JoVE Logo
Authors
Contact Us

Sign In

A subscription to JoVE is required to view this content. Sign in or start your free trial.

In This Article

  • Summary
  • Abstract
  • Introduction
  • Protocol
  • תוצאות
  • Discussion
  • Disclosures
  • Acknowledgements
  • Materials
  • References
  • Reprints and Permissions

Summary

חוקרים רבים מייצרים מידע בגודל בינוני, מהירות נמוכה ורב-מימדי, אשר ניתן לניהול ביעילות רבה יותר במסדי נתונים ולא בגיליונות אלקטרוניים. כאן אנו מספקים סקירה רעיונית של מסדי נתונים, כולל מידע רב-מימדי, קישור טבלאות במבנים יחסיים של מסד נתונים, מיפוי צינורות נתונים למחצה אוטומטיות, ושימוש במסד הנתונים כדי להבהיר משמעות נתונים.

Abstract

המדע מסתמך על ערכות נתונים מורכבות יותר ויותר להתקדמות, אך שיטות נפוצות לניהול נתונים כגון תוכניות גיליון אלקטרוני אינן מתאימות לקנה המידה והמורכבות הגדלים של מידע זה. בעוד שמערכות ניהול מסדי נתונים מאפשרות לתקן סוגיות אלה, הן אינן משמשות בדרך כלל מחוץ לתחום העסקי והאינפורמטיקה. עם זאת, מעבדות מחקר רבות כבר יוצרות "בגודל בינוני", מהירות נמוכה, נתונים רב-ממדיים שיכולים להפיק תועלת רבה מיישום מערכות דומות. במאמר זה, אנו מספקים סקירה רעיונית המסבירה כיצד מסדי נתונים מתפקדים והיתרונות שהם מספקים ביישומי הנדסת רקמות. שימוש בחומר פיברומגנטי מאנשים עם מוטציה של lamin A/C שימש להמחשת דוגמאות בהקשר ניסיוני ספציפי. דוגמאות כוללות נתונים רב-ממדיים, המקשרים טבלאות במבנה מסד נתונים יחסי, מיפוי צינור נתונים אוטומטי למחצה כדי להמיר נתונים גולמיים לתבניות מובנות ולהסביר את התחביר הבסיסי של שאילתה. התוצאות מניתוח הנתונים שימשו ליצירת חלקות של סידורים ומשמעויות שונות הפגינו בארגון התאים בסביבות מיושרות בין השליטה החיובית של האצ-גילפורד progeria, מוכרת למינציה ידועה, וכל שאר הקבוצות הנסיוניות. בהשוואה לגיליונות אלקטרוניים, שיטות מסד הנתונים היו יעילות מאוד בזמן, פשוט להשתמש פעם להגדיר, מותר גישה מיידית של מיקומי קבצים מקוריים, והגדלת הקשיחות נתונים. בתגובה לדגש על הקשיחות הניסיונית, סביר להניח שתחומים מדעיים רבים יאמצו בסופו של דבר מאגרי מידע כפרקטיקה משותפת בשל יכולתם החזקה לארגן נתונים מורכבים ביעילות.

Introduction

בעידן שבו ההתקדמות המדעית מונעת במידה רבה על ידי הטכנולוגיה, הטיפול בכמויות גדולות של נתונים הפך להיבט אינטגרלי של מחקר בכל התחומים. הופעתה של שדות חדשים כגון ביולוגיה חישובית ו גנומיקה מדגיש עד כמה קריטי ניצול יזום של הטכנולוגיה הפכה. מגמות אלו ממשיכות להמשיך בעקבות חוק מור והתקדמות יציבה שצברה מקדמה טכנולוגית1,2. עם זאת, תוצאה אחת היא הכמויות העולות של נתונים שנוצרו, החורגים מהיכולות של שיטות ארגון שהיו קיימות בעבר. למרות שרוב המעבדות האקדמיות מספקות מספיק משאבים חישוביים לטיפול בערכות נתונים מורכבות, לקבוצות רבות אין מומחיות טכנית הנחוצה לבניית מערכות מותאמות אישית המתאימות לפיתוח צרכים3. לאחר שהכישורים לנהל ולעדכן ערכות נתונים כאלה נותרת קריטית עבור זרימת עבודה ופלט יעילים. גישור הפער בין הנתונים והמומחיות חשוב לטיפול יעיל, לעדכון מחדש ולניתוח ספקטרום רחב של מידע רב-תחומי.

