Un Sistema per la Gestione dell’Informazione nella Attivit...

UNIVERSITA DEGLI STUDI DI VERONA

Facolta di Scienze MM.FF.NN.

Corso di Laurea in Informatica

Tesi di Laurea

Un Sistema per laGestione dell’Informazione nella

Attivita di Ricerca suFenotipi Complessi in un

Laboratorio di Genetica Umana

Relatore:

Prof. Carlo Combi

Correlatore:

Prof. Pier Franco Pignatti

Laureando:

Luciano Xumerle

ANNO ACCADEMICO 2002/2003

a Francesca

Ringraziamenti

Ringrazio il Dott. Giovanni Malerba, per il Suo prezioso contributo

durante la stesura di questa tesi.

Ai miei genitori va un ringraziamento per tutto quello che hanno fatto

durante i miei studi universitari.

Infine voglio ringraziare tutti i miei amici di Universita e di Laboratorio.

Riassunto

In questa tesi di Laurea viene presentato un sistema informatico per la

memorizzazione e gestione di informazioni utilizzate nelle attivita di ricerca

su malattie complesse del laboratorio di genetica umana della sezione di

Biologia e Genetica presso l’Universita degli Studi di Verona. Le informazioni

sono memorizzate in una base di dati relazionale che viene interrogata ed

aggiornata in modo automatico attraverso strumenti software sviluppati

appositamente. Il software necessario per il funzionamento e lo sviluppo

del sistema che viene proposto e distribuito con licenze Open Source.

E dimostrato l’uso del sistema per la gestione dell’informazione nei

progetti relativi allo studio genetico di asma ed di osteoporosi. Il

sistema proposto e facilmente configurabile e puo essere arricchito di nuove

funzionalita.

Indice

1 Introduzione 1

1.1 Scopo del lavoro . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Fondamenti 3

2.1 Geni e Trasmissione dei Caratteri . . . . . . . . . . . . . . . . 3

2.2 Cromosomi e geni . . . . . . . . . . . . . . . . . . . . . . . . . 4

2.3 Fenotipo e Genotipo . . . . . . . . . . . . . . . . . . . . . . . 5

2.4 Malattia e genetica . . . . . . . . . . . . . . . . . . . . . . . . 6

2.5 Il difetto molecolare . . . . . . . . . . . . . . . . . . . . . . . . 7

2.6 Alberi genealogici . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.7 Come si studiano le malattie complesse . . . . . . . . . . . . . 9

2.8 Sistemi di basi di dati per la genetica . . . . . . . . . . . . . . 11

2.8.1 Il laboratorio di genetica . . . . . . . . . . . . . . . . . 13

2.9 Esempi di sistemi per il trattamento di informazioni clinichee genetiche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.9.1 Un sistema per la gestione di dati clinici e genetici inrete . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

I

INDICE

2.9.2 MFG Tools . . . . . . . . . . . . . . . . . . . . . . . . 19

2.9.3 GenoDB . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3 Progettazione della base di dati per le informazioni clinichee genetiche 23

