパクトは、遺伝子発現のレベルまたは表現型の特性などの特徴の変化として顕在化する。

示唆されるように、生データは、実験をもとにして関連の情報を作成される「特徴」を含む。多くの例では、特徴は、特定の刺激に暴露された特定の組織もしくは細胞のサンプルからの遺伝子情報またはゲノム情報である。

典型的な生物学的実験は、遺伝子、または特定の種類の細胞もしくは組織に関連付けられたその他の特徴に関する、発現あるいはその他の情報を決定する。実験情報を生データとして収集可能なその他のタイプのゲノム特徴には、ＳＮＰパターン（例えばハロタイプブロック）、遺伝子の部分（例えばエクソン／イントロンまたは調節モチーフ）、および２つ以上の遺伝子に跨る染色体ゲノムの領域などが含まれる。その他のタイプの生物学的特徴には、細胞の形態などの表現型の特徴、ならびに細胞核およびゴルジなどの細胞器官が含まれる。化学的特徴のタイプには、化合物および代謝物などが含まれる。

生データは、各種のプラットフォーム（例えば遺伝子マイクロアレイ、ＳＮＰマイクロアレイ、およびたんぱく質マイクロアレイを含むいくつかのマイクロアレイシステムのいずれかや、細胞カウントシステム、ならびにハイスループットスクリーニング（「ＨＴＳ」）プラットフォームなど）を使用した各種タイプの任意の実験から生成することができる。例えば、特定の有機体の特定の種類の細胞内における複数の遺伝子の発現を決定する実験では、オリゴヌクレオチドマイクロアレイも使用される。別の一例では、サンプル内におけるたんぱく質の存在度を決定するために、質量分析が使用される。

特徴セット：
これは、１つもしくは複数のサンプルに対する１つまたは複数の実験から得られる「生データ」をもとにした縮小データセットを意味する。特徴セットは、１つまたは複数の特徴（通常は複数の特徴）と、それらの特徴に対して実験が及ぼすインパクトに関する関連の情報とを含む。どこかの時点で、特徴セットの特徴は、実験における刺激または治療に対するそれらの反応の相対的レベルに基づいて、あるいは異なる表現型間におけるそれらの変化の大きさおよび方向、ならびに異なる表現型状態（例えば腫瘍の後期段階対腫瘍の初期段階）を区別するそれらの能力に基づいて、（少なくとも一時的に）ランク付けすることができる。

格納上および計算上の効率が理由で、例えば、特徴セットは、生データに含有される多くの特徴に関する情報を含まないことがある。上述のように、生データは、キュレーションなどのプロセスによって特徴セットに変換される。

一般に、特徴セットは、特定の質問または問題（例えば、特定の化学化合物が特定の経路においてたんぱく質と相互作用するかなど）に関連付けられた生データに関する。生データおよび研究に応じて、特徴セットは、単一有機体の単一タイプの細胞に限定することができる。「ディレクトリ」の観点からすると、一特徴セットは、一「研究」に属する。換言すると、単一の研究は、１つまたは複数の特徴セットを含むことができる。

多くの実施形態において、特徴セットは、「バイオセット」または「ケミセット」のいずれかである。バイオセットは、一般に、特定の刺激または治療が及ぼす生物学的インパクトに関する情報を提供するデータを含有している。バイオセットの特徴は、一般に、上述のように、ゲノム情報または表現型情報のまとまりである。これらは、刺激に対するそれらの反応のレベル（例えば発現の上昇または低下の度合い）に基づいて、あるいは異なる表現型間におけるそれらの変化の大きさおよび方向、ならびに異なる表現型状態（例えば腫瘍の後期対腫瘍の初期）を区別するそれらの能力に基づいて、ランク付けされる。ケミセットは、一般に、一団の化学化合物に関するデータと、それら化学化合物が生物学的サンプルなどのサンプルとどのように相互作用するかに関するデータとを含有している。ケミセットの特徴は、一般に、個々の化学化合物、または特定の化学化合物の濃度である。これらの特徴に関する関連の情報は、ＥＣ５０値やＩＣ５０値などであることが可能である。

特徴セットは、一般に、１つまたは複数の特徴のＩＤに加えて、各特徴に関する統計情報、および場合によっては各特徴に関する共通名またはその他の情報を含む。特徴セットは、重要な特徴の関連説明およびユーザによる注釈など、各特徴についてのさらに他の情報を含むことができる。統計情報は、（データキュレーション段階からの）特徴に関するデータのｐ値、および「倍変化」データなどを含むことができる。倍変化は、試験実験または比較実験において発現が増減した倍率（倍）を示す（例えば、特定の遺伝子の発現が治療に反応して「４倍」増大したなど）。特徴セットは、また、変化の表示ではなく「正常状態」を表す特徴を含有することも可能である。例えば、特徴セットは、大多数のヒト組織全体を通して「正常でなおかつ均一な」発現レベルを有する遺伝子のセットを含有することができる。この場合の特徴セットは、必ずしも変化を示すとは限らず、むしろ、変化の欠乏を示すと考えられる。

特定の実施形態では、少なくとも一時的に、各特徴にランクが帰せられる。これは、単純に、特徴セット内の特徴グループ内における相対的反応の測定値であることが可能である。一例として、ランクは、比較実験の特徴と試験実験の特徴との間における発現の相対的差異（上昇または低下）の測定値であることが可能である。特定の実施形態では、ランクは、特徴の反応の絶対値と無関係である。このため、例えば、１つの特徴セットにおいて、１．５倍増の反応を有する特徴が２位にランキングされる一方で、別の特徴セットでは、異なる刺激に対して５倍増の反応を有する同じ特徴がやはり２位にランキングされる。

特徴グループ：
これは、互いに関連しあった特徴（例えば遺伝子）のグループを意味する。一例として、特徴グループの構成要素は、特定の細胞内において全て同じたんぱく質経路に属してもよいし、あるいは共通の機能または構造的特徴を共有してもよい。特徴グループは、また、作用メカニズムまたは構造的特徴／結合特徴に基づく化合物のグループ分けであることも可能である。

インデックスセット
インデックスセットは、特徴識別子およびマッピング識別子を含有した知識ベース内の一セットであり、インポートされた特徴セットの全ての特徴を、知識ベース内に既にある特徴セットおよび特徴グループにマッピングするために使用される。例えば、インデックスセットは、数十万のマッピング識別子を指し示す数百万の特徴識別子を含有することが可能である。各マッピング識別子（アドレスと称されることもある）は、例えばマウスのゲノム中の固有遺伝子などの固有な特徴を表す。特定の実施形態では、インデックスセットは、固有の識別子へのポインタ、すなわちアドレスを各自有する様々な種類の特徴識別子（例えば遺伝子およびゲノム領域など）を含有することが可能である。インデックスセットは、新しい知識の取得とともに追加または変更することが可能である。

知識ベース：
これは、処理の解析および処理への応答に使用されるデータの集合を意味する。特定の実施形態では、これは、１つまたは複数の特徴セット、特徴グループ、ならびに特徴セットを特定の階層またはディレクトリ（例えば研究およびプロジェクトの階層）に編成するためのメタデータを含む。また、知識ベースは、特徴セットを互いに相関させるまたは特徴セットを特徴グループと相関させる情報と、異なるプラットフォーム（例えばアフィメトリクスヒトＨＧ＿Ｕ１３３Ａチップ）上で測定された特徴のリストなど、遺伝子もしくはその他の特徴についてのグローバル一意の用語または識別子のリストと、異なる有機体中の特徴の総数と、対応する転写と、たんぱく質産物と、それらの関係とを含むことが可能である。知識ベースは、一般に、異なる組織、病状、化合物の種類、表現型、細胞、およびそれらの間の関係についての全てのタグ（キーワード）のリストを含有した分類表も含有している。例えば、分類表は、癌と肝臓癌との間の関係を定め、さらに、これらの各グループに関連付けられたキーワードも含有している（例えば、「ネオプラズム」というキーワードが「癌」と同じ意味を持つなど）。必ずしも必要ではないが、一般に、知識ベース内のデータの少なくとも一部は、データベースの形に編成される。

キュレーション：
キュレーションは、生データを１つもしくは複数の特徴セット（または特徴グループ）に変換するプロセスである。これは、場合によっては、実験からの生データに含有されるデータの量を大幅に減少させる。これは、有意性を持たない特徴についてのデータを排除する。特定の実施形態では、これは、比較実験と試験実験との間で発現を大きく増減させない特徴が特徴セットに含まれないことを意味する。キュレーションのプロセスは、このような特徴を特定して生データから排除する。キュレーションプロセスは、また、特徴セットを定めるために使用される関連の臨床質問を、生データの中から特定する。キュレーションは、また、知識ベースでの使用に適した標準フォーマットで特徴セットを提供する。

データのインポート：
データのインポートは、特徴セットおよび特徴グループを、知識ベースへとまたはシステム内のその他のリポジトリへと持ち込むプロセスであり、知識ベースを構築する際に重要な動作である。ユーザインターフェースは、実験、その実験と特定の研究および／またはプロジェクトとの関連、ならびに実験プラットフォーム（例えばアフィメトリクスジーンチップ）をユーザが指定することと、データにタグ付けするための重要な概念をユーザが特定することとを可能にすることによって、データの入力を促進することができる。特定の実施形態では、データのインポートは、また、データにタグ付けする自動動作と、インポートされたデータを既にシステム内にあるデータにマッピングする自動動作とを含む。（インポート後の）後続の「前処理」は、インポートされたデータ（例えばインポートされた特徴セットおよび／または特徴グループ）を、その他の特徴セットおよび特徴グループと相関させる。

前処理：
前処理は、知識ベース内の特徴セットペア間の統計的関係を特定および格納するように特徴セットを操作することをともなう。前処理は、また、知識ベース内の特徴セット間および特徴グループ間の統計的関係を特定および格納することもともなう。特定の実施形態では、前処理は、新しくインポートされた特徴セットを、知識ベース内のその他の特徴セットおよび特徴グループと相関させることをともなう。一般に、統計的関係は、異なる全ての特徴セットペアおよび特徴セットと特徴グループとの全ての組み合わせについて予め計算され格納されるが、本発明は、この完全相関レベルに限定されない。一実施形態では、統計的相関は、ランクベースの集中統計を使用してなされる。例えば、特定の実施形態では、厳密な検定を用いたランクベースの反復アルゴリズムが使用されるが、特徴セット間の重複の大きさなどその他のタイプの関係を用いることも可能である。当該分野において知られたその他の相関方法もまた、使用可能である。

一例として、知識ベースに入力された新しい特徴セットは、既に知識ベース内にあるその他のあらゆる（または少なくとも多くの）特徴セットと相関される。相関は、突き合わされた遺伝子のランクまたはその他の情報を比較することによって、新しい特徴セットと検討中の特徴セットとを特徴単位で比較する。一実施形態では、特徴セットを相関させるために、ランクベースの反復アルゴリズムが使用される。２つの特徴セットを相関させた結果が「スコア」である。スコアは、知識ベースに格納され、処理への応答に使用される。

研究／プロジェクト／ライブラリ：
これは、特定の実施形態で用いることができる階層状のデータのうつわ（ディレクトリのようなもの）である。一研究は、集中的実験セット（例えば特定の心血管系ターゲットに関わる実験）で得られた１つまたは複数の特徴セットを含むことができる。プロジェクトは、１つまたは複数の研究を含む（例えば一企業における心血管系への影響全体）。ライブラリは、知識ベース内の全てのプロジェクトの集合である。エンドユーザは、様々な階層レベル間の境界を定めるにあたって柔軟性を有する。

タグ:
タグは、一特徴セットに関する記述的情報を、その特徴セットに関連付ける。これは、処理が特定のタグを指定または暗示する場合に、その特徴セットを結果として特定することを可能にする。タグとしては、臨床パラメータがしばしば使用される。タグの例として、腫瘍の病期、患者の年齢、サンプルの表現型の特性、および組織の種類が挙げられる。

マッピング：
マッピングは、特徴セット内の特徴（例えば遺伝子）をとり、それを知識ベース内のグローバル一意マッピング識別子にマッピングする。例えば、２つの異なる特徴セットの作成に使用された２つの実験データセットは、同じ遺伝子に異なる名称を使用していることがある。本明細書において、知識ベースは、インデックスセット内に、グローバル一意マッピング識別子の包括的リストをしばしば含んでいる。マッピングは、異なる名称間につながりを確立するために、その遺伝子用の知識ベースのグローバル一意マッピング識別子を使用する。特定の実施形態では、一特徴を、複数のグローバル一意マッピング識別子にマッピングすることができる。また、一例では、一遺伝子を、特定のゲノム領域についての一グローバル一意マッピング識別子にマッピングすることもできる。マッピングは、様々なタイプの情報（すなわち異なるプラットフォーム、データタイプ、および有機体からの異なる特徴）を互いに関連付けることを可能にする。マッピングには多くの方法があり、そのうちのいくつかが、以下において詳細に述べられる。１つは、遺伝子のグローバル一意の名称の異名を探すことをともなう。もう１つは、遺伝子配列の空間的な重複をともなう。例えば、特徴セット内の特徴のゲノム座標または染色体座標は、知識ベースのインデックスセット内のマッピング特徴の座標と重複することがある。もう１つのタイプのマッピングは、特徴セット内の遺伝子を、インデックスセット内の遺伝子に間接的にマッピングすることをともなう。例えば、とある実験での遺伝子は、知識ベース内の調節配列と座標が重複することがある。その調節配列は、特定の遺伝子を調節するものである。したがって、実験の配列は、間接的マッピングによって、知識ベース内のその遺伝子に間接的にマッピングされる。さらに別の形態の間接的マッピングは、インデックスセット内の遺伝子と、特徴セット内の検討中の実験遺伝子との近接性を決定することをともなう。例えば、実験特徴の座標は、知識ベースの遺伝子の１００塩基対の範囲内である場合にその遺伝子にマッピングすることができる。