מדרגיות היא שיקול מהותי בעת טיפול בערכות נתונים גדולות. נתונים גדולים, למשל, הוא אזור פורח של מחקר הכרוך בחשיפת תובנות חדשות מעיבוד נתונים המאופיינת בנפחים ענקיים, טרוגניות גדולים ושיעורי הדור הגבוה, כגון שמע ווידאו4,5. שימוש בשיטות אוטומטיות של ארגון וניתוח הוא חובה עבור שדה זה כדי לטפל כראוי בפריטי ים של נתונים. מונחים טכניים רבים בהם נעשה שימוש בנתונים גדולים אינם מוגדרים בבירור, אך עשויים להיות מבלבלים; למשל, נתוני "מהירות גבוהה" משויכים לעתים קרובות למיליוני ערכים חדשים ביום, ואילו נתוני "מהירות נמוכה" עשויים להיות רק מאות ערכים ביום, כגון במסגרת מעבדה אקדמית. אמנם יש ממצאים מרגשים רבים עדיין להתגלות באמצעות נתונים גדולים, רוב המעבדות האקדמיות אינן דורשות את היקף, כוח, ומורכבות של שיטות כאלה לטיפול שאלות מדעיות שלהם5. למרות שאין ספק שהנתונים המדעיים מורכבים יותר ויותר עם זמן6, מדענים רבים ממשיכים להשתמש בשיטות של ארגון שכבר אינן עונות על צורכי הנתונים המתרחבים שלהם. לדוגמה, תוכניות גיליון אלקטרוני נוחות משמשות לעתים קרובות לארגון נתונים מדעיים, אך בעלות של חוסר מדרגי, שגיאה ומועדים לא יעילים בטווח הארוך7,8. לעומת זאת, מסדי נתונים הם פתרון אפקטיבי לבעיה כאשר הם מדרגיים, זולים יחסית וקלים לשימוש בטיפול בערכות נתונים מגוונות של פרויקטים שוטפים.

חששות מיידיים העולות כאשר שוקלים סכימות של ארגון נתונים הם עלות, נגישות והשקעה בזמן להדרכה ושימוש. בשימוש תכוף בהגדרות עסקיות, תוכניות מסדי נתונים כלכליים יותר, הן זולות או חופשיות יחסית, מאשר המימון הנדרש לתמיכה בשימוש במערכות נתונים גדולות. למעשה, מגוון של תוכנות מסחריות זמינות וקוד פתוח קיימות ליצירה ולתחזוקה של מסדי נתונים, כגון Oracle Database, MySQL ו-Microsoft (MS) Access9. חוקרים רבים גם יהיה לעודד ללמוד כי כמה חבילות אקדמיות MS Office לבוא עם MS Access כללה, עוד למזער שיקולים עלות. יתר על כן, כמעט כל המפתחים לספק תיעוד נרחב באופן מקוון ויש שפע של משאבים מקוונים חינם כגון Codecademy, W3Schools, ו SQLBolt ורג כדי לעזור לחוקרים להבין ולנצל שפת שאילתות מובנית (SQL)10,11,12. כמו כל שפת תכנות, ללמוד כיצד להשתמש במסדי נתונים וקוד באמצעות SQL לוקח זמן להתמחות, אבל עם משאבים מספיק זמין התהליך הוא פשוט ושווה את המאמץ השקיע.

מסדי נתונים יכולים להיות כלים רבי-עוצמה להגברת נגישות הנתונים ולנוחות הצבירה, אך חשוב להבחין אילו נתונים ייהנו ביותר משליטה גדולה יותר בארגון. ריבוי ממדי מתייחס למספר התנאים שניתן לקבץ מידה כנגד, ומסדי נתונים חזקים ביותר בעת ניהול מצבים רבים ושונים13. לעומת זאת, מידע עם ממדי ממדי נמוך הוא הפשוט ביותר לטפל באמצעות תוכנית גיליון אלקטרוני; לדוגמה, ערכת נתונים המכילה שנים וערך עבור כל שנה כוללת רק קיבוץ אפשרי אחד (מדידות נגד שנים). נתונים מימדים גבוהים כגון מתוך הגדרות קליניות ידרוש מידה גדולה של ארגון ידני כדי לשמור ביעילות, תהליך מייגע ונוטה לשגיאות מעבר להיקף של תוכניות הגיליון13. מסדי נתונים שאינם יחסיים (NoSQL) ממלאים גם מגוון תפקידים, בעיקר ביישומים שבהם הנתונים אינם מאורגנים היטב לשורות ולעמודות14. בנוסף להיותו קוד פתוח לעתים קרובות, סכימות ארגוניות אלה כוללות שיוכים גרפיים, נתוני סדרות זמן או נתונים מבוססי מסמך. NoSQL מצטיין במדרגיות טובה יותר מ-SQL, אך אינו יכול ליצור שאילתות מורכבות, כך שמסדי נתונים יחסיים טובים יותר במצבים המחייבים עקביות, סטנדרטיזציה ושינויי נתונים נדירים בקנה מידה גדול15. מסדי נתונים הם הטובים ביותר לקיבוץ ביעילות ולעדכון מחדש של נתונים למערך הגדול של התצורות הדרושות לעתים קרובות בהגדרות מדעיות13,16.

