|
在基因与蛋白质领域的研发小组不得不应对海量的无组织的信息，它们包括试验结果、样本、科学文献等等。生命科学信息学解决方案则有助于处理这些复杂的信息并有效地利用它们。 （图片） 信息量超负荷是一个严峻的挑战：近20年以来，随着自动化、小型化和计算能力的发展，使得生物科学数据量呈指数级增长。从某种意义上讲，这些海量的无组织的信息给科学研究带来的是障碍而不是帮助。面对数量巨大的复杂测试结果、需要分析和整理的组织样品和蛋白质结构，以及基础研究和实验方法所需的科学文献的不断积累，科研人员不得不花费大量的时间去筛选这些信息，选取相关、有用的内容。将简单、平常的信息组织并转化成实用的知识是科研成功的关键因素之一。此外，许多专业领域的深入发展都与生物系统有关，例如：遗传基因、转录、蛋白质、新陈代谢和细胞、组织等，由此也生产了大量的数据资料。随之而来的有这样一些问题：怎样才能合理高效地利用这些数据？怎样才能利用这些数据从而得到更多有关生物系统的知识和规律？
信息是零碎的片段
医疗目标往往由于不断增加的研究内容而变得更为复杂和漫长。为了达成一个目标通常需要数月时间去解读和理解一些信息。科研人员不得不经常在许多数据库中查寻相关实验的摘要，但是既使是专家也很难将这些零散的片段全部获取出来拼合成完整的图像。例如：有关基因顺序的信息及其分段的研究数据，是需要把它们整合在一起才能形成更大的价值。而不是单纯地根据假设去查找零散的信息。
将信息整合
在未来，生命科学信息学（LSI）将在信息整合方面发挥重要的作用，LSI供应商例如Definients公司提供软件工具从生物医学图像和科技论文中获取有用的知识信息，并将这些片段组织成一个有意义的结构，帮助科研人员得到他们寻找的完整信息。这些工具为研发过程带来很多附加值。它们可以从各种资源中整合信息，例如2D凝胶剂、生物组织、检测结果和科技论文，通过这些关键词可以得到一系列相关的知识信息。根据自身需要用不同方式去整合信息甚至可以让科研人员加入未知参数以得到更好的结果。
理解生物网络
传统的生物信息工具仅提供了一些标准功能。然而这些工具由于现存数据库结构与生物实验结构的不同而受到许多限制。LSI解决方案则跨越了这种限制，提供了容量极大的知识选取和整合平台，帮助科研人员更好地理解来源广泛的各种数据，可以同时分析图像和文本。基于人类识知方式的模型可以自动运行从而得到基于生物系统结构的信息组合。科研人员不必每次都重新搜索，这类工具可以连续地在所有可利用资源中获取与问题相关的知识信息。
基于Definiens公司的认知网络技术比传统的工具令科研人员从他们的实验数据中得到更多的有用信息。例如在分析2D凝胶时标准的以像素为基础的软件会告知使用者是否有斑点以及它在凝胶上的位置。许多包含在斑点中的有价值的蛋白质信息通常无法得到，而Definiens的全自动分析工具却可以得到有关斑点特性的深入详细的信息，从而使整个实验更富有成果。
判定模型
为了成功的分析样品，软件能够探测和判定重复的图案并将它们与有关的信息联系起来是非常重要的。软件须要分析出在多种物质中一个特定的圆形代表着细胞核而不是线粒体。准确的判定需求基于对物质全面的分析。例如在分析一个坏死的肝脏组织样品时，软件工具可以在多个层次上提供支持。当分析电子图像时，多维的知识结构可以使软件理解细胞的外形，辨别细胞核或细胞的其它部分。这些基本的数据包含在数据库中，并且与其它相关问题有链接，通过强大的搜索算法对所有其它实验数据进行扫描，从而得出有关与样品中病理模型相关的结果。
有效的数据分析是关键
面对快速增长的生物医疗数据，高效、低成本的分析图像和文本是成功的重要因素。先进的自动信息获取和整合的软件方案可以帮助研发队伍在短时间内更快速、更精确地解读有效信息。
1/12/2005
|
