BAHILLO, R., GARCÍA-REMESAL, M., PÉREZ, D., ALONSO-CALVO, R., ROMERO, B., LLORENTE, JC., MARTINEZ, G., BARBADO, V., MORAL, C., MARTINEZ-AGRA, A., MARTIN-SÁNCHEZ, F. ², SOUSA, A. ³, OLIVEIRA, I.C. ³, MAOJO, V.

La información clínica y genómica ha estado, hasta ahora, almacenada en sistemas completamente heterogéneos [1]. Al integrar bases de datos heterogéneas, se consideran dos niveles de heterogeneidad: (1) plataformas tecnológicas diferentes (máquinas, sistemas operativos, y sistemas gestores de bases de datos), y (2) esquemas de base de datos diferentes. El punto (1) se refiere al aspecto de búsqueda de soluciones técnicas, mientras que el (2) se refiere a aspectos teóricos o conceptuales. Esto quiere decir que aunque bases de datos diferentes pueden contener información relativa al mismo dominio, usualmente tendrán diferentes esquemas. Por ello, es necesario crear un "mapping" o correspondencia entre el esquema físico de una base de datos y un esquema conceptual (en este artículo, basado en ontologías), creado mediante la utilización de terminología estándar asociada a un dominio (el dominio biomédico).

La idea principal es que unidades de información similares almacenadas en diferentes bases de datos pueden ser nombradas de la misma manera en sus respectivos esquemas conceptuales de mapping. Este hecho permitiría la unificación automática de dos o más esquemas conceptuales que contengan entidades, creando un nuevo repositorio virtual de unificación que engloba la información de sus repositorios hijo. Los procesos de mapping y unificación permiten crear una organización taxonómica — es decir, una relación de contención o subsunción — del espacio de información disponible mediante la creación de una jerarquía de repositorios virtuales. Estos repositorios virtuales — ya sean de mapping o de unificación — facilitarían el acceso unificado a diferentes bases de datos remotas.

La solución propuesta para gestionar la heterogeneidad de los esquemas de las bases de datos se afronta mediante una teoría de unificación basada en la creación de un esquema virtual unificado que integre los diferentes esquemas locales de las bases de datos. El esquema unificado proporciona una visión homogénea del espacio de información, que está compuesto por los datos existentes en las diversas bases de datos remotas [2]. El proceso de generación del esquema global conlleva la realización de dos procesos: un proceso denominado de "mapping" cuyo objetivo es traducir los esquema internos de las bases de datos a esquemas conceptuales auto descriptivos, y un segundo proceso, denominado de unificación, que permite la integración de distintos esquemas conceptuales obtenidos previamente [3][4]. El primero, debido a su carácter semántico deberá llevarse a cabo con ayuda humana, mientras que el segundo se llevará a cabo de forma automática.

Al realizar la unificación e integración de bases de datos deben ser considerados tres niveles de heterogeneidad: (1) Heterogeneidad de la plataforma tecnológica: diferentes sistemas hardware y sistemas operativos, (2) Heterogeneidad del Sistema Gestor de Base de Datos (en adelante, SGBD), (3) Heterogeneidad del esquema de la base de datos y del modelo de datos conceptual asociado. INFOGENMED introduce una solución a los dos primeros puntos mediante una arquitectura basada en agentes inteligentes, que facilita la comunicación entre módulos. Asimismo, establece un sistema altamente flexible con respecto a la integración de nuevos servicios y bases de datos en el futuro. Cada una de las bases de datos va a estar gestionada por un agente, por lo que si queremos añadir alguna nueva, basta con añadir un agente más al sistema.

Existen diferentes clasificaciones dependiendo de varios rasgos de los agentes. La que interesa a este proyecto es la clasificación entre agentes estáticos y agentes móviles. Los agentes estáticos (usados en este proyecto) son entidades con ejecución limitada al sistema donde se inicia. Interactúa con entidades locales, ya sean otros agentes, programa o usuarios. Pero también puede interactuar con recursos remotos vía CORBA, RMI, RPC. Los agentes móviles son agentes con capacidad de movimiento que interactúan directamente con entidades locales o remotas, y si son remotas el agente migrará hacía la máquina contenedora. Un agente es una entidad software que se comunica con otros agentes mediante una plataforma común. Esta plataforma puede estar distribuida en varias máquinas. Solamente una aplicación Java y, por tanto, una única Máquina Virtual Java, es ejecutada en cada máquina. Los agentes están implementados como threads Java y residen en Contenedores de Agentes los cuales proporcionan soporte para la ejecución de los agentes. Las principales funciones que realizan son proporcionar al administrador del sistema un método fácil para unir una nueva base de datos al sistema y desarrollar APIs para que el usuario pueda realizar preguntas al sistema y para que pueda recuperar los datos resultantes de las mismas.

A continuación se muestra una pantalla con los comportamientos activos de un agente recién creado, uno de ejecución y otro de configuración.

Figura 1. Ejemplo de pantalla mostrando los comportamientos de un agente

Los agentes facilitan la infraestructura necesaria para conectar los diversos subsistemas de INFOGENMED. Para realizar una búsqueda de prueba se han tomado dos bases de datos médicas con contenidos relacionados con tumores. Para la representación de ontologías, que son usados en INFOGENMED para varias tareas, se ha usado el lenguaje DAML+OIL, tanto para representar los esquemas virtuales (obtenidos gracias al mapping, que se muestra en la figura 2, y a la unificación) como para representar los resultados de una consulta, es decir, instancias de clases DAML+OIL. Una parte importante aportada por este proyecto ha sido el hecho de que se acepte cualquier tipo de sintaxis SQL. El sistema cogerá un fichero de configuración XML para conseguir la sintaxis adecuada.

Figura 2. Ejemplo de mapping entre dos bases de datos en el caso de prueba

La posibilidad de acceso a múltiples bases de datos simultáneamente con diseños conceptuales distintos ha sido resuelta mediante una teoría o modelo de unificación compuesta de cuatro elementos: un modelo común de representación de los esquemas de bases de datos relacionales (DAML+OIL), dos algoritmos que constituyen la teoría de unificación (Mapping y Unificación) y un lenguaje para la realización de consultas sobre el modelo definido (RDQL).

Referencias

[1] Martin, F. (project coordinator). 2002. BIOINFOMED. Prospective Analysis on the Relationships and Synergy between Medical Informatics and Bioinformatics. European Commission.

[2] Billhardt, H., J. Crespo, V. Maojo, F. Martín, and J.L. Maté. 2001.Unifying Heterogeneous Medical Databases. In Medical Data Analysis. Lecture Notes in Computer Science 2199: 54-61, edited by J. Crespo, J., V. Maojo and F. Martín. Springer Verlag: Heidelberg.

[3] M. Garcia-Remesal, J. Crespo, A. Silva, H. Billhardt, F. Martin, J. Rodriguez-Pedrosa, V. Martin, A. Sousa, A. Babic & V. Maojo. "INFOGENMED: Integrating heterogeneous medical and genetic databases and terminologies". In: Proceedings KES 2002, Crema (Italy). September, 2002.

[4] Maojo, V, Martin, Ibarrola, N, et al.: INFOGENMED: Functional Design of a Workstation for a Virtual Laboratory. Proceedings of the AMIA Annual Fall Simposium. Washington, USA. Nov. 1999

[5] Martín, F., Maojo, V. and G. López-Campos. 2002. Challenges in integrating genomic data into the different health information levels. Methods Inf Med. 2002;41(1):pp. 25-30.