הכוונה העיקרית של עבודה זו, לכן, היא ליידע את הקהילה המדעית על הפוטנציאל של מסדי נתונים כמערכות ניהול מידע מדרגי עבור "בגודל בינוני", נתוני מהירות נמוכה, כמו גם לספק תבנית כללית באמצעות דוגמאות ספציפיות של המטופל ניסויים בשורת התאים. יישומים דומים אחרים כוללים נתונים גאו-מרחביים של מיטות נהר, שאלונים ממחקרים קליניים לאורך, ומצבי גדילה מחיידקים בצמיחה מדיה17,18,19. עבודה זו מדגיש שיקולים נפוצים עבור ושירות של בניית מסד נתונים בשילוב עם צינור הנתונים הדרוש כדי להמיר נתונים גולמיים לפורמטים מובנים. היסודות של ממשקי מסד נתונים וקידוד עבור מסדי נתונים ב-SQL מסופקים ומומחשים עם דוגמאות כדי לאפשר לאחרים להשיג את הידע הרלוונטי לבניית מסגרות בסיסיות. לבסוף, ערכת נתונים ניסיונית לדוגמה ממחישה כיצד בקלות וביעילות מסדי נתונים יכולים להיות מיועדים לצבור נתונים מגוונים במגוון דרכים. מידע זה מספק הקשר, פרשנות ותבניות לסיוע למדענים עמיתים בדרך ליישום מסדי נתונים לצרכים הניסיוניים שלהם.

לצורך יצירת מסד נתונים מדרגי בהגדרת מעבדה מחקר, נתונים מניסויים שימוש בתאי פיברובסט של האדם נאסף בשלוש השנים האחרונות. המוקד העיקרי של פרוטוקול זה הוא לדווח על ארגון תוכנות המחשב כדי לאפשר למשתמש לצבור, לעדכן ולנהל נתונים באופן החסכוני ביותר ובזמן האפשרי, אך השיטות הנסיוניות הרלוונטיות מסופקות גם עבור הקשר.

התקנה ניסויית
הפרוטוקול הניסיוני להכנת דגימות כבר תואר בעבר20,21, והוא מוצג בקצרה כאן. בנייה הוכנו על ידי ציפוי מלבני זכוכית מלבנית שמיכות עם תערובת 10:1 של polydiמתיל siloxane (pdms) וריפוי סוכן, ולאחר מכן החלת 0.05 mg/mL fibronectin, ב מאורגנת (isotropic) או 20 יקרומטר קווים עם 5 יקרומטר הפער מיקרותבנית מיקרו הסדרים (קווים). תאים פיברולסט הופרה במעבר 7 (או מעבר 16 עבור בקרות חיוביות) על שמיכות בצפיפויות האופטימלי ושמאלה כדי לגדול עבור 48 h עם מדיה שונה לאחר 24 שעות. התאים תוקנו לאחר מכן באמצעות 4% פאראפורמלדהיד (כדור בכורה) ו-0.0005% nonionic חומרים, ואחריו כיסוי להיות חיסוני תאים גרעיני (4 ', 6 '-diaminodino-2-פניינילינדול [dapi]), אקטין (אלקסה fluor 488 phalloidin), ו fibronectin (הארנב polycloncal נגד האדם fibronectin). כתם משני עבור fibronectin באמצעות עז נגד ארנב IgG נוגדנים (אלקסה Fluor 750 עז נגד ארנבת) הוחל ושימור סוכן הותקן על כל הכיסויים כדי למנוע פלורסנט נמוגה. לק מסמר שימש כדי לאטום שמיכות על שקופיות מיקרוסקופ ואז עזב להתייבש עבור 24 שעות.

תמונות פלואורסצנטית הושגו כמתואר בעבר20 באמצעות שומן 40x היעד טבילה בשילוב עם חיוב דיגיטלי מצמידים המכשיר (CCD) מצלמה רכוב על מיקרוסקופ ממונע הפוך. עשרה שדות שנבחרו באקראי לתצוגה היו תמונות עבור כל coverslip בהגדלה 40x, המתאים לרזולוציה 6.22 פיקסלים/μm. קודים כתובים מותאמים אישית שימשו לכמת משתנים שונים מן התמונות המתארות את הגרעין, הסיבים אקטין, ו fibronectin; ערכים תואמים, כמו גם פרמטרים של ארגון וגיאומטריה, נשמרו באופן אוטומטי בקבצי נתונים.