相関：
一例として、知識ベースに入力された新しい特徴セットは、既に知識ベース内にあるその他のあらゆる（または少なくとも多くの）特徴セットと相関される。相関は、突き合わされた遺伝子のランクまたはその他の情報を比較することによって、新しい特徴セットと検討中の特徴セットとを特徴単位で比較する。一実施形態では、（特徴セットを相関させるために、）ランクベースの実行アルゴリズムが使用される。２つの特徴セットを相関させた結果が「スコア」である。スコアは、知識ベースに格納され、遺伝子、臨床パラメータ、薬物療法などに関する処理への応答に使用される。

相関は、また、新しい特徴セットを知識ベース内の全ての特徴グループと相関させるためにも用いられる。例えば、「成長」遺伝子を表す特徴グループは、薬物反応を表す特徴セットと相関されてよく、これは、薬物効果と成長遺伝子との間に相関をなすことを可能にする。

２． 知識ベースを作成する
本発明の態様は、知識ベース、すなわち生物学情報および／または化学情報などの様々なタイプの情報のデータベースを作成ならびにナビゲートすることに関する。以下の説明は、本発明にしたがって知識ベース用のデータを得るための好ましい一プロセスを提起する。図１は、知識ベースを作成するプロセスの概要を示しており、図２〜１１Ｃは、プロセスの態様をより詳細に説明している。

一実施形態において、知識ベースは、米国国立バイオテクノロジー情報センター（ＮＣＢＩ）を含む公共データベースなどの外部情報源からのデータを含むいくつかの情報源から得られた特徴セットおよび特徴グループを含有している。加えて、データベースの開発者または使用者によって取得および処理された独自のデータもまた、一般に使用される。

図１は、知識ベースを作成するプロセスの概要を示している。プロセスは、特定の実験または研究からの生データを受信することから開始する（１０２）。生データは、公共データベース、民間情報源、実験室で行われる個別の実験などから得ることができる。生データは、一般に、比較サンプルおよび試験サンプルについての情報を含有している。例えば、肺癌の遺伝子発現研究において、生データは、正常な（比較）肺細胞および腫瘍（試験）肺細胞についての発現プロフィールを含む。研究または実験からの生データは、さらに追加の情報を含有してよく、例えば、遺伝子発現のプロフィールは、特定の病状に、または異なる臨床パラメータ（年齢、性別、喫煙者／非喫煙者など）を有する患者に関連付けることも可能である。ひとたび生データが受信されると、生データは、次に、１つまたは複数の特徴セットを作成するために、キュレーションを施される（１０４）。特徴セットは、所定の実験設定において有意であるとして特定された特徴と、関連の統計的情報とからなるセットである。例えば、肺癌遺伝子発現の研究からの１つの特徴セットの特徴は、腫瘍細胞と正常細胞との間で異なる発現を示す遺伝子のセットであると考えられる。関連の統計的情報は、各特徴に関連付けられた倍変化またはｐ値を示してよく、これは、実験条件と比較条件との間での特徴の変化を表す。特徴セットは、特定の研究または実験から生成され、知識ベースにインポートされる（１０６）。後述されるように、データのインポートは、一般に、特徴セットを適切な生物医学的または化学的用語でタグ付けすることと、特徴セット内の各特徴を自動的にマッピングする、すなわちインポートされた各特徴と知識ベース内のその他の適切な特徴との間に適宜つながりを確立することとをともなう。知識ベースを作成する次の主要動作は、インポートされた各特徴セットと、知識ベース内のその他の全ての特徴セットおよび特徴グループとの相関スコアリングである（１０８）。相関スコアリング後は、例えばｐ値の形態をとる、一特徴セットとその他の全ての特徴セットおよび全ての特徴グループとの相関が既知となり、格納される。

ひとたび図１のプロセスが実施されると、ユーザは、処理およびナビゲートを行うことによって、知識ベースに含有された生物学情報を効率良く調査してつなぎあわせることができる。図１に示されたプロセスは、ユーザが知識ベースに実験データを追加しようと望むときにいつでも実施可能である。

Ａ． キュレーション：
上述のように、キュレーションは、生データから特徴セットを生成するプロセスである。図２Ａは、生データおよびその結果得られた特徴セットを図で表わしている。生データは、比較サンプルおよび試験サンプルについてのデータを含む。図２Ａに示された例では、データ２５２は、特徴Ａ〜Ｆについての測定値（例えばマイクロアレイからの強度測定値）を含む。一般に、データは、複製データを含み、ここでは、複製された比較サンプルが、データ２５２’，２５２’’として示されている。１つの実験は、一般に、複数の試験サンプルを含有する。図において、試験サンプルデータは、サンプル（試験１）データ（２５４およびその複製２５４’，２５４’’）、試験２データ、……試験Ｎ（２５６およびその複製２５６’，２５６’’）として示されており、各自、特定された特徴および関連の統計値をともなう。最も単純なケースでは、試験サンプルが１つ、比較サンプルが１つのみである（それぞれ一般に１つまたは複数の複製を有する）。試験サンプルは、複数あるほうが一般的である。一例では、各試験サンプルは、異なる濃度のとある治療化合物候補を表す。別の一例では、各試験サンプルは、臨床的適応の異なる患者から採取された組織サンプル（例えば、非喫煙者、各種レベルの喫煙者、ディーゼル車の運転手、治療投与前および治療投与後の患者などから採取された肺組織サンプル）を表す。

生データを生成するもととなるサンプルは、通常、とりわけそれが臨床サンプルに由来する場合に多くの異なるタイプの情報を含有する。例えば、腫瘍の病期１の細胞と腫瘍の病期２の細胞など、異なる患者の腫瘍間での遺伝子発現の差を測定する実験からの生データは、例えば患者が喫煙者であるかどうかや、患者の年齢、患者の前治療、診断の年度など、腫瘍の病期１にあるか腫瘍の病期２にあるかを超えたこれらの患者のその他の属性についての情報も含有することができる。

キュレーションプロセスは、１つまたは複数の特徴セットを生成する。これらは、図に示された例では、特徴セット１（２５８）から特徴セットＭ（２６０）までとして示されている。特徴セットは、生データ内の測定値から導かれた統計値を含有している。図中、これらは、例えばｐ値および倍変化など、統計値１および統計値２としてラベル付けされている。ｐ値は、一般に、得られたものと少なくとも同程度に極端な結果を得る確率を意味しており、生データ内に存在しうるデータの一種である。倍変化は、一般に、比較サンプルおよび試験サンプルにおける一部の測定値の変化の倍率（２倍、３倍など）を意味する。各特徴セットは、異なる生物学的質問、臨床質問、または化学的質問（例えば化合物治療に反応した発現上昇や、特定の組織における発現上昇など）に関する。したがって、特定の特徴セットには、所定の質問に統計的に関連するものとしてキュレーション中に特定された特徴のみが含まれるので、各特徴セットは、それぞれ異なる特徴集合を有することができる。例えば、図２Ａの特徴セット１は、特徴Ａ〜Ｅを含有するのに対し、特徴セットＭは、特徴Ｄ、Ｅ、およびＦを含有する。同様に、各特徴セットは、そのセットに適したそれぞれ異なる関連の統計的測定値を含有することができる。図２Ａにおける生データの表示は、生データをどのように表示可能であるかについての一例に過ぎない。

図２Ｂは、キュレーションプロセスの概要を示したプロセスフローシートである。プロセスは、データ品質制御（２０２）からスタートする。データ品質制御は、データを正規化すること、外れデータを排除すること、および全ての有効臨床質問を特定する（すなわち、全ての特徴セット候補を特定する）ことを含む。図２Ｃは、データ品質制御プロセスの一実施形態における動作を示したプロセスフローシートを示している。プロセスは、データの正規化（２０８）からスタートする。様々なデータタイプに対応した正規化戦略が、当該分野においてよく知られている。任意の適切な正規化戦略が使用可能である。次いで、アウトライヤ（外れ値）が特定され排除される（２１０）。これは、一般に、サンプル単位で実施される（すなわち、外れサンプルが排除される）。アウトライヤを特定するための標準的なプロセスもまた、よく知られている。ひとたびデータが正規化され、アウトライヤが排除されると、実験に関連した有効臨床質問が特定される（２１２）。特定の実施形態において、これは、特徴セット候補を特定することと同等である。一例では、とある経路にあるたんぱく質の遺伝子が、第１の特徴セット用の特徴を含み、異なる経路にあるたんぱく質の遺伝子が、異なる特徴セット用の特徴を含む。この場合、特徴セットを定める臨床質問は、特定の刺激または治療が２つの異なる細胞経路に及ぼすインパクトに関する。多くの場合、臨床質問は、その実験が答えようと意図したまたは測定しようと意図した質問である。これは、有効臨床質問として指定されてよく、関連の特徴セットは、比較サンプルと試験サンプルとの間に統計的に有意な差異があるような特徴を含有すると考えられる。（各特徴セット内の特徴は、一般に、後述される後続の統計的解析動作において決定される。）有効臨床質問は、必ずしも実験が意図していた質問である必要はなく、集められた生データがサポートしている質問であればよい。例えば、とある実験は、腫瘍の病期１のサンプルと腫瘍の病期２のサンプルとの比較を意図することができ、そのデータは、ＨＥＲ２陽性患者およびＨＥＲ２陰性患者を示す関連の臨床的注釈とともに公開される。１つの特徴セットは、腫瘍の病期２のサンプル対腫瘍の病期１のサンプルにおける遺伝子の発現上昇であってよく（すなわち、腫瘍の病期２のサンプルにおいて発現が上昇した遺伝子を含有する特徴セット）、これに対して、もう１つの特徴セットは、ＨＥＲ２陽性患者対ＨＥＲ２陰性患者における遺伝子の発現上昇であってよい（すなわち、ＨＥＲ２陽性患者において発現が上昇した遺伝子を含有する特徴セット）。もし、臨床比較をサポートするのに十分な量の統計的に有意なデータが存在する場合は、その臨床質問は、有効であると見なすことができる。

多くの場合、生データは、例えば喫煙者／非喫煙者、服用している薬、年齢、腫瘍の病期など、患者に関する多くの異なる臨床パラメータまたは属性に関連付け可能な特徴を含有している。有効臨床質問の特定は、２つのデータグループ間（例えば喫煙者対非喫煙者）に、統計的に有意な特徴差があるかどうかを決定することをともなう。有効臨床質問の特定は、強引な方法や、より洗練された方法を含む、任意の適切な方法によって実施可能である。例えば、遺伝子発現の差異（または測定された特徴におけるその他の変化）に対して統計的に有意な影響を及ぼすパラメータを探すために、異なる臨床パラメータを含有する生データセット全体にマルチＡＮＯＶＡタイプの解析を実施することが可能である。特定の実施形態では、例えばデータにクラスタ化を施すことによって、データグループのクラスタ（集まり）のサンプルを比較して、特徴セットの生成に使用可能な統計的に有意なグループ比較が存在するかどうかを調べることが可能である。

図２Ｂに戻り、ひとたび有効臨床質問が特定されると、次は、ｐ値、倍変化、およびその他の関連の統計／測定情報などの統計的測定を得るために、統計的解析が実施される。図２Ｄは、統計的解析プロセスの概要を示している。プロセスは、信号フィルタリング（２１４）、すなわち、対応する信号が強度（またはその他の測定値）の閾値を下回るような特徴をフィルタリング除去する動作からスタートする。例えば、マイクロアレイからの蛍光信号が遺伝子単位で解析され、閾値を下回る信号がフィルタリング除去される。こうして、遺伝子の縮小セットが生成される。次いで、特徴を特徴セットに含めるのに十分な測定差異を比較と試験との間で示すような特徴を決定するために、１つまたは複数の統計的検定が特徴単位で実施される。

図２Ｂに戻り、臨床質問／特徴セット候補が特定され（データＱＣ動作２０２）、各特徴セットを構成する特徴および関連の統計値が特定された（統計的解析動作２０４）後は、特徴セットが生成される（２０６）。この時点（キュレーション後なおかつインポート前）で、特徴セットは、一般に、名称および特徴表を含有している。特徴表は、特徴識別子（例えば遺伝子の名称）および関連の統計値のリストである。特徴セットの生成は、その特徴セットを知識ベースへのインポートに適した標準フォーマットにすることをともなう。図４は、インポートの準備が整った特徴セットファイルの一例を示している。この例では、特徴セットファイルはＥｘｃｅｌファイルである。特徴セットの名称（すなわち臨床質問）が、４０２に明記されている。この例では、それは、「海馬：神経作動性化合物Ｂ２１０４に冒された遺伝子」である。特徴セットに関するその他の記述的情報が、４０４に含まれ、この場合は脳（前頭葉）である。後述されるように、この記述的情報は、特徴セットをシステムの中のディレクトリ構造内に配置するために使用される、なおかつ／あるいは（特徴セットを知識ベースの中の生物医学的分類構造に関連付けるために）特徴セットを「タグ付け」するために使用されることが可能である。特徴（海馬組織内における発現を特定の化合物によって大きく影響されるような遺伝子）は、欄４０６に示され、それらの共通名は欄４１０に、ジェンバンク識別子は欄４１２に示されている。関連の統計値は、この場合はｐ値であり、欄４０８にある。図４に示された表は、特徴セットに適したフォーマットの一例に過ぎない。