3.1 Lo schema Entita-Relazione (E-R) . . . . . . . . . . . . . . . 24

3.2 Lo schema relazionale . . . . . . . . . . . . . . . . . . . . . . 29

3.2.1 La parte per l’amministrazione del sistema . . . . . . . 29

3.2.2 La parte per gli individui . . . . . . . . . . . . . . . . . 32

3.2.3 La parte per i genotipi . . . . . . . . . . . . . . . . . . 34

3.3 Lo schema fisico . . . . . . . . . . . . . . . . . . . . . . . . . . 37

3.4 La generazione automatica delle query . . . . . . . . . . . . . 40

4 Architettura del sistema 47

4.1 Strumenti utilizzati per lo sviluppo . . . . . . . . . . . . . . . 48

4.1.1 Il sistema di basi di dati relazionale ed il linguaggio SQL 48

4.1.2 Il linguaggio Perl . . . . . . . . . . . . . . . . . . . . . 49

4.1.3 CGI e mod perl . . . . . . . . . . . . . . . . . . . . . 51

4.1.4 L’architettura del sistema . . . . . . . . . . . . . . . . 55

4.2 Lo sviluppo dei programmi e delle librerie . . . . . . . . . . . 55

4.2.1 PDB::pgc . . . . . . . . . . . . . . . . . . . . . . . . . 56

4.2.2 PDB::bio . . . . . . . . . . . . . . . . . . . . . . . . . 57

4.2.3 PDB::profilo . . . . . . . . . . . . . . . . . . . . . . . 60

4.2.4 PDB::SQL . . . . . . . . . . . . . . . . . . . . . . . . 63

II

INDICE

4.2.5 Gli altri moduli ed i programmi . . . . . . . . . . . . . 64

5 L’utilizzo del sistema 66

5.1 Descrizione del sistema . . . . . . . . . . . . . . . . . . . . . . 67

5.1.1 L’utilizzo dei programmi . . . . . . . . . . . . . . . . . 69

5.2 Applicazione del sistema: Asma . . . . . . . . . . . . . . . . . 84

5.3 Applicazione del sistema: Osteoporosi . . . . . . . . . . . . . . 87

5.4 Sviluppi futuri . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

6 Conclusioni 93

Bibliografia 96

III

Capitolo 1

Introduzione

Negli ultimi anni abbiamo assistito a una esplosione della tecnologia sia in

ambito molecolare che computazionale che ha permesso l’identificazione di

geni coinvolti nelle malattie ereditarie umane [Ris00].

Le malattie complesse (o multifattoriali) sono le malattie dove sia fattori

ambientali che genetici giocano un ruolo nella determinazione del rischio di

sviluppare la patologia (ad esempio, asma e osteoporosi) [GS01]. Il modello di

trasmissione ed i meccanismi molecolari associati nell’insorgenza e sviluppo di

tali patologie sono spesso sconosciuti e la ricerca di fattori genetici coinvolti

richiede la disponibilita di molte informazioni cliniche e genetiche per un

numero elevato di individui. La memorizzazione e gestione dei dati diventa

un elemento chiave per la successiva consultazione delle informazioni. Il

lavoro del laboratorio di genetica e volto alla caratterizzazione genetica degli

individui e, successivamente, all’analisi statistica sui dati raccolti mentre

i dati clinici degli individui ed i campioni di DNA (estratto da sangue

periferico) sono spesso forniti da collaboratori esterni.

1

1 – Introduzione

1.1 Scopo del lavoro

Scopo della tesi e documentare il lavoro svolto al fine di progettare e

implementare un sistema che, per mezzo di un sistema di base di dati ed

una serie di strumenti software, permette di gestire in maniera efficiente

ed affidabile le informazioni cliniche e genetiche necessarie nelle attivita di

ricerca sulle malattie complesse. Gli utenti registrati del sistema hanno

a disposizione una interfaccia Web per l’inserimento e la modifica dei

dati genetici progettata con lo scopo di facilitare alcune operazioni come

l’eliminazione degli errori di battitura e l’immissione dei dati [RBK94]. La

stessa interfaccia Web consente di estrarre le informazioni presenti nella base

di dati in formati utili per i programmi di analisi statistica comunemente

utilizzati.

Nella prima parte del lavoro si presentano alcuni concetti tipici della

genetica medica utili alla comprensione dei termini utilizzati in questa tesi

di laurea. Successivamente si presentano tre sistemi per il trattamento

di informazioni cliniche e genetiche utilizzati da altri laboratori. Un

capitolo e dedicato ad una dettagliata descrizione della base di dati, delle

informazioni memorizzate e delle procedure orientate alla creazione delle

interrogazioni. Dopo aver dato una panoramica degli strumenti utilizzati

per l’implementazione del nostro sistema, vengono presentate le librerie

ed i programmi che abbiamo sviluppato. Per concludere, viene mostrato

il funzionamento programmi e l’applicazione del sistema a due malattie

complesse: asma e osteoporosi.

Il lavoro e stato svolto nel laboratorio di Genetica Matematica, della

sezione di Biologia e Genetica, Dipartimento Materno Infantile e di Biologia

2

1 – Introduzione

e Genetica dell’Universita degli Studi di Verona.