קווי תאים
ניתן למצוא מסמכים מקיפים יותר על כל הנתונים לדוגמה של שורות התא בפרסומים קודמים20. כדי לתאר בקצרה, איסוף הנתונים אושר ומידע הסכמה בוצעה בהתאם ללוח הסקירה המוסדי של אוניברסיטת קליפורניה (IRB 2014-1253). התאים האנושיים בתאי הפיצוץ נאספו משלוש משפחות של וריאציות שונות של lamin A/C (lmna) גן מוטציה: Heterozygous lmna אחונה -מוטציה באתר (כ. 357-2a > G)22 (משפחה A); Lmna שטויות מוטציה (c. 736 c > T, pQ246X) ב אקסון 423 (משפחה ב'); ו- lmna missense מוטציה (c. 1003c > T, pR335W) ב אקסון 624 (משפחה c). תאים פיברולסט נאספו גם מאנשים אחרים בכל משפחה כמו בקרות מוטציה שלילית הקשורים, המכונה "פקדים", ואחרים נרכשו כמו בקרות מוטציה שלילית שאינם קשורים, המכונה "תורמים". בתור שליטה חיובית, תאים פיברובלסט מאדם עם האצ-gliford פרוגריה (hgps) נרכשו וגדלו מתוך ביופסיה של העור נלקח מחולה בת 8 בת עם hgps בעל מוטציה G608G point lmna 25. בסך הכל, פיברוהפיצוצים מ -22 אנשים נבדקו ושימשו נתונים בעבודה זו.

סוגי נתונים
מידע פיברובלסט נפל לאחת משתי קטגוריות: משתני גרעין סלולאריים (כלומר, אחוז הגרעינים המבוריים, שטח הגרעינים, אקסצנטריות הגרעינים)20 או משתנים מבניים הנובעים מפרמטר הסדר הoriקטיבי (לדוגמה)21,26,27 (כלומר, אקטין-הופ, פילברון-הופ). פרמטר זה שווה לערך המרבי המירבי של סדר המשמעות של טנסור של כל וקטורי הכיוון, והוא מוגדר בפירוט בפרסומים הקודמים26,28. ערכים אלה מצטברים למגוון של קונמציות אפשריות, כגון ערכים נגד גיל, מין, מצב מחלה, נוכחות של תסמינים מסוימים, וכו '. דוגמאות לאופן השימוש במשתנים אלה ניתן למצוא בסעיף התוצאות.

קודים לדוגמה וקבצים
ניתן להוריד את הקודים לדוגמה וקבצים אחרים המבוססים על הנתונים לעיל, והשמות והסוגים שלהם מסוכמים בטבלה 1.

Protocol

הערה: ראה טבלת חומרים עבור גירסאות התוכנה המשמשות בפרוטוקול זה.

1. הערך אם הנתונים ירוויחו מסכימת ארגון של מסד הנתונים

  1. הורד את קודי הדוגמה ומסדי הנתונים (ראה משלים קבצי קידוד, המסוכמים בטבלה 1).
  2. השתמש באיור 1 כדי להעריך אם ערכת העניין של הנתונים היא "רב-ממדית".
    הערה: איור 1 הוא ייצוג גרפי של מסד נתונים רב-מימדי המסופק עבור ערכת הנתונים לדוגמה.
  3. אם ניתן לדמיין את הנתונים בטופס "רב-מימדי" כמו בדוגמה, ואם היכולת לקשר תוצאה ניסיונית ספציפית לכל הממדים (כלומר, תנאים) תאפשר תובנה מדעית גדולה יותר בנתונים הזמינים, המשך אל בניית מסד נתונים יחסי.

2. ארגון מבנה מסד הנתונים

הערה: מסדי נתונים יחסיים מאחסנים מידע בצורת טבלאות. טבלאות מאורגנות בסכימה של שורות ועמודות, בדומה לגיליונות אלקטרוניים, וניתן להשתמש בהן לקישור מידע מזהה בתוך מסד הנתונים.

  1. ארגן את קבצי הנתונים, לכן הם חשבו היטב על שמות ייחודיים. תרגול טוב עם מוסכמות של מתן שמות לקבצים ומבנים של תיקיות מתיקייה, כאשר מתבצעת היטב, מאפשרים מדרגיות רחבה של מסד נתונים מבלי להתפשר על הקריאות של גישה לקבצים באופן ידני. הוסף קבצי תאריך בתבנית עקבית, כגון "20XX-YY-ZZ" ותיקיות משנה של שמות בהתאם למטא-נתונים היא דוגמה אחת.
  2. כאשר מבנה בסיס הנתונים מעוצב, צייר קשרי גומלין בין השדות בטבלאות שונות. לכן, רב-ממדי מטופל על-ידי התייחסות לתחומים שונים (כלומר, עמודות בטבלאות) בטבלאות בודדות זה לזה.
  3. צור תיעוד readme המתאר את מסד הנתונים וקשרי הגומלין שנוצרו בשלב 2.2. לאחר שרשומה בין טבלאות שונות מקושרת, כל המידע המשויך קשור לערך זה וניתן להשתמש בו כדי להתקשר לשאילתות מורכבות כדי לסנן את המידע הרצוי.
    הערה: מסמכי Readme הם פתרון משותף למתן מידע משלים ומידע מבני מסדי נתונים אודות פרוייקט מבלי להוסיף נתונים לא אחידים למבנה.
  4. בעקבות שלבים 2.1-2.3, הפוך את התוצאה הסופית בדומה לדוגמה שאליה מאפיינים שונים של אנשים (איור 2א) קשורים לנתונים ניסיוניים משויכים של אותם אנשים (איור 2ב). הדבר נעשה באמצעות התייחסות לעמודות של סוגי תבניות (איור 2ג) וסוגי נתונים (איור 2ד) לערכים תואמים בטבלת ערכי הנתונים העיקריים כדי להסביר את הסימונים המקוצר השונים (איור 2ב).
  5. קבע את כל נקודות הנתונים החיוניות והשימושיות ביותר שצריכות להיות מוקלטות עבור איסוף נתונים ארוכי טווח.
    הערה: יתרון מרכזי בשימוש במסדי נתונים על-פני תוכניות גיליון אלקטרוני, כפי שהוזכר קודם לכן, הוא מדרגיות: ניתן להוסיף באופן מיידי נקודות נתונים נוספות בכל שלב וחישובים, כגון ממוצעים, מעודכנים באופן מידי לשיקוף נקודות נתונים חדשות שנוספו.
    1. זהה את המידע הדרוש ליצירת נקודות נתונים שונות לפני תחילת ההתחלה. השאר נתונים גולמיים ללא שינוי, במקום לשנות או לשמור עליו, כך שבדיקה חוזרת אפשרית ונגישה.
      הערה: לדוגמה הנתונה (איור 2), המילה "מציין" המתאימה לאדם, "סוג תבנית", "coverslip", ו-"סוג משתנה" היו כל השדות החיוניים לייחוד של הערך המשויך.
    2. במידת הצורך, הוסף מידע שימושי ושאינו חיוני, כגון "סה כ כיסוי" כדי לציין את מספר החזרות שנערכו ולקבוע אם נקודות הנתונים חסרות בדוגמה זו.