ｉ． 組織固有の特徴セット：
上述のように、キュレーションプロセスの統計的解析部分の最中に、生データは、特徴を問題の特徴セットに含められるような統計的に有意な差異が比較と試験との間にあるかどうかを決定するために、特徴単位で検査される。また、特定の実施形態では、組織固有の特徴セットを生成することができる。組織固有の特徴セットとは、複数の組織を対象とした実験から生成された特徴セットであって、特定の１つまたは複数の組織について特異性を示すような特徴を含有した特徴セットである。例えば、１２の組織を対象として遺伝子発現を測定する実験の場合、生成された１つの特徴セットは、肝臓に固有の発現上昇遺伝子であることが可能である。このプロセスは、一般に、発現中央値が統計的に妥当であるような数の組織を用いた研究において使用される。特定の実施形態では、組織固有の特徴セットは、少なくとも１２の組織を対象とした研究において生成される。より高度に関連しあった組織を対象とした実験の場合は、より少ない組織数（例えば４つ）であることが可能である。

図３Ａは、組織固有の特徴セットを生成するプロセスを示したフローシートである。図３Ａに示されたプロセスは、データセット内の各特徴候補（例えば、信号フィルタリング後にデータセット内に残っている各特徴）について実施される。プロセスは、全組織にわたる特徴の発現（またはその他の測定値の）中央値を特定することからスタートする。全組織の全サンプルにわたる発現中央値は、一組織内におけるその特徴の合成的比較発現、すなわち正常発現として使用される。複数の特徴にわたる一特徴の発現中央値をグラフ表示した一例が、図３Ｂに示されている。図３Ｂにおいて、垂直の棒は、各組織における発現を示しており、水平の線は、全組織にわたる発現中央値を示している。次いで、各組織における、中央値に対する発現上昇／低下の量または程度が決定される（３０４）。次いで、その特徴が組織固有であるか否かが決定される（３０６）。特徴は、もしそれが、ｎ以下の組織において閾値を越えて発現を上昇または低下させた場合に組織固有であると決定される。例えば、閾値は、２倍の倍変化と、０．０５のｔ検定ｐ値との組み合わせであることが可能である。もしとある特徴が、ｎ＝３以下の組織（例えば肝臓と肺のみ）において少なくとも２倍の倍変化で発現を上昇させ、ｔ検定ｐ値の最大値が０．０５であったならば、それは、組織固有であると見なされる。図３に示されたプロセスでは、発現の上昇と低下とが別々に検討される。しかしながら、特定の実施形態では、これらを合わせて検討することが可能である（例えば、とある特徴は、その特徴が、ｎ以下の組織において発現を上昇または低下させた場合に組織固有であると決定される）。もし特徴が組織固有であるならば、その特徴が特に発現を上昇／低下させた組織が特定される（３０８）。特徴は、次いで、特定された組織固有の特徴セットに追加される（３１０）。図３Ｂに示された例において、特徴Ａの発現低下は、（星印によって示されるように）胃組織について組織固有であるので、この特徴は、胃に固有の発現低下特徴セットに追加されると考えられる。

組織固有の特徴セットは、一般に、複数の組織を対象とした研究のために、上述のように比較と試験との間で発現を比較することによって生成された特徴セットに追加で生成されることに留意するべきである。したがって、もしとある遺伝子が、肝臓組織において発現を上昇させた場合は、その発現上昇が組織固有であるか否かにかかわらず、その遺伝子は、肝臓において発現を上昇させる遺伝子を含む個別の特徴セットに含まれる。

ii． 特徴グループ：
上述のように、データは、特徴セットおよび特徴グループの形に配される。特徴グループは、対象となる任意の特徴セットを、通常は関連の統計値をともなわずに含有している。特徴グループの例として、研究者が関心を持っている任意の特徴のセット、生物学的経路を定める特徴のセット、またはたんぱく質ファミリーを定める特徴のセットが挙げられる。特徴グループのキュレーションは、任意の適切な方法によって実施することができる。特定の経路にかかわる特徴、または共通の機能もしくは構造的特徴を共有する特徴を、公共もしくは民間のデータベースから受信する、または研究者もしくはユーザによって生成することが可能である。キュレーション後の特徴グループは、一般に、名称、その他の記述的情報、および構成要素である特徴を列挙したリストを含有している。

Ｂ． データのインポート：
ひとたびデータがキュレーションを施され、特徴および関連の統計値のリストを含有する（図４に示されるような）特徴セットまたは特徴のリストを含有する特徴グループの形に編成されると、インポートの準備が整う。インポートプロセスは、データをシステムにインポートすることと、特徴セットまたは特徴グループに関連した重要な概念を記述する標準的用語をデータにタグ付けすることと、インポートされたデータとシステム内のその他の全てのデータとの間につながりを確立することとをともなう。図５は、データインポートプロセスの概要を示したプロセスフローシートである。

プロセスは、全ての関連ファイル（全ての特徴セットファイルおよび／または特徴グループファイル）、ならびに例えばマイクロアレイまたはデータおよび任意の関連の情報の生成に使用されるその他のプラットフォームなどの技術を、ユーザがユーザインターフェースを通じて定める動作５０２からスタートする。特徴グループは、一般に、実験的にではなく生物学的に関連しあった特徴のグループを含有しているので、プラットフォーム技術は、ほとんどの場合は特徴グループに適用されないことに留意するべきである。関連の情報は、特徴セットもしくは特徴グループの重要概念の記述またはリストを含有したテキストファイルを含むことができる。ディレクトリシステム内における特徴セットの位置もまた、指定されるのが一般的である。例えば、ユーザは、プロジェクトディレクトリまたは研究サブディレクトリを指定することができる。

データインポートプロセスの次の動作は、インポートされた特徴のマッピング（５０４）である。マッピングは、（例えば異なるプラットフォーム、データタイプ、および有機体からの）様々な特徴を互いに関連付けるプロセスである。例えば、遺伝子は、ＳＮＰ、たんぱく質、または対象の配列領域に関連付けることが可能である。データインポート中に、どの特徴も自動的にマッピングされる。特定の実施形態では、マッピングは、各特徴を、知識ベース内のグローバル一意マッピング識別子セット（例えばインデックスセット）の中の１つもしくは複数の基準特徴またはアドレスにマッピングすることをともなう。マッピングは、全ての特徴セットと特徴グループとの間の相関を促進し、様々な情報源、分析タイプ、およびプラットフォームからの独立したデータ／情報のセットを相関させることを可能にする。

特定の実施形態では、マッピングは、各自固有の特徴を表すアドレスまたは識別子を含有したインデックスセットの使用をともなう（例えば、インデックスセットは、ヒトゲノムもしくはヒト以外のゲノムの単一遺伝子を表すアドレスまたはマッピング識別子を含有することが可能である）。やはり特定の実施形態では、マッピングは、インポートされた識別子（例えば一般名やジェンバンク番号など）をインデックスセット内の特徴識別子と突き合わせることをともなう。これらの特徴識別子は、各種の異名およびゲノム座標などであり、それぞれ１つまたは複数の固有マッピング識別子を指し示す。マッピングプロセスは、インポートされた識別子と一致する特徴識別子を検索すること、次いで、その特徴識別子が指し示すマッピング識別子を見つけることをともなうことができる。場合によっては、複数のマッピング識別子のなかからマッピングに最も適したものが選択される。

マッピングプロセスは、比較的単純なもの（例えば遺伝子とそのたんぱく質産物との間のつながりを作る）から、より複雑なもの（例えば染色体の所定領域上において、配列因子とその近くの遺伝子との間につながりをマッピングする）に及ぶ。各種の実施形態にしたがうと、特徴は、１対１のマッピングを有することが可能である、すなわち、各特徴は、単一の基準またはマッピング識別子にマッピングされる。その他の実施形態では、特徴は、必要に応じて、複数の基準またはマッピング識別子にマッピングされる。使用可能な３種類のマッピングは、
１） 特徴を中心としたマッピング
２） 配列を中心としたマッピング
３） 間接的関連付け
である。インポートされるデータのタイプに応じて、これらの１つまたは複数を使用することができる。

ｉ） 特徴を中心としたマッピング：
特徴を中心としたマッピングは、各種の特徴とそれらの識別子との間に確立された関係に依存したものであり、一般に、特徴および識別子に標準的な学名がある場合に用いられる。例えば、いくつかの異なるアクセッション番号を、全て、単一遺伝子にマッピングすることができる。とある遺伝子のたんぱく質産物は、関係が既に確立されているゆえに、その遺伝子にマッピングされる。同じ物質を表す２つの異なる化合物ＩＤは、共通の薬基準にマッピングされる。遺伝子Ａ用の異なるアクセッション番号、遺伝子Ａ用の異なる名称、遺伝子Ａのたんぱく質産物などは、全て、その遺伝子に固有な基準にマッピングされる。

異なる有機体どうしの場合は、利用可能な全ての有機体間において全てのデータをマッピングするために、オルソログ情報を使用することができる。これは、特徴を中心としたデータマッピングプロセスの「第２の」ステップである。先ず、同一有機体内の特徴が、（インポートされている特徴セットの有機体用のインデックスセット内の）中央の特徴基準にマッピングされる。次に、例えば、ヒト遺伝子の特徴が、マウス、ラット、ショウジョウバエなどのオルソログにマッピングされるように、インポートされたデータの種以外の異なる種からのあらゆるデータについてマッピングを作成するために、オルソログ情報が使用される。

ii． 配列を中心としたマッピング：
配列を中心としたマッピングは、各種の特徴間において、それらのゲノム座標に基づく関連付けを行う。配列を中心としたマッピングは、各種の識別子および／または特徴の間に確立された関係が未知である、あるいは存在しないような状況において有用である。図６は、各種の特徴関係を示した概略図である。先ず、（ａ）では、特徴１のゲノム座標と特徴２のゲノム座標とが重複している。各特徴は、遺伝子、ゲノム領域、遺伝子のたんぱく質産物などであることが可能である。配列を中心としたマッピングは、これらの特徴を、座標の重複に基づいて互いにマッピングする。（ｂ）では、特徴１の座標は、特徴２の座標を含んでいる。例えば、特徴は、ハロタイプブロック（特徴２）とＳＮＰ（特徴１）、あるいはゲノム領域（特徴２）と遺伝子（特徴１）であることが可能である。配列を中心としたマッピングは、これらの特徴を、座標の包含に基づいて互いにマッピングする。配列を中心としたマッピングは、また、接近してはいるが重複はしていないような特徴を、既定の近接値に基づいてマッピングすることも含むことができる。

iii. 間接的関連付けマッピング：
間接的関連付けは、異なる特徴どうしの関係または（遺伝子、ＳＮＰ、もしくはその他の配列因子の場合は）ゲノム内におけるそれらの物理的近接性に関する従来の何らかの研究知識を使用して、特徴間において、間接的関係に基づくつながりの確立を行う。関連付けの関係は、一定である必要はなく、新たに発生する知識に応じて可変である。関連付けマッピングは、一特徴が１対１のマッピングを有すること、すなわち単一の基準特徴またはＩＤを指し示すことを必要とせず、特徴は、いくつかの特徴に同時に関連付けることが可能である。例えば、もし、インポートされた配列領域が所定のハロタイプブロック内に含まれるならば、関連付けマッピングは、その配列領域と、所定のハロタイプブロック内の全ての遺伝子との間でなすことができる。別の一例は、とある遺伝子の既知の結合部位内に位置する一領域である。対象の特徴は、その遺伝子に直接的にはマッピングされないが、上記領域は、その遺伝子を調節する結合部位を通じてその遺伝子に関連している可能性があるゆえに、その遺伝子にマッピングすることができる。間接的マッピングの別の一例が、図６に示されている。（ｃ）では、ＳＮＰ Ｘが、遺伝子Ａの調節モチーフ内に含有されている。ＳＮＰ Ｘを遺伝子Ａにマッピングするために、間接的関連付けマッピングが使用される。同様に、とある遺伝子の活性に影響する配列領域と重複する、同配列領域内にある、または同配列領域に近接している特徴もまた、関連付けマッピングによってその遺伝子にマッピングすることができる。

図５に戻る。特徴が、動作５０６においてランク付けされる。ランク付けは、各特徴セット内の特徴を、実験における刺激または治療に対するそれらの反応の相対的レベルに基づいて、あるいは異なる表現型間におけるそれらの変化の大きさおよび方向、ならびに異なる表現型状態（例えば腫瘍の後期段階対腫瘍の初期段階）を区別するそれらの能力に基づいて、順序付けすることをともなう。ランク付けは、一般に、インポートされた特徴セット内の１つまたは複数の関連の統計値に基づく。例えば、特徴は、倍変化が大きいものから順に、またはｐ値が小さいものから順にランク付けすることができる。特定の実施形態では、特徴のランク付けにどの統計値を使用するかをユーザが指定する。