3. הגדר וארגן את הצינור

  1. זהה את כל הנסיונות השונים ושיטות ניתוח הנתונים שעשויים להוביל לאיסוף נתונים יחד עם נוהלי אחסון הנתונים הרגילים עבור כל סוג נתונים. עבוד עם תוכנת בקרה של גירסת קוד פתוח כגון GitHub כדי להבטיח עקביות ובקרת גירסה הדרושים תוך מזעור נטל המשתמש.
  2. במידת האפשר, צור פרוצדורה למתן שמות ואחסון עקביים של נתונים כדי לאפשר קו צינור אוטומטי.
    הערה: בדוגמה, התפוקות כולן נקראו בעקביות, ובכך יצרו צינור נתונים שחיפש תכונות ספציפיות היה פשוט לאחר שהקבצים נבחרו. אם שמות עקביים אינם אפשריים, יהיה צורך לאכלס את הטבלאות במסד הנתונים באופן ידני, דבר שאינו מומלץ.
  3. השתמש בכל שפת תיכנות נוחה כדי ליצור ערכי נתונים חדשים עבור מסד הנתונים.
    1. צור טבלאות "עוזרים" קטנות (קבצים #8-#10 בטבלה 1) בקבצים נפרדים שיכולים להנחות בחירה אוטומטית של נתונים. קבצים אלה משמשים כתבנית של אפשרויות עבור הצינור לפעול תחת קל לערוך.
    2. כדי ליצור ערכי נתונים חדשים עבור צינור הנתונים (איור 3D), תכנת את הקוד (הנמצא במצב מצביע. m, הקובץ #1 בטבלה 1) כדי להשתמש בטבלאות המסייע כתשומות שייבחרו על-ידי המשתמש (קבצים #8-#10 בטבלה 1).
    3. מכאן, להרכיב גיליון אלקטרוני חדש של מיקומי קבצים על ידי שילוב הערכים החדשים עם הערכים הקודמים (איור 3E). צור קוד להפיכת שלב זה לאוטומטי כמוצג בתוך מוקדי העניין. m (קובץ #2 בטבלה 1).
    4. לאחר מכן, בדוק את הגיליון האלקטרוני הממוזג עבור כפילויות, שאותן יש להסיר באופן אוטומטי. צור קוד להפיכת שלב זה לאוטומטי כמוצג ב-LocationPointer_Remove_Duplicates. m (קובץ #3 בטבלה 1).
    5. בנוסף, בדוק את הגיליון האלקטרוני לאיתור שגיאות, והודע למשתמש באשר לסיבה ולמיקום שלהם (איור 3F). צור קוד להפיכת שלב זה לאוטומטי כמוצג ב-BadPointerCheck. m (קובץ #4 בטבלה 1). לחלופין, כתוב קוד שיבדוק את מסד הנתונים שעבר קומפילציה ויזהה כפילויות בשלב אחד כפי שמוצג ב-LocationPointer_Check. m (קובץ #5 בטבלה 1).
    6. צור קוד כדי לאפשר למשתמש להסיר באופן ידני נקודות שגויות מבלי לאבד את תקינות מסד הנתונים כפי שמוצג ב-Manual_Pointer_Removal. m (קובץ #6 בטבלה 1).
    7. לאחר מכן השתמש במיקומי הקבצים כדי ליצור גיליון אלקטרוני של ערך נתונים (איור 3G, קובץ #12 בטבלה 1) וכן ליצור רשימה מעודכנת ביותר של ערכים שניתן לגשת אליהם לזיהוי מיקומי קבצים או למיזוג עם ערכים עתידיים (איור 3H). צור קוד להפיכת שלב זה לאוטומטי כמוצג ב-Database_Generate. m (קובץ #7 בטבלה 1).
  4. כפול לבדוק כי צינור מוסיף הקשיחות ניסיוני על ידי בדיקה להכללה של מוסכמות למתן שמות קפדנית, אוטומטי קודים הרכבה, ואוטומטי בדיקות שגיאה כמתואר בעבר.

4. יצירת מסד הנתונים והשאילתות

הערה: אם טבלאות מאחסנות מידע במסדי נתונים, שאילתות הן בקשות למסד הנתונים לקבלת מידע הנתון לקריטריונים ספציפיים. קיימות שתי שיטות ליצירת מסד הנתונים: החל ממסמך ריק או החל מהקבצים הקיימים. איור 4 מציג שאילתה לדוגמה באמצעות תחביר SQL שמתוכנן לפעול באמצעות קשרי מסד הנתונים המוצגים באיור 2.

  1. שיטה 1: החל מהתחלה ביצירת מסד הנתונים והשאילתות
    1. צור מסמך מסד נתונים ריק.
    2. טען את הטבלאות המסייעים (קבצים #8-#10 בטבלה 1) על-ידי בחירת נתונים חיצוניים | ייבוא קובץ טקסט | בחרו ' קובץ ' (קבצים #8-#10) | מופרדים | שורה ראשונה מכילה כותרות עליונות, פסיק | עזוב את ברירת המחדל | בחר מפתח ראשי משלי (מציין עבור קובץ קווי תא #8, שם משתנה עבור קובץ סוגי נתונים #9, שם פאט עבור קובץ סוג תבנית #10) | עזוב את ברירת המחדל | סיום.
    3. טען את טבלת ערכי הנתונים (קובץ #12 בטבלה 1) על-ידי בחירת נתונים חיצוניים | ייבוא קובץ טקסט | בחרו ' קובץ ' (הקובץ #12) | מופרדים | שורה ראשונה מכילה כותרות עליונות, פסיק | עזוב את ברירת המחדל | תן ל-Access להוסיף מפתח ראשי | יבא לטבלה: DataValues | סיום.
    4. צור את קשרי הגומלין על-ידי בחירת כלי מסד נתונים | קשרי גומלין | גרור את כל הטבלאות ללוח | עריכת קשרי גומלין | צור חדש | התאם את השדות DataValue עם מצייני טבלאות מסייע | משותף סוג 3.
    5. בחר צור | עיצוב שאילתה.
    6. בחר או גרור את כל הטבלאות הרלוונטיות לחלון העליון. בדוגמה זו, ' קווי תאים ', ' ערכי נתונים ', ' סוגי נתונים ' ו-' סוג תבנית '. קשרי הגומלין צריכים להיות מוגדרים באופן אוטומטי בהתבסס על עיצוב קשרי הגומלין הקודמים.
    7. מלא את עמודות השאילתה לקבלת התוצאות הרצויות, לדוגמה:
      1. לחץ על הצג | סיכומים.
      2. מלא את העמודה הראשונה (טבלה: DataValues, שדה: DataVar, סה כ: GroupBy, קריטריונים: "Act_OOP"), העמודה השניה (טבלה: DataValues, שדה: PatVar, סה כ: GroupBy, קריטריונים: "קווים") והעמודה השלישית (טבלה: Cell_Lines, שדה: מציין, סה כ: GroupBy, מיון: בסדר עולה.
      3. מלא את העמודה הרביעית (טבלה: DataValues, שדה: פרמטר, סה כ: Ave), העמודה החמישית (טבלה: DataValues, שדה: פרמטר, סה כ: StDev) והעמודה השישית (טבלה: DataValues, שדה: פרמטר, סה כ: ספירה).
    8. הפעל את השאילתה.
  2. לחלופין, השתמש במסד הנתונים לדוגמה שסופק כבסיס לדוגמאות. פתח את קובץ מסד הנתונים Database_Queries. accdb (קובץ #13 בטבלה 1) שהורד מוקדם יותר. השתמש בו כתבנית על-ידי החלפת טבלאות קיימות בנתוני הריבית.

5. העברת טבלאות הפלט לתוכנה סטטיסטית לניתוח משמעויות

  1. לדוגמה זו נתונים ניסיוניים, השתמש בניתוח חד כיוון של השונות (ANOVA) באמצעות מבחן של Tukey להשוואות משמעות בין תנאים שונים.
    הערה: הערכים של p < 0.05 נחשבו למשמעותיים מבחינה סטטיסטית.