データのタグ付けが、動作５０８において実施される（動作５０４〜５０８は、同時並行的にまたは任意の順序で実施することができる）。タグは、所定の研究、特徴セット、または特徴グループに関連した生物学、化学、または医学からの重要概念を記述する標準的用語である。タグ付けは、ユーザがこれらの関連性および知識をデータとともにシステムに移すことを可能にする。例えば、もしとある研究が、筋肉組織内においてβブロッカーを確認した場合は、２つのタグは、「βブロッカー」および「筋肉」であることが可能である。また、もしとある研究者が、所定の研究が心血管の研究に関連していることを知っている場合は、その研究者は、「心血管疾患」というタグを追加することができる。タグ付けは、自動的にまたは手動で実施することができる。自動的なタグ付けは、インポートされたデータについての重要概念を自動的に抽出する。システムは、所定の研究に関わりがあるあらゆるテキストおよび文書を構文解析し、タグのデータベースに一致する重要概念、すなわち「標準的な」生物医学的、化学的、またはその他のキーワードを、（例えば頻度および特異性の基準に基づいて）自動的に取得して記録する。上述のように、データインポートプロセスのＵＩ部分の最中に、ユーザは、例えば実験または研究のテキスト記述などのデータとともにインポートされるべき追加のファイルを指定することができる。自動的なタグ付けは、データベース内のタグに一致する用語を求めてこれらの文書を構文解析する。自動的なタグ付けに加えて、ユーザは、「手動で」または「半自動的に」、特徴セットおよび特徴グループにタグを追加することができる。ユーザは、特徴セットおよび特徴グループに関連付けるために、データベース内のタグの中から選択を行う。特定の実施形態では、ユーザは、キーワードを入力してデータベースを検索することができる。検索は、関連のタグを抽出し、ユーザは、それらのタグを、インポートされたデータに追加することができる。図７は、タグナビゲータ領域７０２、自動タグ領域７０４、および手動タグ領域７０６をともなうタグ付けユーザインターフェース画面の一例である。神経原線維変化に関連した２つのインポートされた特徴セットの名称（図ではバイオセット名として言及されている）が、特徴セットに自動的に関連付けられたタグとともに、７０４に示されている。この例では、特徴セットは、アルツハイマー病、内嗅皮質、神経原線維変化、および疾病を自動的にタグ付けされている。手動によるタグ付けは、タグナビゲータの検索ボックス７０８に検索用語を入力することをともなう。この例では、検索用語として「脳」が入力される。すると、検索用語に関連したタグが抽出され、結果リスト７１０に表示される。ユーザは、次いで、結果のなかから、特徴セットに手動でタグ付けする用のタグを選択する。この例では、７０６に示されるように、脳というタグが選択されている。

Ｃ． 前処理：
前処理は、相関スコアリングとも称され、データがインポートされた後に実施される。システムにインポートされた新しいデータは、全て、前処理を施される。すなわち、情報空間全体にわたって相関を前計算される。前項において定義されたマッピング方法は、様々な分析タイプ、有機体、およびプラットフォームに跨ってデータをつなぐことを可能にする。ひとたびマッピングが決定されると、所定のデータセットと、知識ベース内のその他の任意の生物学的、化学的、または臨床的実体との間の相関スコア（例えばｐ値および／またはそこから導びかれたランクスコア）を前計算するために、自動的になおかつ体系的に相関アルゴリズムが適用される。

新しくインポートされたデータデータセットと相関される２つの主要なデータ／情報タイプは、システム内に既にある（例えばシステムの任意のユーザによって事前にインポートされている）特徴セットおよび特徴グループである。新しい情報のセットと相関されることを望まれるあらゆるオブジェクトおよび特徴セットを定めるために、グローバル相関マトリックス（ＧＣＭ）を使用することができる。次いで、ＧＣＭにしたがって、前計算がなされる。前計算された空間より外の任意の新しい処理は、前計算されたＧＣＭスコアを基礎として使用して、より複雑な処理を形成および算出することができる。例えば、もしユーザが、２つの異なる治療ベースの実験から導かれた２つの特徴セットに共通するシグナル通知経路を特定することに関心がある場合、システムは、各特徴セットについて、前計算されたあらゆる経路関連性を（ＧＣＭから）検索し、次いで、特徴セット間において最も高度に相関している経路を（前計算された個々のシグナル経路スコアに基づいて）決定する。

データのインポート後、なおかつ相関スコアリング前の段階で、特徴セットは、一般に、名称と、関連の研究名と、特徴識別子、マッピング識別子、統計情報、およびタグを含有する特徴表とを含有している。多くの実施形態において、前処理は、特徴のランキングを使用して特徴セットを相関させる。したがって、相関スコアの計算に先立って、特徴セット内の特徴は、特徴表内に含有されるｐ値、倍変化、またはその他の任意の有意な測定値もしくは統計値に基づいてランク付けされる。ランクは、特徴の反応の絶対値と無関係である。このため、例えば、１つの特徴セットにおいて、１．５倍増の反応を有する特徴が２位にランキングされる一方で、別の特徴セットでは、異なる刺激に対して５倍増の反応を有する同じ特徴がやはり２位にランキングされることが可能である。上述のように、上記のランク付けは、一般に、データのインポート中に実施される。

一実施形態において、統計的相関は、例えばフィッシャーの直接確率検定などの統計的検定を使用してなされる。フィッシャーの直接確率検定は、特定の分布（超幾何学的分布）からの厳密な確率に基づいており、２×２分割表の２つの変数間における関連性の有意性を検討するために使用される。特定の実施形態では、特徴セット内および特徴グループ内の重複した特徴のランキングを考慮に入れるように設計されなおかつフィッシャーの直接確率検定を用いるようなアルゴリズムが、相関スコアを効率良く生成するために使用される。

上述のように、本発明の方法において対象とされる相関は、一般に、特徴セット対特徴セットの相関、および特徴セット対特徴グループである。特定の実施形態では、特徴グループ対特徴グループの相関スコアを決定することも可能である。本発明の特定の実施形態にしたがった相関スコアリングが、以下において説明される。先ず、特徴セットとその他の特徴セット／特徴グループとの関連性または重複の有意性を測定するために、フィッシャーの直接確率検定を適用することについて述べられ、次いで、スコア表に格納するための相関スコアを生成するために、本発明の実施形態にしたがってそれらを「実行」アルゴリズムにおいて使用することについて述べられる。上述のように、実行アルゴリズムは、特徴のランキングを考慮に入れる。

ｉ． 特徴セット対特徴グループの相関スコアリング：
相関スコアリングは、任意の適切な方法によって実施することができる。本発明の特定の実施形態では、特徴のランキングを考慮に入れたランクベースの強化アルゴリズムが使用される。やはり上述のように、２つの変数の関連性の有意性を測定するために、フィッシャーの直接確率検定を使用することができる。（引用によって本明細書に全体を組み込まれた、Fisher, R.A. (1922) "On the interpretation of χ² from contingency tables, and the calculation of P（分割表からのχ²の解釈およびＰの計算について）", Journal of the Royal Statistical Society 85(1):87-94を参照せよ。）本発明の実施形態では、フィッシャーの直接確率検定は、所定の特徴セットＢ内の特徴と所定の特徴グループＣ内の特徴との重複の有意性を測定するために使用される。

図８は、特徴セット対特徴グループのセット図である。Ｐは、実験プラットフォーム内の全ての特徴（例えばマイクロアレイ検査によって発現を測定される全ての遺伝子または生データ内の全ての特徴）を表し、Ｂは、特徴セット内の特徴を表し、Ｃは、特徴グループ内の特徴を表している。セット図の下方の表は、図に示されたセットを示している。フィッシャーの直接確率検定をどの状況に適用する場合であれ、分割表の有意な結果を与える４つのパラメータすなわち要素を定めることが必要とされる。本発明の実施形態にしたがってフィッシャーの直接確率検定に使用される分割表の要素は、図８において強調表示されている。これらの要素は、以下のとおりである。
Ｂ∩Ｃは、特徴セットＢと特徴グループＣとの共通集合であり、図中、縞模様のサブセットとして示されている。これは、Ｃ内の特徴にマッピングされているＢ内の特徴を表している。
Ｐ∩Ｃ−Ｂ∩Ｃは、Ｐ内の特徴のうちＣにマッピングされているがＢ内にはない特徴を表しており、図に示されている。
Ｂ−Ｂ∩Ｃは、Ｃ内の特徴にマッピングされていないＢ内の特徴を表しており、図に示されている。
Ｐ−Ｂ−Ｐ∩Ｃ＋Ｐ∩Ｃは、Ｐ内の特徴のうちＢ内にもなくＣ内の特徴にもマッピングされていない特徴を表している。このサブセットもまた、図に示されている。

フィッシャーの直接確率検定を適用することによって、ｐ値が得られる。フィッシャーの直接確率検定の実施は、引用によって本明細書に組み込まれるAgresti A, (1992), A Survey of Exact Inference for Contingency Tables（分割表についての厳密な推定の調査）, Statistical Science, 7, 131-153に基づく。

図９Ａは、特徴セットＢと特徴グループＣとの間の相関を示す相関スコアを生成する際の重要な動作を示したプロセスフロー図である。この「実行」アルゴリズムは、動的チェックポイントにおけるフィッシャーの直接確率検定の反復として説明することができる。このプロセスは、特徴セットＢおよび特徴グループＣを受信することからスタートする（９０２）。特徴セット内の特徴は、上述されたように、ランクによって順序付けされている。ランキングをともなう特徴セットの特徴表の一例が、図９Ｂに示されている。ランクは、欄９５２に示されている。ファイルは、また、欄９５６にマッピング識別子も含む。図９Ｂに示された例では、特徴表は、また、データインポート中に受信された特徴識別子を表示するインポートＩＤ欄（９５４）、特徴に関連付けられたシンボルを表示するシンボル欄（９５８）、実験で測定されたｐ値を表示するｐ値欄（９６０）、および実験で測定された倍変化を表示する倍変化欄（９６２）も含む。欄９５２に示されたランキングは、倍変化に基づくものである。しかしながら、これらのランキングは、ｐ値、またはその他の適切な統計値、またはそれらの組み合わせに基づくことも可能である。特徴グループＣは、やはり特徴識別子およびマッピング識別子のリストを含有しているが、ランクまたはその他の統計値は含有していないのが一般的である。図９Ａに示された動作９０４では、共通のマッピング識別子が、Ｂ∩Ｃサブセットの構成要素の決定を可能にする。図９Ｂにおいて強調表示された行は、Ｂ∩Ｃサブセットの構成要素である特徴を示している。特徴セットＢおよび特徴グループＣの受信後は、特徴Ｘが決定される（９０６）。特徴Ｘは、Ｂ∩Ｃ内において次のランク順の特徴である。したがって、図９Ｂに示された特徴セットに適用されるプロセスの第１の反復では、特徴Ｘは、１１にランクした特徴であり、欄９６４においてストップ１として記されている。これが、第１のチェックポイントである。図９Ａに戻り、サブ特徴セットＢ_xが決定される（９０８）。（決定ダイヤモンド９２０は、後ほど詳述される最適化のステップを示している。）サブ特徴セットＢ_xは、Ｘに等しいまたはＸより高いランクを有する全ての特徴からなるセットである。したがって、第１の反復では、サブ特徴セットＢ_xは、ランクが１から１１までの特徴を含有している。次いで、動作９１０では、上述されたパラメータ（すなわちＢ_x∩ＣやＰ∩Ｃ−Ｂ_x∩Ｃなど）を使用して、サブ特徴セットＢ_xおよび特徴グループＣに対してフィッシャーの直接確率検定が実施される。結果得られたｐ値、すなわちｐ_xは、次いで、グローバルｐ値と比較され、もしそれがグローバルｐ値未満である場合は、（新しい）グローバルｐ値として保存される。第１の反復について、もし既存のグローバルｐ値が存在しない場合は、ｐ_xは、後続の反復において比較の対象とされるグローバルｐ値として保存される。なお、第１の反復では、Ｂ_x∩Ｃは、１つの構成要素を有しており、後続の反復ごとに一構成要素を追加されることに留意せよ。決定９１４は、次いで、Ｂ∩Ｃ内にその他に特徴が残っているかどうかを決定する。もし残っている場合は、プロセスは、動作９０６に戻り、ここで、特徴Ｘが特定される。例えば、図９Ｂに示された特徴セットの第２のプロセス反復では、特徴Ｘは、１３にランクした特徴であり、サブ特徴セットＢ_xは、ランクが１から１３までの特徴を含有している。

基本的に、プロセスは、サブ特徴セットＢ_xについて全てのｐ値候補を考察し、最も小さいｐ値を選択する。なお、記された「ストップ」ポイントのみでのフィッシャーの直接確率検定の実施は、ランク付けされた各特徴にそれを実施する場合と同じ結果を返す。これは、どの非ストップポイントで実施された場合でも、フィッシャーの直接確率検定からのｐ値は、グローバルｐ値より高くなるからである（ＰおよびＣが一定に留まるとき、Ｂ＝ｙなおかつＢ∩Ｃ＝ｚの場合のｐ値は、Ｂ＝ｙ＋１なおかつＢ∩Ｃ＝ｚの場合のｐ値を下回る）。

Ｂ∩Ｃ内にその他に残りの特徴がなくなると、特徴セットＢおよび特徴グループＣについての最終ｐ値を得るために、グローバルｐ値に多重仮説検定補正が適用される（９１６）。ｐ値は、特徴セットの大きさで乗算される。この補正は、特徴セットが大きいほど小さいｐ値が返される、という事実を考慮に入れる。なぜならば、特徴セットが大きいほど小さいｐ値を受信する機会が増えるからである。多重仮説検定補正は、当該分野において既知である。この最終ｐ値は、次いで、例えばスコア表などに格納される。特定の実施形態では、最終ｐ値に加えて、あるいは最終ｐ値の代わりに、「ランクスコア」がスコア表に格納される。簡単に言うと、ランクスコアは、最終ｐ値の導関数であり、ｐ値の負の対数である。