תוצאות

ריבוי ממדי של הנתונים
בהקשר של מערכת הנתונים לדוגמה המוצגת כאן, הנושאים, מתואר בסעיף שיטות, חולקו לקבוצות של אנשים מתוך שלוש המשפחות עם מחלת לב-גרימת lmna מוטציה ("חולים"), הקשורים שלילי שלילית שליליים ("שולטת"), שאינם קשורים שלילי מוטציה שלילית ("תורמים"), ואדם עם תסמונת האצ גילפ?...

Discussion

דיון טכני בפרוטוקול
הצעד הראשון בעת בחינת השימוש במסדי נתונים הוא להעריך אם הנתונים ירוויחו מארגון כזה.

הצעד החיוני הבא הוא ליצור קוד אוטומטי שיבקש את הקלט המינימלי מהמשתמש ויפיק את מבנה הנתונים של הטבלה. בדוגמה, המשתמש הוזן לקטגוריית סוג הנתונים (גרעיני תא או מד...

Disclosures

. למחברים אין מה לגלות

Acknowledgements

עבודה זו נתמכת על ידי הלב הלאומי, ריאות, מכון הדם במכון הלאומי לבריאות, גרנט מספר R01 HL129008. המחברים מודים במיוחד לבני משפחת המוטציות המוטציות של הגן על השתתפותם במחקר. אנו גם רוצים להודות ללינדה מקארתי על עזרתה עם תרבות התאים ושמירה על חללי המעבדה, נאסאם צ'אר על השתתפותה בדימות התא וניתוח נתונים גרעינים, ומיכאל א. גרוסברג על העצה הרלוונטית שלו עם הגדרת מסד הנתונים הראשוני של Microsoft Access, כמו גם לענות על שאלות טכניות אחרות.

Materials

NameCompanyCatalog NumberComments
4',6'-diaminodino-2-phenylinodole (DAPI)Life Technologies, Carlsbad, CA
Alexa Fluor 488 PhalloidinLife Technologies, Carlsbad, CA
Alexa Fluor 750 goat anti-rabbitLife Technologies, Carlsbad, CA
digital CCD camera ORCAR2 C10600-10BHamamatsu Photonics, Shizuoka Prefecture, Japan
fibronectinCorning, Corning, NY
IX-83 inverted motorized microscopeOlympus America, Center Valley, PA
Matlab R2018bMathworks, Natick, MA
MS AccessMicrosoft, Redmond, WA
paraformaldehyde (PFA)Fisher Scientific Company, Hanover Park, IL
polycloncal rabbit anti-human fibronectinSigma Aldrich Inc., Saint Louis, MO
polydimethylsiloxane (PDMS)Ellsworth Adhesives, Germantown, WI
Prolong Gold AntifadeLife Technologies, Carlsbad, CA
rectangular glass coverslipsFisher Scientific Company, Hanover Park, IL
Triton-XSigma Aldrich Inc., Saint Louis, MO

References

  1. Cavin, R. K., Lugli, P., Zhirnov, V. V. Science and engineering beyond Moore's law. Proceedings of the IEEE. 100, 1720-1749 (2012).
  2. Mast, F. D., Ratushny, A. V., Aitchison, J. D. Systems cell biology. The Journal of Cell Biology. 206 (6), 695-706 (2014).
  3. Barone, L., Williams, J., Micklos, D. Unmet needs for analyzing biological big data: A survey of 704 NSF principal investigators. PLoS Computational Biology. 13 (10), 1005755 (2017).
  4. Gandomi, A., Haider, M. Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management. 35 (2), 137-144 (2015).
  5. Siddiqa, A., et al. A survey of big data management: Taxonomy and state-of-the-art. Journal of Network and Computer Applications. 71, 151-166 (2016).
  6. Anderson, C. The End of Theory: The Data Deluge Makes the Scientific Method Obsolete. Wired Magazine. , (2008).
  7. Broman, K. W., Woo, K. H. Data Organization in Spreadsheets. The American Statistician. 72 (1), 2-10 (2018).
  8. Lee, H., et al. How I do it: a practical database management system to assist clinical research teams with data collection, organization, and reporting. Academic Radiology. 22 (4), 527-533 (2015).
  9. Bassil, Y. A comparative study on the performance of the Top DBMS systems. Journal of Computer Science & Research. 1 (1), 20-31 (2012).
  10. . Learn SQL - Codeacademy Available from: https://www.codecademy.com/learn/learn-sql (2018)
  11. . SQL Tutorial - w3schools.com Available from: https://www.w3schools.com/sql (2018)
  12. . Introduction to SQL - SQLBolt Available from: https://sqlbolt.com (2018)
  13. Pedersen, T. B., Jensen, C. S. Multidimensional database technology. Computer. 34 (12), 40-46 (2001).
  14. Győrödi, C., Gyorodi, R., Sotoc, R. A Comparative Study of Relational and Non-Relational Database Models in a Web- Based Application. International Journal of Advanced Computer Science and Applications. 6 (11), 78-83 (2015).
  15. Nayak, A., Poriya, A., Poojary, D. Type of NOSQL databases and its comparison with relational databases. International Journal of Applied Information Systems. 5 (4), 16-19 (2013).
  16. Lei, C., Feng, D., Wei, C., Ai-xin, Z., Zhen-hu, C. The application of multidimensional data analysis in the EIA database of electric industry. Procedia Environmental Sciences. 10, 1210-1215 (2011).
  17. Soranno, P. A., et al. Building a multi-scaled geospatial temporal ecology database from disparate data sources: fostering open science and data reuse. GigaScience. 4, 28 (2015).
  18. Edwards, P. Questionnaires in clinical trials: guidelines for optimal design and administration. Trials. 11, 2 (2010).
  19. Richards, M. A., et al. MediaDB: A Database of Microbial Growth Conditions in Defined Media. PLoS ONE. 9 (8), 103548 (2014).
  20. Core, J. Q., et al. Age of heart disease presentation and dysmorphic nuclei in patients with LMNA mutations. PLoS ONE. 12 (11), 0188256 (2017).
  21. Drew, N. K., Johnsen, N. E., Core, J. Q., Grosberg, A. Multiscale Characterization of Engineered Cardiac Tissue Architecture. Journal of Biomechanical Engineering. 138 (11), 111003 (2016).
  22. Zaragoza, M. V., et al. Exome Sequencing Identifies a Novel LMNA Splice-Site Mutation and Multigenic Heterozygosity of Potential Modifiers in a Family with Sick Sinus Syndrome, Dilated Cardiomyopathy, and Sudden Cardiac Death. PLoS ONE. 11 (5), 0155421 (2016).
  23. Zaragoza, M., Nguyen, C., Widyastuti, H., McCarthy, L., Grosberg, A. Dupuytren's and Ledderhose Diseases in a Family with LMNA-Related Cardiomyopathy and a Novel Variant in the ASTE1 Gene. Cells. 6 (4), 40 (2017).
  24. Zaragoza, M. V., Hakim, S. A., Hoang, V., Elliott, A. M. Heart-hand syndrome IV: a second family with LMNA-related cardiomyopathy and brachydactyly. Clinical Genetics. 91 (3), 499-500 (2017).
  25. Eriksson, M., et al. Recurrent de novo point mutations in lamin A cause Hutchinson-Gilford progeria syndrome. Nature. 423 (6937), 293-298 (2003).
  26. Drew, N. K., Eagleson, M. A., Baldo, D. B., Parker, K. K., Grosberg, A. Metrics for Assessing Cytoskeletal Orientational Correlations and Consistency. PLoS Computational Biology. 11 (4), 1004190 (2015).
  27. Hamley, I. W. . Introduction to Soft Matter: Synthetic and Biological Self-Assembling Materials. , (2013).
  28. Grosberg, A., Alford, P. W., McCain, M. L., Parker, K. K. Ensembles of engineered cardiac tissues for physiological and pharmacological study: Heart on a chip. Lab Chip. 11 (24), 4165-4173 (2011).
  29. Hey, T., Trefethen, A., Berman, F., Fox, G., Hey, A. J. G. The Data Deluge: An e-Science Perspective. Grid Computing: Making the Global Infrastructure a Reality. , (2003).
  30. Wardle, M., Sadler, M. How to set up a clinical database. Practical Neurology. 16 (1), 70-74 (2016).
  31. Kerr, W. T., Lau, E. P., Owens, G. E., Trefler, A. The future of medical diagnostics: large digitized databases. The Yale Journal of Biology and Medicine. 85 (3), 363 (2012).
  32. Laulederkind, S. J., et al. The Rat Genome Database curation tool suite: a set of optimized software tools enabling efficient acquisition, organization, and presentation of biological data. Database. 2011, (2011).
  33. Harris, P. A., et al. Research electronic data capture (REDCap)--a metadata-driven methodology and workflow process for providing translational research informatics support. Journal of Biomedical Informatics. 42 (2), 377-381 (2009).
  34. Panko, R. R. What we know about spreadsheet errors. Journal of Organizational and End User Computing (JOEUC). 10 (2), 15-21 (1998).
  35. Ziemann, M., Eren, Y., El-Osta, A. Gene name errors are widespread in the scientific literature. Genome Biology. 17 (1), 177 (2016).
  36. Enhancing Reproducibility through Rigor and Transparency. NIH Available from: https://grants.nih.gov/reproducibility/index.htm (2018)
  37. Hofseth, L. J. Getting rigorous with scientific rigor. Carcinogenesis. 39 (1), 21-25 (2017).
  38. . SQL Training and Tutorials - Lynda.com Available from: https://www.lynda.com/SQL-training-tutorials/446-0.html (2018)

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Explore More Articles

Bioengineering153LMNA

This article has been published

Video Coming Soon

JoVE Logo

Privacy

Terms of Use

Policies

Contact Us

Recommend to library

JoVE NEWSLETTERS

Research

Education

Authors

Librarians

ABOUT JoVE

Copyright © 2025 MyJoVE Corporation. All rights reserved