ａ． 最適化：
計算効率を向上させるために、各種の最適化を実施することができる。１つの最適化は、上述されており、「ストップ」ポイントのサブ特徴セットにのみフィッシャーの直接確率検定を実施することである。なぜならば、その他のサブ特徴セットを使用して計算されたｐ値が、より小さいｐ値を返すことはないからである。もう１つの最適化は、Ｂ∩Ｃ内の次の特徴が隣接しているかどうかをチェックすることによって実施可能である。これは、図９Ａの決定９２０に示されている。隣接した特徴とは、ランク順が隣りどうしの特徴である。もし次の重複特徴が隣接しているならば、特徴Ｘにおける計算は省略されてよく、プロセスは、動作９０４に戻り、この場合は単に次の特徴である特徴Ｘが決定される。例えば、図９Ｂに示されるように、プロセスが、ランク１７の特徴におけるチェックポイント「ストップ３」にあるときは、Ｂ∩Ｃ内の次の特徴（ランク１８の特徴）は、隣接している。すると、「ストップ３」における計算は省略され、「ストップ４」においてフィッシャーの直接確率検定が実施される。なぜならば、（次のストップが隣接している）これらの条件下では、高いランクの特徴ほど返されるｐ値が小さいからである。

ii. 特徴セット対特徴セットの相関スコアリング：
図９Ａおよび図９Ｂに関連して上述されたアルゴリズムは、特徴セットＡと特徴グループＢとの間の相関を示すｐ値を計算する際に、重複した特徴の特徴セットランキングを考慮に入れている。同様に、２つの特徴セットＦ１とＦ２との間の相関を示すｐ値を計算するにも、フィッシャーの直接確率検定を反復的に用いる「実行」アルゴリズムが使用される。しかしながら、特徴セット対特徴セットのケースは、特徴セットＦ１におけるランキングと特徴セットＦ２におけるランキングという２つのランキングセットを考慮に入れるので、さらに大幅に複雑である。

図１０は、特徴セット（ＦＳ１）対特徴セット（ＦＳ２）のセット図、ならびにフィッシャーの直接確率検定においてこれらの特徴セットの重複の有意性を測定するために使用される要素すなわちパラメータを示した表である。これらの要素は、以下の通りである。
Ｆ１∩Ｆ２は、特徴セットＦ１と特徴セットＦ２との共通集合であり、図に示されている。これは、Ｆ２内の特徴にマッピングされているＦ１内の特徴を表している。
Ｆ１∩Ｐ２−Ｆ１∩Ｆ２は、Ｐ１とＰ２との共通集合内の特徴のうち、Ｆ１内にはあるがＦ２内にはない特徴を表している。
Ｆ２∩Ｐ１−Ｆ１∩Ｆ２は、Ｐ１とＰ２との共通集合内の特徴のうち、Ｆ２内にはあるがＦ１内にはない特徴を表している。
Ｐ１∩Ｐ２−Ｆ１∩Ｐ２−Ｆ２∩Ｐ１＋Ｆ１∩Ｆ２は、Ｐ１とＰ２との共通集合内の特徴のうち、Ｆ１内にもＦ２内にもない特徴を表している。

図１１Ａは、特徴セットＦ１と特徴セットＦ２との間の相関を示す相関スコアを生成する際の重要な動作を示したプロセスフロー図である。先ず、動作１１０２において、特徴セットＦ１，Ｆ２が受信される。各特徴セットは、例えば１つの特徴セットについて図９Ｂに示されたような、マッピングされた特徴のランキングリストをともなう。共通集合Ｆ１∩Ｆ２が、マッピング識別子を使用して決定される。Ｆ１∩Ｆ２をもとに、特徴Ｆ１（ｉ）およびＦ２（ｊ）のランキングリストが生成される。変数「ｉ」および変数「ｊ」は、Ｆ１およびＦ２のストップすなわちチェックポイントを指定するためにそれぞれ使用される。上述された特徴セット対特徴グループの実行アルゴリズムと同様に、ストップは、最小のものがこの特徴セット対特徴セットの比較についての最終ｐ値となるｐ値の生成対象となるようなサブ特徴セットを定めるために使用される。強引な方法では、サブＦ１（ｉ）セットと全てのサブＦ２（ｊ）セット候補とのあらゆる組み合わせに対してフィッシャーの直接確率検定が実施されると考えられる。しかしながら、これは、以下のアルゴリズムに反映されるように、必ずしも必要ではない。Ｆ１（ｉ）におけるｉ＝１からｉ＝ｉｍａｘまでの全てのストップが、外側ループにおいてインデックス付けされる。内側ループは、しかしながら、ｊとしての全候補値についてインデックス付けされるのではなく、どのサブＦ２セットを使用するかをソートベクトルに基づいて決定する。この意味では、「ｊ」は、ｐ値ｐ_i,jを計算するもととなるサブＦ２セットを定めるために使用される現行のＦ２ストップを示している。

なお、たとえＦ１（ｉ）およびＦ２（ｊ）の中の特徴が同じである（すなわち、Ｆ１およびＦ２からの特徴が全て重複する）としても、Ｆ１とＦ２とは異なるランキングを有するので、ランキングリストは、Ｆ１とＦ２とで異なる。図１１Ｂは、Ｆ１およびＦ２のランキングリストの一例を示している（説明を容易にするため、ランキングのみが示されてるが、図９Ｂにあるように、これらの表は、特徴識別子、マッピングアドレス、統計値などを含むことも可能である）。各特徴セット内の強調表示されたランクは、Ｆ１∩Ｆ２の構成要素を示している。したがって、Ｆ１（１）＝１位にランクされたＦ１特徴、Ｆ１（２）＝５位にランクされたＦ１特徴、Ｆ２（１）＝２位にランクされたＦ２特徴、Ｆ２（２）＝７位にランクされたＦ２特徴、などである。

Ｆ１（ｉ）およびＦ２（ｊ）は、次いで、「アラインされる」、すなわち、各特徴Ｆ１（ｉ）が、対応する特徴Ｆ２（ｊ）につながれるすなわち関連付けされる（１１０６）。これは、図１１Ｃに図示されており、図中、Ｆ１（１）はＦ２（３）とアラインされ、Ｆ１（２）はＦ２（１）とアラインされ、Ｆ１（３）はＦ２（４）とアラインされる、などである。フローシートおよび以下の説明では、Ｆ１（ｉ）をアラインされるＦ２（ｊ）内の特徴を表すために、アライン（Ｆ１（ｉ））という命名法が使用される。例えば、アライン（Ｆ１（３））は、Ｆ２（４）を意味する。同様に、アライン（Ｆ２（３））は、Ｆ１（１）を意味する。カウント値ｉは、ゼロに設定される（１１０８）。動作１１０８は、また、この時点では、サブＦ２セットを決定するためにアルゴリズム内において後ほど使用されるソートベクトルが空であることも示している。カウント値ｉは、動作１１１０において、インデックス付けされる（ｉ＝ｉ＋１）。カウント値ｉは、Ｆ１（ｉ）内の特徴の数であるｉｍａｘと比較される（１１１２）。もしそれがｉｍａｘ以下であるならば、プロセスは、動作１１１４に進み、ここで、サブ特徴セット：サブＦ１（ｉ）が定められる。（動作１１３０は、後ほど詳述される最適化のステップである。）サブＦ１（ｉ）は、Ｆ１（ｉ）と、Ｆ１内のより高位にランクされた全ての特徴とを含有している。このため、例えば図１１Ｃに示された例では、最も高位にランクされた特徴がＦ１（１）であるので、サブＦ１（１）はＦ１（１）のみを含有している。Ｆ１（２）のランクは５であるので、サブＦ１（２）は、Ｆ１内の１〜５にランクされた特徴を含有している。次いで、アライン（Ｆ１（ｉ））のランクが、ベクトルに挿入される（１１１６）。Ｆ１（１）の場合、ベクトルは［１３］、Ｆ１（２）の場合、ベクトルは［２，１３］、などである。プロセスは、次いで、動作１１１８において、サブ特徴セット：サブＦ２（ｊ）を定める。サブＦ２（ｊ）は、アライン（Ｆ１（ｉ））と、Ｆ２内のより高位にランクされた全ての特徴とを含有している。ｉ＝１の場合、アライン（Ｆ１（１））＝Ｆ２（３）である。Ｆ２（３）のランクは１３であるので、サブＦ２（ｊ）は、Ｆ２内の１〜１３にランクされた特徴を含有している。次いで、ｐ値ｐ_i,jを生成するために、図１０に関連して上で説明されたパラメータを使用して、サブＦ１（ｉ）およびサブＦ２（ｊ）に対してフィッシャーの直接確率検定が実施される（１１２０）。ｐ値ｐ_i,jは、次いで、グローバルｐ値と比較され、もしグローバルｐ値より小さい場合は、グローバルｐ値として保存される（１１２２）。現行のＦ１（ｉ）をその他のサブＦ２セットと比較するべきであるかは、現行のＦ２（ｊ）のランクよりも大きい（すなわちランクが低い）ランク値がソートベクトルに含有されるどうかをチェックすることをともなう。もし含有される場合は、ｊは、ベクトル内の次のランク値に対応するストップに設定され、Ｆ２（ｊ）と、Ｆ２内のより高位にランクされた全ての特徴とを含有する新しいサブＦ２（ｊ）が定められる（１１２６）。例えば、図１１Ｃに示された例における、ｉ＝２の場合の内側ループの第１の反復では、ｊ＝１（アライン（Ｆ１（２））＝Ｆ２（１））である。Ｆ２（１）のランクは２であるので、ベクトルは［２，１３］を含有している。先ず、ｐ値ｐ_2,1が計算される、次いで、ベクトルは、ランク２よりも大きい（すなわちランクが低い）ランク値を含有するかどうかを調べるために、チェックされる。１３は２よりも大きい（１３は２よりもランクが低い、とも記述される）ので、ベクトルは、そのようなランク値を含有している。次いで、新しいｊとして、ランク１３に対応するＦ２ストップを使用して、新しいサブＦ２（３）が形成される。この場合は、１〜１３にランクされたＦ２特徴を含有するサブＦ２（３）が形成される。プロセスは、次いで、動作１１２０に戻り、Ｆ１（ｉ）および新しいＦ２（ｊ）に対してフィッシャーの直接確率検定が実施される。動作１１２４に戻り、もし現行のＦ２（ｊ）のランクより大きいランク値がない場合は、プロセスは、次のＦ１ストップについてのｐ値を計算するために、動作１１１０に戻る。ひとたび全てのＦ１ストップが実行されつくされ、ｉ＞ｉｍａｘとなると、今度は、多重仮説検定補正が適用される（１１２８）。この補正は、仮説検定の候補総数、すなわちＦ１サブ特徴セットとＦ２サブ特徴セットとのあらゆる組み合わせ候補の総数に基づく。

図１１Ｃに示されたＦ１およびＦ２に基づくいくつかの反復例が、以下に示される。
ランク１，５，１１、１８，１９，３４におけるＦ１ストップを通して反復する。
ｉｍａｘ＝６

ｉ＝１ ストップ１
Ｆ１（１）のランク＝１
アライン（Ｆ１（１））＝Ｆ２（３）；ｊ＝３
Ｆ２（３）のランク＝１３
ソートベクトル［１３］
ｐ_1,3＝０．０２７４（グローバルとして設定）
ベクトル中に、１３より大きいその他の値があるか？ いいえ

ｉ＝２ ストップ２
Ｆ１（２）のランク＝５
アライン（Ｆ１（２））＝Ｆ２（１）；ｊ＝１
Ｆ２（１）のランク＝２
ソートベクトル［２，１３］
ｐ_2,1＝０．００２６９（グローバルとして設定）
ベクトル中に、２より大きいその他の値があるか？ はい
ｊ＝３（ランク１３に対応する）
ｐ_2,3＝０．００１５７（グローバルとして設定）

ｉ＝３ ストップ３
Ｆ１（３）のランク＝１１
アライン（Ｆ１（３））＝Ｆ２（４）；ｊ＝４
Ｆ２（４）のランク＝２７
ソートベクトル［２，１３，２７］
ｐ_3,4＝０．００１２９（グローバルとして設定）
ベクトル中に、２７より大きいその他の値があるか？ いいえ

プロセスは、Ｆ１のストップ４〜６について続行される。

ａ．最適化：
計算効率を向上させるために、各種の最適化を実施可能である。１つの最適化は、図１１Ａの動作１１３０に示され、この場合、もし次のストップが隣接していてなおかつより高いランクにリンクしているならば、ストップｉは、省略することができる。図のフローチャートでは、サブＦ１（ｉ）セットを定める前に、Ｆ１（ｉ＋１）のランクが（Ｆ１（ｉ））のランク＋１と比較される。もし両者が等しいならば、Ｆ１（ｉ）とＦ１（ｉ＋１）とは隣接している。もしこれらが隣接していてなおかつアライン（Ｆ１（ｉ＋１））のランク＜アライン（Ｆ１（ｉ））のランクであるならば、そのストップは、省略することができる。

例えば、図１１Ｃに戻り、ｉ＝４について、

Ｆ１（ｉ＋１）のランク＝Ｆ１（４＋１）のランク＝Ｆ１（５）のランク＝１９
Ｆ１（４）のランク＋１＝１８＋１＝１９

アライン（Ｆ１（ｉ＋１））＝アライン（Ｆ１（５））＝Ｆ２（２）
Ｆ２（２）のランク＝７

アライン（Ｆ１（ｉ））＝アライン（Ｆ１（４））＝Ｆ２（６）
Ｆ２（６）のランク＝４０

Ｆ１（４）のストップおよびＦ１（５）のストップは、１８番目および１９番目にランクするので、隣接しており、Ｆ１（５）は、Ｆ１（４）よりも高いＦ２ランク（７）にリンクしているので、ストップ４は、省略することができる。なぜならば、ストップ５では、より優れたｐ値を得られるからである。

内側ループに対して第２の最適化を実施可能である。この最適化では、もし次のｊ値が連続しているならば、すなわちもしｊ＋１がベクトルの要素であるならば、「ｊ」における計算を省略することができる。これは、基本的に、特徴セット対特徴グループの相関について上述されたのと同じ最適化である。

Ｄ． 知識ベースの要素
図１２は、本発明の各種の実施形態にしたがった、知識ベース内の各種要素を表している。これらの要素（例えば特徴セットやスコア表）の生成およびこれらの要素への追加は、図１〜１１Ｃを参照にして上で説明されている。上記の説明は、後述される知識ベースの各種の要素（例えばインデックスセットやタグ定義）を、システム内に既に存在するものと仮定している場合もある。

要素１２０２は、データインポートプロセス中に特徴をマッピングするために使用されるインデックスセットである。インデックスセットは、一般に、特徴識別子（ポインタとも称される）とマッピング識別子とを含有している。特徴識別子は、特徴を特定するために使用可能なあらゆる異名および配列座標などのセットを含有している。したがって、複数の特徴識別子は、全て、単一のマッピング識別子を指すことが可能である。各マッピング識別子は、固有の特徴を表している。例えば、インデックスセットは、何百万もの特徴識別子と、何十万ものマッピング識別子とを含有することができる。インデックスセットの特徴識別子およびマッピング識別子は、新しい情報もしくは知識が取得されたときに、追加または更新することができる。特徴識別子およびマッピング識別子は、データインポートのマッピングプロセス中にも更新することができる。例えば、インポートされた特徴に対してマッピングを確立できない場合は、その特徴は、自身のマッピング識別子として機能する。

要素１２０４は、知識ベース内の全ての特徴セットを示している。上述されたように、インポート後、特徴セットは、一般に、少なくとも特徴セット名と特徴表とを含有している。特徴表は、特徴のリストを含有し、各特徴は、一般に、インポートＩＤおよび／または特徴識別子によって特定される。各特徴は、１つまたは複数のマッピング識別子と、１つのランクとを有する。マッピング識別子およびランクは、上述のように、インポートプロセス中に決定され、次いで、相関スコアを生成するために前処理において使用される。特徴表は、また、例えばｐ値および／または倍変化など、各特徴に関連付けられた統計値も含有している。これらの統計値の１つまたは複数は、各特徴のランクを計算するために使用される。特徴セットは、また、タグのリストおよび／または関連の研究名を含有することもできる。上述のように、特徴セットは、公共情報源または内部情報源から得られたデータをもとに生成することができる。

要素１２０６は、知識ベース内の全ての特徴グループを示している。特徴グループは、特徴グループ名と、互いに関連しあった特徴（例えば遺伝子）のリストとを含有している。特徴グループは、一般に、例えば標準シグナル伝達経路やたんぱく質ファミリーなど、公共情報源に通常由来する明確に定義された特徴セットを表している。特徴グループは、関連の統計値またはランクを有さないのが一般的である。特徴セットは、また、タグのリストおよび／または関連の研究名を含有することもできる。

要素１２０８は、各特徴セットとその他の全ての特徴セットとの間、および各特徴セットと全ての特徴グループとの間の相関の測定値を含有したスコア表を示している。図中、ＦＳ₁−ＦＳ₂は、特徴セット１と特徴セット２との間の相関の測定値、ＦＳ₁−ＦＧ₁は、特徴セット１と特徴グループ１との間の相関の測定値、などである。特定の実施形態では、測定値は、ｐ値、またはｐ値から導かれたランクスコアである。

要素１２１０は、異なる組織、病状、化合物の種類、表現型、細胞、およびそれらの間の関係についての全てのタグ（キーワード）のリストを含有した分類表である。これらは、階層構造（例えば疾病／疾病の種類／各種類中の特定の疾病）に編成することができる。このリストは、分類表内において、タグ定義１２１２として示されている。分類表は、また、各タグに関連付けられた全ての特徴セットおよび特徴グループのリストを含有することもできる。これは、領域１２１４に示されている（タグ１は、ＦＳ３、ＦＳ４、ＦＧ１などに関連付けられている）。図１２は、これらの要素およびこれらの各要素の構成要素の編成ならびに格納の一例を示したものであり、当業者ならば、これらを編成および格納するのに多くの方法が可能であることがわかる。

３．処理：
知識ベースを作成および定義するための方法、計算システム、ならびにユーザインターフェースに関する上記の説明は、本発明において用いることができる処理の手順を説明するための枠組みを提供する。本明細書において説明される処理の手順は、しかしながら、上で提起された知識ベースの具体的なアーキテクチャまたは内容に限定されない。

一般に、処理は、「検索分野」内のその他の内容（ii）に照らして比較および／または解析される具体的内容を指定し、その検索分野からの内容を比較に基づいて選択および／またはランク付けした処理結果（iii）を生成すること（ｉ）をともなう。例として、以下の説明は、３つの一般的タイプの処理、すなわち特徴セット処理、特徴グループ処理、および特徴固有の処理に焦点を当てる。これら一般的タイプの処理は、図１３〜１７に関連して示される。

先ず、図１３〜１５は、本発明の実施形態にしたがった特徴セット固有の処理に用いることができる動作を示したフローチャートを示している。図１３Ａは、ユーザが処理用の単一特徴セットを特定する際（ユーザが処理用に複数の特徴セットを提示する場合と区別される）に用いることができる一連の動作を示している。単一特徴セットの処理では、ユーザは、その処理を実行するための入力として、１つの特徴セットを特定する。ユーザは、研究別およびプロジェクト別に編成された特徴セットのリスト、または分類キーワード（タグ）階層などのその他の何らかのオントロジーをブラウズすることによって、これを行うことができる。あるいは、ユーザは、自身になじみのある特徴セットのＩＤを手動で入力することができる。処理特徴セットがどのように入力されたかにかからわず、システムは、図１３Ａのブロック１３０１に示されるように、その特徴セットのＩＤを処理の入力として受信する。図１８に示されたユーザインターフェースを用いるような特定の実施形態では、システムは、特定された特徴セットに基づく処理を、適切なコマンドが受信されるまで実際には実行しない。図１３Ａのフローチャートの状況では、このコマンドは、ブロック１３０３に明記されたような「処理実行」コマンドである。

なお、処理は、知識ベースの特徴内、特徴セット内、および特徴グループ内の特定の検索分野に限定可能であることに留意せよ。もちろん、検索は、知識ベース全体を含んでもよく、これをデフォルトにすることも可能である。ユーザが、検索分野を定めてもよいし、あるいはシステムが、特徴セットの具体的タイプに応じて検索分野を自動的に定めてもよい。図１８のユーザインターフェースに示されるような一実施形態では、検索分野は、処理入力窓内の「Ｓ」と表示された領域において定められ、一方で、特徴セットまたはその他の処理入力は、処理入力窓内の「Ｑ」と表示された領域に提供される。

処理についての結果を実際に生成するために、システムは、処理特徴セットを検索分野のその他の全ての特徴セットと比較する。システムは、これを、例えば図１２に示されたような、前計算された知識ベースのスコア表を用いてなすことができる。上述のように、このようなスコア表は、知識ベース内のその他の全ての特徴セットに対する各特徴セットの相関、および知識ベース内の全ての特徴グループに対する各特徴セットの相関をもとに生成することができる。相関スコア（ｐ値またはそれ以外）は、処理に使用される特徴セットに照らして検索分野内のその他の全ての特徴セットをランク付けするための便利な方法を提供する。したがって、図１３Ａのブロック１３０５に示されるように、処理特徴セットを検索分野内のその他の全ての特徴セットと比較することによって、これらのその他の特徴セットのランキングリストが作成される。このランキングリストは、検索分野からのこれらのその他の特徴セットを降順に表示し、最も高度に相関された（あるいは最も関連している）その他の特徴セットをリストのトップの一番目にリストアップするために使用することができる。図１３Ａのブロック１３０７に示されるように、結果得られたランキングリストは、ユーザインターフェースを介して処理の結果として表示することができる。

特定の実施形態において、動作１３０５において特定されたその他の特徴セットは、動作１３０７において、単純に、個々の特徴セットのリストとして表示される。他の実施形態では、便宜上、その他の特徴セットは処理結果画面には直接示されず、例えば、処理結果の特徴セットを含有する研究がリストアップされる。図１３Ｂのユーザインターフェースを参照せよ。他の実施形態では、特徴セットのランキングリストの代わりとして、分類グループがリストアップされる。このような分類グループは、「癌」または「病期２のリンパ腫」などのタグに基づくことが可能である。

図１３Ｂは、図１３Ａのブロック１３０７に示されるような、一特徴セット対特徴セットの処理の結果画面１３５１の例を示している。この例では、ユーザは、下垂体に固有の遺伝子のバイオセットを取り上げ、それを、知識ベース内のその他の全ての特徴セットに照らして処理している。図に示されるように、処理の結果得られたランク付けされた特徴セット（バイオセット）を含有する研究が、行１３５３として表示される。これらの研究の１つが拡大され、その個々の特徴セットが行１３５５として示されている。なお、全ての特徴セットは、（特徴セットとして表示されるにしろ、あるいはそれらを含有する研究として表示されるにしろ）特徴セットの相対的ランクを図示した「ランクスコア」１３５７とともに示されていることに留意せよ。その他の列は、共通遺伝子、共通特徴、ｐ値、Ｑ値、および起源となる種を表示している。

処理の結果としての特徴セットのランキングリストを表示した後、プロセスは、完了することができる。しかしながら、いくつかの実施形態では、ユーザインターフェース内の結果窓によって、ユーザは、処理入力として提供された特徴セットを使用したさらなる処理を行うことが可能である。例えば、決定動作１３０９に示されるように、システムは、ユーザによる特徴グループの処理を可能にすることができる。このため、もし決定１３０９が肯定応答された（すなわち、ユーザが特徴グループに対する処理コマンドを提供した）ならば、システムは、次に、動作１３０５においてその他の特徴セットのランキングリストを生成するのと同様に、処理特徴セットを検索分野からの全ての特徴グループと比較して、特徴グループのランキングリストを作成する。ブロック１３１１を参照せよ。特徴グループのランキングリストが作成されると、システムは、次に、ブロック１３１３に示されるように、その特徴グループのランキングリストをユーザインターフェースを介して処理の結果として表示する。

図１３Ｃは、動作１３１３中に表示される（すなわち一特徴セット対特徴グループの処理の結果を表示する）タイプの結果窓の画面ショット１３６１を示している。図１３Ｃの具体例では、下垂体に固有の遺伝子のバイオセットが、全ての特徴グループ（この例ではバイオグループ）に照らして処理された。図に示されるように、結果は、バイオグループのランキングリストとして表示され、行１３６３に示された。各バイオグループは、バイオグループ名、ランクスコア、ｐ値、Ｑ値などを提供されている。

図１３Ａに示された実施形態は、入力特徴セットに基づく処理を拡大するためであり、さらに別の手段も表示している。これは、決定ブロック１３１５におけるイベント検知を介してトリガされる。該イベントは、入力特徴セットの特徴に基づく処理を行うコマンドを、システムが受信したか否かを決定する。もし受信したならば、システムは、入力特徴セット内の個々の各特徴に基づく処理を実行し、その結果を表示する。ブロック１３１７を参照せよ。この動作は、図１４に、より詳細に示されている。特徴に基づく処理の結果を表示した後、プロセスは完了する。特徴グループに対する処理および／または入力特徴セット内の個々の特徴に基づく処理を実施することを、ユーザが選択しないような特定の実施形態では、プロセスは、決定動作１３０９，１３１５からのプロセス制御経路によって示されるように、早めに終了する。

図１４は、図１３Ａの動作１３１７を実施するために用いることができるプロセスフローを示している。具体的に言うと、フローチャートは、処理入力として使用される特徴セットの個々の特徴に基づいて処理を実行し、その結果を表示するために用いることができる、一連のステップを示している。図に示されるように、プロセスは、システムが処理特徴セット内の「次の」特徴を特定する動作１４０１からスタートする。一般に、プロセスは、入力特徴セットの各特徴を順に検討し、このような特徴について一致した特徴セットのランキングリストを生成する。

現行反復用の特徴を設定した後、プロセスは、次に、その現行の特徴を含有する検索分野内のその他の全ての特徴セットを特定する。ブロック１４０３を参照せよ。多くの場合、この特徴は、遺伝子であってよく、ブロック１４０３において特定される特徴セットは、このような遺伝子を含有する（検索分野内の）その他の全ての特徴セットである。

現行の特徴を含有するその他の各特徴セットを特定した後、システムは、特定されたそれらの特徴セットを、それらの特徴セット内における現行の特徴のランキングに基づいてランク付けする。ブロック１４０５を参照せよ。例えば、所定の特徴セットは、個々の遺伝子（特徴）を、それらの倍変化、ｐ値、またはその他の基準に基づいてランク付けすることができる。特徴セット内における特徴のランク付けに使用されるのが、これらの基準のどれであるかによって、この特徴に基づく処理における、特定された特徴セットのランキングが決定される。

処理特徴セット内の複数の特徴についての反復は、決定ブロック１４０７に示されるように制御される。処理特徴セット内の全ての特徴が検討された後、システムは、特徴セットのランキングリストを（処理特徴セット内の特徴ごとに１つずつ）表示する。換言すると、ユーザは、処理入力として使用される特徴セットを、それに含有される個々の特徴（例えば遺伝子）の観点から視察し、これらの特徴／遺伝子の任意の１つを選択することによって、その選択された特徴を含有する検索分野内のその他の全ての特徴セットのランキングリストを閲覧することができる。

図１５Ａは、複数の特徴セットを入力として使用した処理を処理するために本発明の特定の実施形態において用いることができるプロセスフローを示している。ブロック１５０１に示されるように、システムは、処理入力として機能する複数の特徴セットのＩＤを受信する。一般に、検索分野は、１つまたは複数の特徴グループによって範囲を区切られる。定められた検索分野（１つまたは複数の特徴グループ）を対象とした「処理実行」コマンドを受信すると、システムは、処理内の各特徴セットを第１の特徴グループと突き合わせるプロセスをスタートする。ブロック１５０３，１５０５，１５０７を参照せよ。ブロック１５０５が、検索分野を定める個々の特徴グループについての反復を制御する一方で、ブロック１５０７は、処理への入力として提供された個々の特徴セットについての反復を制御する。

個々の特徴セットを処理している内側ループにおいて、システムは、現行の特徴グループと処理からの現行の特徴セットとの間の相関を決定する。ブロック１５０９を参照せよ。この特徴セットと特徴グループとのペアについての相関は、次いで、後の使用に備えて格納される。決定ブロック１５１１に示されるように、システムは、その後、処理内にその他に検討するべき特徴セットがあるか否かを決定する。複数特徴セットの処理では、当然ながら、少なくとも２つの特徴セットがあると考えられる。したがって、動作１５１１は、少なくとも一度は肯定応答される。そのたびに、プロセス制御はブロック１５０７に戻り、処理内の次の特徴セットが特定される。その後、ブロック１５０９において、現行の特徴グループとの間の相関が決定され、保存される。

所定の特徴グループについて処理の全ての特徴セットが検討された後は、決定ブロック１５１１は否定応答され、プロセス制御はブロック１５１３に向かい、ここで、システムは、現行の特徴グループに対する各種処理特徴セットの「略」ランクおよび「特異性」を決定する。特定の実施形態において、略ランクは、現行の特徴グループに対する各特徴セットの個々のランク（相関）をもとに決定される。１つのアプローチでは、略ランクは、現行の特徴グループに対する処理特徴セットのそれぞれの相関／スコアの平均または中央値として決定される。もう１つのアプローチでは、略ランクは、現行の特徴グループに対する各種特徴セットの最大スコア／相関として決定される。特異性は、検討中の特徴グループとの間に強い相関（例えば規定値を超える相関）を有する処理入力特徴セットの割合を示す。例えば、入力処理の５つの特徴セットのうちの３つがこの基準を満たす場合は、３／５が特異性の値である。

動作１５１３が完了した後、プロセスは、検索分野内にその他に検討すべき特徴グループがあるか否かを決定する。決定ブロック１５１５を参照せよ。もしあるならば、プロセス制御は、ブロック１５０５に戻り、ここで、検索分野内の次の特徴グループが検討される。アルゴリズムは、次いで、上述されたように繰り返され、処理内において特定された各種特徴セットについて反復される。この反復の終わりでは、現行の特徴グループについて、新しい略ランクおよび特異性が提供される。

最終的に、検索分野内において特定された各特徴グループが検討されると、決定１５１５は否定応答される。この時点で、プロセス制御は、ブロック１５１７に向かい、ここで、システムは、処理内の各特徴グループについての略ランクおよび特異性を表示する。プロセスは、次いで、完了する。

図１５Ｂは、複数特徴セット対特徴グループの処理の結果（例えば動作１５１７の結果）を表示したユーザインターフェースの画面ショット１５５１を示している。この具体例は、免疫細胞型に固有の様々な遺伝子を表したバイオセットが知識ベース内の全ての特徴グループ（バイオグループ）に照らして処理された場合を示している。バイオグループは、行１５５３のかたちでランク順に表示される。各行は、バイオグループ名に加えて、略ランク１５５５、特異性１５５７、およびスコアマトリックス１５５９を示しており、処理入力内の各バイオセットと行内のバイオグループとの相関の強さを示すために、異なる色調または色の強さが使用されている。マトリックス内の各ブロックは、異なる処理バイオセットを表す。

いくつかの実施形態において、複数特徴セットの処理は、複数特徴セット内の全ての既知の特徴に照らした処理もともなう。これは、処理特徴セット内の各特徴のランキングリストを作成する。この特徴の一実施形態が、図１５Ｃに示される。プロセスは、処理入力としての複数の特徴セットと、「実行処理」コマンドとを受信することからスタートする。ブロック１５２１，１５２３を参照せよ。

プロセスは、ブロック１５２５から１５３１に示されるように、処理特徴セット内の各種特徴について反復される。反復は、ブロック１５２５に示されるように、特徴セットから次の特徴を特定することによってスタートされる。反復は、次いで、処理からの各特徴セット内における現行特徴のランクを決定する動作に進む。ブロック１５２７を参照せよ。上述のように、このようなランキングは、特徴セット内において指定された各種の基準（例えばｐ値または倍変化）に基づくことが可能である。次に、プロセスは、処理内の全ての特徴セットにおける現行特徴の個々のランクをもとに、略ランクを決定する。ブロック１５２９を参照せよ。略ランクは、例えば、全ての処理特徴セットにおいて最大のランク、または平均もしくは中央のランクとして計算することが可能である。

検討中の特徴についての略ランクを決定した後、プロセスは、処理特徴セット内にその他に検討するべきさらなる特徴があるか否かを決定する。決定ブロック１５３１を参照せよ。もしあるならば、プロセスは、動作１５２５に戻り、ここで、別の反復用に特徴セットのなかから次の特徴が選択され、その結果、処理特徴セット全体における略ランクが計算される。このプロセスは、処理特徴セット内の全ての特徴が検討され略スコアを与えられるまで継続される。次に、決定１５３１は否定応答され、その時点で、処理の結果が表示可能である（ブロック１５３３）。特定の実施形態では、システムは、処理からの特徴グループ内の各特徴について、その特徴ＩＤおよび略ランクを表示する。特定の実施形態では、その特徴の処理特徴グループ全体における特異性も表示される。この情報は、一般に、ユーザが処理特徴セット内の特徴の１つを選択した際に、そのユーザに対して表示される。

図１５Ｄは、複数特徴セット対全特徴の処理の結果を表示したユーザインターフェースの画面ショット１５６１を示している。図に示されるように、１５３３に表示された個々の遺伝子（特徴）は、ランキングリストの行１５６３として示されている。各遺伝子について表示された特性は、ランクスコア１５６５と、特異性１５６７と、遺伝子シンボル１５６９と、マッピングＩＤ１５７１とを含む。

次に、図１６Ａを参照にして特徴グループタイプの処理について説明する。図に示されるように、プロセスは、処理入力として特徴グループを受信することからスタートする（ブロック１６０１）。この入力は、処理入力が１つまたは複数の特徴セットであった場合の図１３〜１５に示された処理と対照的である。上述された実施形態と同様に、図１６Ａの実施形態は、「処理実行」コマンドの受信を受けて処理を実行する（ブロック１６０３）。処理システムは、次いで、処理特徴グループを検索分野内の全ての特徴セットと比較し、特徴セットのランキングリストを作成することによって、処理を実行する（ブロック１６０５）。特定の実施形態では、ランキングは、スコア表内の前計算結果をもとに提供される。上述のように、あらゆる特徴グループとあらゆる特徴セットとの間の相関が前計算され、知識ベース内に格納されている。これは、システムが、検討中の特徴グループを知識ベース内の各特徴セットとペアにして素早くなおかつ効率良くランキングリストを生成することを可能にする。処理が実行され、なおかつランキングリストが作成されると、リストは、ディスプレイまたはその他の出力を介し、ユーザに対して結果として表示される（ブロック１６０７）。結果得られた特徴セットは、そのままで、または例えば研究もしくは分類キーワードなどの適切なうつわを介して表示することができる。

なお、図１６Ａに表示されたプロセスは、処理入力として単一特徴グループのみを用いている。特定の実施形態では、処理は、処理入力として複数の特徴グループを提示することができる。このような場合、図１６Ａに示されたプロセスは、各特徴グループについて繰り返されると考えられる。

図１６Ｂは、特徴グループ対特徴セットの処理の結果を示したユーザインターフェース窓１６５１からの画面ショットを示している。図に示された具体例では、「コレステロール生合成」遺伝子バイオグループが、知識ベース内の全ての特徴セットに照らして処理される。結果は、処理において発見された、バイオセットを含有する研究として表示される。各研究（および場合によっては研究内のバイオグループ）は、行１６５３に表示される。各研究／バイオグループについて提供される処理情報は、ランクスコア１６５５と、研究名１６５７と、共通遺伝子１６５９と、共通特徴１６６１と、ｐ値１６６３と、Ｑ値１６６５と、起源となる種１６６７とを含む。

さらに別のタイプの処理は、特徴処理である。特徴処理への処理入力は、個々の特徴（例えば遺伝子、ＳＮＰ、化学化合物など）である。特定の実施形態において、特徴処理の実行は、対象の特徴を含有した特徴セットを知識ベースのなかから特定することをともなう。特定された特徴セットは、特徴セット内におけるその特徴のランキングに基づいてランク付けすることができる。

図１７Ａは、特徴処理を実行するためのアルゴリズムの一例を表示している。図に示されるように、プロセスは、特徴入力のＩＤを受信すること（ブロック１７０１）、次いで、検索分野内における「処理実行」コマンドを受信すること（ブロック１７０３）によってスタートする。処理は、処理特徴を検索分野内の全ての特徴セットと比較することによって実行される（ブロック１７０５）。比較は、処理特徴を保持している特徴セットを特定する。次に、システムは、特定された特徴セットのランキングリストを作成する（ブロック１７０７）。ここで、ランキングは、特定された各特徴セット内における処理特徴の個々のランクに基づくものである。例えば、同じ特徴が、１つの特徴セットでは０．２のｐ値を有し、別の特徴セットでは０．１のｐ値を有することがある。もし、ランキング基準としてｐ値が使用された場合は、後者の特徴セットは、より高いランクを付与されるであろう。図に示された特徴処理における動作は、特徴セットのランキングリスト（すなわち処理結果）をユーザに対して表示することをともなう。ブロック１７０９を参照せよ。本明細書において説明されたその他の実施形態にあるように、結果得られた特徴セットは、それらの特徴セットの属する研究または分類グループのかたちで表示されると好都合なこともある。

図１７Ｂは、一特徴対知識ベース内全特徴セットの結果を示したユーザインターフェース窓１７５１の画面ショットを示している。この具体例では、Ｐｉｔ−１遺伝子が、全ての特徴セットにわたって処理される。図に示されるように、処理によって返された特徴セット（バイオセット）は、行１７５３に（研究またはバイオセットとして）表示される。ランクスコア、遺伝子シンボル、ｐ値、倍変化、および起源となる種が、各バイオセットについて表示される。

図１８は、特定の実施形態にしたがった処理入力画面１８０１を示している。入力画面は、以下の主要部分を含む。すなわち、（ｉ）処理への入力として入力される特徴、特徴セット、および／または特徴グループを特定するためのブラウズ領域１８０３、（ii）処理用の入力として機能する特徴、特徴セット、および／または特徴グループを具体的に特定するための「Ｑ」ボックス１８０５（処理設定パネル）、ならびに（iii）領域１８０５において特定された入力を有する処理の検索分野の範囲を区切る働きをする任意の特徴、特徴セット、特徴グループ、研究、プロジェクト、分類グループなどを具体的に特定するための「Ｓ」ボックス１８０７（処理検索スペースパネル）である。Ｓボックス１８０７またはＱボックス１８０５に特徴や特徴セットなどを追加するには、矢印またはその他のユーザインターフェースツールを用いることができる。なお、処理入力画面１８０１は、処理を開始させるための「処理実行」ボタン１８０９も有することに留意せよ。また、ブラウズ領域１８０３において、ユーザは、処理を構築するために使用される情報を容易に見つけられるように、バイオセット、タグ、および関連のファイルを検討する選択肢を提供されることにも留意せよ。

その他の処理モードでは、本明細書において説明された知識ベースの内容およびアーキテクチャを上手く活用することができる。これらの１つは、特徴セットに関連付け可能なタグなどの分類キーワードを使用した処理をともなう。それに代わって、またはそれに加えて、ユーザは、知識ベース内に提供された研究またはプロジェクトを使用して処理を構築することも可能である。分類グループおよび研究／プロジェクトは、ともに、処理を定めるため（Ｑボックス）または検索分野の範囲を区切るため（Ｓボックス）に使用することができる。内容の閲覧すなわちブラウズに用いることが可能なさらに他の特徴としては、特定の実施形態では、有機体の特定の解剖領域（例えばマウスの脳）に関連した特徴セットまたはその他の内容を表示するためのアトラス、および特定の有機体ゲノム上の遺伝子または（マウスやヒトなどの高等生物の）染色体のリストを立ち上げるためのゲノムタブが含まれる。

４． コンピュータハードウェア：
明らかなように、本発明の特定の実施形態は、１つもしくは複数のコンピュータシステムに格納されたまたは１つもしくは複数のコンピュータシステムを通して転送された命令および／あるいはデータの制御下において作用するプロセスを用いる。特定の実施形態は、また、これらの動作を実施するための装置にも関する。この装置は、所要の目的のために特別に設計および／または構築されたものであってもよいし、あるいはコンピュータに格納されたまたはコンピュータにおいて使用可能にされた１つもしくは複数のコンピュータプログラムおよび／またはデータ構造によって選択的に構成された汎用コンピュータであってもよい。本明細書において提起されたプロセスは、いかなる特定のコンピュータにもその他の装置にも本質的に無関連である。具体的に言うと、本明細書の教示内容にしたがって記述されたプログラムとともに各種の汎用マシンが使用されてもよいし、あるいは所要の方法ステップを実施するためにより特化された装置を構築するほうが好都合であってもよい。これらの様々なマシンの具体的構造が、以下に示され説明される。

また、特定の実施形態は、少なくとも（１）計装、データベース（私用または公共（例：ＮＣＢＩ））、およびその他の情報源から生データを取得するタスク、（２）生データにキュレーションを施して特徴セットを提供するタスク、（３）特徴セットおよびその他のデータをデータベースなどのリポジトリまたは知識ベースにインポートするタスク、（４）インポートされたデータからの特徴を、インデックス内の事前定義された特徴基準にマッピングするタスク、（５）事前定義の特徴インデックスを生成するタスク、（６）特徴セットと特徴セットとの間および特徴セットと特徴グループとの間の相関またはその他のスコアを生成するタスク、（７）特徴グループを作成するタスク、（８）ユーザから処理を受信する（処理の入力内容および／または処理の検索分野の限定を随意に含む）タスク、（９）特徴、特徴グループ、特徴セット、研究、分類グループなどを使用して処理を実行するタスク、ならびに（１０）処理結果をユーザに対して（随意には、ユーザが関連の処理からの関連の内容をナビゲートすることを可能にするかたちで）表示するタスク、に関連した各種のコンピュータ実行動作を実施するためのプログラム命令および／またはデータ（データ構造を含む）を含む、コンピュータ可読媒体あるいはコンピュータプログラム製品に関する。本発明は、また、命令を実行してこれらのタスクの任意または全部を実施する計算装置にも関する。本発明は、また、このようなタスクを実施するための命令をコード化されたコンピュータ可読媒体を含む計算装置にも関する。

さらに、本発明は、コンピュータ可読媒体に格納された有用なデータ構造に関する。このようなデータ構造は、例えば、特徴セット、特徴グループ、分類階層、特徴インデックス、スコア表、および本明細書において提起されたその他の任意の論理データグループを含む。特定の実施形態は、また、本明細書において説明されたように生成された任意の結果（例えば処理結果）またはデータ構造を格納するための機能（例えばコードおよびプロセス）も提供する。このような結果またはデータ構造は、一般に、以下の説明において提起されるようなコンピュータ可読媒体に、少なくとも一時的に格納される。結果またはデータ構造は、また、表示や印刷などの各種のあらゆる方式で出力可能である。

本発明のコンピュータプログラム製品および計算装置における使用に適した有形のコンピュータ可読媒体の例は、ハードディスク、フロッピィディスク、および磁気テープなどの磁気媒体、ＣＤ−ＲＯＭディスクなどの光媒体、光磁気媒体、半導体メモリデバイス（例えばフラッシュメモリ）、ならびに読み出し専用メモリデバイス（ＲＯＭ）およびランダムアクセスメモリ（ＲＡＭ）などプログラム命令の格納および実施のために特別に構成されたハードウェアデバイスを含むが、これらに限定されない。本明細書において提供されるデータおよびプログラム命令は、搬送波またはその他の転送媒体（電子経路もしくは光学伝導経路を含む）にも組み込み可能である。

プログラム命令の例は、コンパイラによって生成されるような低水準コード、およびインタープリタを使用してコンピュータによって実行可能な高水準コードを含む。さらに、プログラム命令は、マシンコード、ソースコード、および／または計算マシンの動作を直接的もしくは間接的に制御するその他の任意のコードであることが可能である。コードは、入力、出力、計算、条件、分岐、反復ループなどを特定することが可能である。

図１９は、適切に構成または設計された際に特定の実施形態にしたがった計算装置として機能することができる代表的なコンピュータシステムを、単純なブロック形式で示している。コンピュータシステム１９００は、一次ストレージ１９０６（一般に、ランダムアクセスメモリすなわちＲＡＭである）および一次ストレージ１９０４（一般に、読み出し専用メモリすなわちＲＯＭである）を含むストレージデバイスに結合された任意の数のプロセッサ１９０２（中央演算処理装置すなわちＣＰＵとも称される）を含む。ＣＰＵ１９０２は、マイクロコントローラ、ならびにゲートアレイＡＳＩＣまたは汎用マイクロプロセッサなどのプログラマブルデバイス（例えばＣＰＬＤやＦＰＧＡ）および非プログラマブルデバイスなどのマイクロプロセッサを含む、各種のタイプであることが可能である。図示された実施形態では、一次ストレージ１９０４は、ＣＰＵに対してデータおよび命令を単方向的に伝送する働きをし、一次ストレージ１９０６は、一般に、データおよび命令を双方向的に伝送するために使用される。これらの一次ストレージデバイスは、いずれも、後述されるような任意の適切なコンピュータ可読媒体を含むことが可能である。一次ストレージ１９０６には、マスストレージデバイス１９０８も双方向的に接続され、これは、追加のデータ記憶容量を提供し、上述された任意のコンピュータ可読媒体を含むことが可能である。マスストレージデバイス１９０８は、プログラムやデータなどを格納するために使用されてよく、一般に、ハードディスクなどの二次ストレージ媒体である。このようなプログラムやデータなどは、ＣＰＵ１９０２での実行に備えて一時的に一次メモリ１９０６にコピーされることが多い。マスストレージデバイス１９０８内に保持された情報は、もし適切であれば、一次ストレージ１９０４の一部として標準的なかたちで組み入れ可能であることがわかる。ＣＤ−ＲＯＭ１９１４などの特定のマスストレージデバイスは、ＣＰＵまたは一次ストレージに対してデータを単方向的に引き渡すことも可能である。

ＣＰＵ１９０２は、また、ビデオモニタ、トラックボール、マウス、キーボード、マイクロフォン、タッチセンサ式ディスプレイ、トランスデューサカード読み取り装置、磁気テープもしくは紙テープ読み取り装置、タブレット、スタイラス、音声もしくは手書き文字認識周辺機器、ＵＳＢポート、またはもちろんその他のコンピュータなどのその他の周知の入力装置などの１つまたは複数の入出力装置につながるインターフェース１９１０に接続される。最終的に、ＣＰＵ１９０２は、１９１２に一般的に示されるような外部接続を使用して、データベースもしくはコンピュータなどの外部機器、または通信ネットワークに随意に接続可能である。このような接続があれば、ＣＰＵは、本明細書において説明された方法のステップを実施する過程において、ネットワークから情報を受信する、またはネットワークに情報を出力することができると考えられる。

一実施形態では、本明細書において説明されたタスクの一部または全部を実施することができるデータインポート、データ相関、および処理のシステムとして、コンピュータシステム１９００のようなシステムが使用される。システム１９００は、例えばデータ収集ツールなど、知識ベースおよび処理に関連したその他の各種ツールとしても機能することが可能である。データファイルを含む情報およびプログラムは、研究者によるダウンロードのために、ネットワーク接続１９１２を介して提供することができる。あるいは、このような情報、プログラム、およびファイルは、研究者のストレージデバイスに提供することができる。

具体的な一実施形態では、コンピュータシステム１９００は、サンプルからデータを収集するマイクロアレイまたはハイスループットスクリーニングシステムなどのデータ取得システムに直接的に接続される。このようなシステムからのデータは、システム１９００による解析のために、インターフェース１９１２を介して提供される。あるいは、システム１９００によって処理されるデータは、関連データのデータベースまたはその他のリポジトリなどのデータストレージソースから提供される。ひとたび装置１９００に入ると、一次ストレージ１９０６またはマスストレージ１９０８などのメモリデバイスが、関連データを少なくとも一時的にバッファに入れる、または格納する。メモリは、特徴セットをインポートすること、特徴セットを互いにおよび特徴グループと相関させること、ならびに処理を生成および実行することなどを含む、データのインポート、解析、および表示のための各種のルーチンならびに／またはプログラムを格納することも可能である。

以上では、具体的なプロセスおよび装置にしたがって、特定の実施形態を概ね説明してきた。しかしながら、提供された説明の主題は、もっと広範囲の実装および応用を有する。当業者ならば、その他のヴァリエーション、変更形態、および代替形態を認識することができるであろう。

本発明の一実施形態にしたがった、知識ベースを生成するために用いられる重要なステップを示したフロー図である。 生データ、および知識ベースでの使用のために該生データから生成されたデータセット（特徴セット）の概略図である。 本発明の一実施形態にしたがった、生データのキュレーションに用いられる重要なステップを示したフロー図である。 本発明の一実施形態にしたがった、キュレーションプロセスのデータ品質制御動作に用いられる重要なステップを示したフロー図である。 本発明の一実施形態にしたがった、キュレーションプロセスの統計的解析動作に用いられる重要なステップを示したフロー図である。 本発明の一実施形態にしたがった、複数の組織を対象とした実験または研究から組織固有の特徴セットを生成する際に用いられる重要なステップを示したフロー図である。 複数の組織にわたる一特徴の発現中央値を示したグラフである。 特徴セットファイルの一例を示した画面表示の説明図である。 本発明の一実施形態にしたがった、知識ベースにデータをインポートする際に用いられる重要なステップを示したフロー図である。 特徴間の関係の例を示した概略図である。関連した特徴間につながりを確立するために、本発明の各種の実施形態にしたがってマッピングが使用される。 本発明の一実施形態にしたがった、グラフィカルユーザインターフェース用のタグナビゲータおよびタグ付けの画面を示した画面（ＨＴＭＬページ）表示の説明図である。 特徴セット対特徴グループの関係の一例を示したセット図である。 特徴セットを特徴グループと相関させる際の重要なステップを示したフロー図である。 特徴グループと相関させることができる一特徴セットの特徴表の一例であり、相関プロセスに使用されるストップすなわちチェックポイントが示された説明図である。 特徴セット対特徴セットの関係の一例を示したセット図である。 特徴セットを別の特徴セットと相関させる際の重要なステップを示したフローチャートである。 互いに相関される２つの特徴セット（Ｆ１およびＦ２）の特徴リストを示す説明図であり、相関プロセスに使用されるストップ、すなわちチェックポイントを示す図である。 互いに相関される２つの特徴セット（Ｆ１およびＦ２）の特徴リストの説明図であり、線により、互いにマッピング、すなわちアラインされる特徴を示す説明図である。 本発明の各種の実施形態にしたがった、知識ベース内にある各種の要素、すなわち実体の概略図である。 本発明の特定の実施形態にしたがった処理入力として単一特徴セットを用いた処理を処理する際のいくつかの動作を示したプロセスのフローチャートである。 一特徴セット対特徴セットの処理についての処理結果窓を示した画面ショットの説明図である。 一特徴セット対特徴グループの処理についての処理結果窓を示した画面ショットの説明図である。 一特徴セットからの複数の特徴を処理入力として用いた処理の処理を示したプロセスのフローチャートである。 複数の特徴セットを処理入力として、そして１つまたは複数の特徴グループを検索分野として用いた処理を処理する際のいくつかの動作を示したプロセスのフローチャートである。 複数特徴セット対特徴グループの処理の結果を示した画面ショットでの説明図である。 複数特徴セットからの特徴を処理入力として用いた処理を処理する際のいくつかの動作を示したプロセスのフローチャートである。 複数特徴セット対全特徴の処理の結果を示した画面ショットの説明図である。 特定の実施形態にしたがった、特徴グループタイプの処理におけるいくつかの動作を示したプロセスのフローチャートである。 特徴グループ対特徴セットの処理の結果を示したユーザインターフェース窓からの画面ショットである。 特定の実施形態にしたがった、特徴タイプの処理におけるいくつかの動作を示したプロセスのフローチャートである。 一特徴対知識ベース内全特徴セットの結果を表示したユーザインターフェース窓の画面ショットの説明図である。 特定の実施形態にしたがった、各種タイプの処理を柔軟に入力するための処理入力窓を示した画面ショットの説明図である。 本明細書において説明された方法および装置とともに使用することができるコンピュータシステムの概略構成図である。

Claims (5)

1. 科学実験情報を含むデータを格納および処理するための知識ベースであって、
   少なくとも１つの特徴と関連の統計情報とを各自含む複数の特徴セットと、
   固有の特徴を各自表すマッピング識別子を含むインデックスセットと、
   前記複数の特徴セット内の特徴に関連付け可能なタグのリストを含む分類表と、
   各特徴セットとその他の全ての特徴セットとの間の相関に関する情報を含むスコア表と
   を備える知識ベース。
2. 科学情報の知識ベースにデータを提供する方法であって、
   （ａ）１つもしくは複数の特徴についての情報を、治療または刺激に対する前記特徴の反応の表示とともに含む生データを、１つまたは複数のサンプルから受信することと、
   （ｂ）より関連性の低い少なくとも一部の特徴に関する情報を排除することによって、前記生データから入力特徴セットを作成することと、
   （ｃ）前記入力特徴セットを、前記知識ベース内の複数の既存の特徴セットと相関させることと、
   （ｄ）前記入力特徴セットを、前記知識ベース内の１つまたは複数の特徴グループと相関させることであって、前記特徴グループは、共通の構造的および／または機能的特性を有する特徴の集合を提供する、ことと、
   （ｅ）（ｃ）および（ｄ）において生成された相関情報を、特徴グループまたは特徴セットをともなう処理に対する応答に使用するために格納することと
   を備える方法。
3. 請求項２に記載の方法であって、
   前記特徴は、有機体の遺伝子を含む方法。
4. 請求項２に記載の方法であって、
   前記特徴は、化学化合物を含み、反応の表示は、化学化合物が生物系に及ぼす影響である方法。
5. 請求項２に記載の方法であって、
   （ｃ）における相関は、特徴セットに対してフィッシャーの直接確率検定を複数回実施することを含む方法。

Images