3

Capitolo 2

Fondamenti

Il lavoro descritto in questa tesi di laurea consiste nella progettazione e

sviluppo di una serie di strumenti informatici dedicati a compiti precisi

quali la gestione dei dati genetici ottenuti in laboratorio. Per facilitare

la comprensione di alcuni termini segue una breve introduzione su alcuni

concetti tipici della genetica.

2.1 Geni e Trasmissione dei Caratteri

Il fatto che certe caratteristiche siano trasmesse dai genitori ai figli e noto

fin dai tempi antichi. I primi studi sull’ereditarieta dei caratteri singoli

risalgono alla meta del 1700 quando un botanico tedesco di nome Joseph

Gottlieb Kolreuter (1733-1806) descrisse che incrociando 2 linee distinte

di pomodori ne otteneva una terza ibrida dove i genitori contribuivano

in parti identiche alle caratteristiche della linea ibrida, concludendo che

4

2 – Fondamenti

la trasmissione di un carattere potesse essere associato alla trasmissione

di singoli fattori [SGML92]. Gregorio Mendel (1822-1884) fu il primo a

riconoscere l’esistenza dei fattori ereditari ed a dimostrare i meccanismi

fondamentali dell’ereditarieta, servendosi di esperimenti su piante (Pisum

sativum, Lathyrus odoratus) [SGML92]. Nel 1866 postulo che dei fattori

discreti, o geni, venissero trasmessi da una generazione alla successiva (leggi

della segregazione e dell’assortimento). La genetica Mendeliana, utilizzata

nella agricoltura e zootecnia, riveste anche una grande importanza nello

studio della genetica umana.

Molte malattie nell’uomo sono causate da singoli geni.

2.2 Cromosomi e geni

I cromosomi rappresentano il materiale genetico di base per ogni organismo

vivente conosciuto [SGML92].

L’uomo, come molti altri organismi, e diploide, ossia ogni cellula porta

2 copie di ogni cromosoma. Le due copie sono dette cromosomi omologhi.

L’uomo possiede 22 coppie di cromosomi omologhi (numerati da 1 a 22 in

base alla loro lunghezza) e 2 cromosomi detti sessuali per un totale di 46

cromosomi. Per ogni cromosoma il figlio riceve un omologo dal padre e uno

dalla madre. Per i cromosomi sessuali il figlio ricevera uno dei 2 cromosomi X

dalla madre e il cromosoma X (sara femmina) o Y (sara maschio) dal padre.

Nei cromosomi sono contenuti i geni: ogni individuo porta quindi 2

copie dello stesso gene. Le due copie del gene costituiscono il genotipo

dell’individuo per il dato gene. Per ogni gene possono esistere molte varianti

5

2 – Fondamenti

dette alleli che costituiscono il pool genico della popolazione (l’insieme di

tutti i geni di una specie, ognuno con tutti i suoi alleli) [SGML92]. Ogni

individuo, essendo diploide, puo portare al massimo 2 alleli diversi tra quelli

presenti nella popolazione. L’individuo e detto omozigote se entrambi gli

alleli sono identici, mentre e eterozigote se i 2 alleli sono diversi fra loro.

2.3 Fenotipo e Genotipo

Il fenotipo di un individuo riferito ad un carattere e la forma che viene

mostrata (osservabile) e puo essere espressa sia in termini qualitativi (ad

esempio, affetto/non affetto) che quantitativi (ad esempio, altezza, peso).

La relazione tra genotipo e fenotipo puo essere piu o meno stretta. Nel

caso di una relazione diretta (carattere mendeliano) il genotipo determina

il fenotipo in accordo con un dato modello mentre per altri caratteri la

relazione e piu velata (malattie complesse) oppure inesistente (esiste la sola

componente ambientale). L’esempio del gruppo sanguigno AB0 puo essere di

aiuto per chiarire la relazione tra genotipo e fenotipo nel caso di un carattere

mendeliano. Con questo esempio si puo inoltre introdurre il concetto di

dominanza, codominanza e recessivita di un allele rispetto ad un altro [GS02].

Esistono 6 possibili genotipi (3 alleli: A,B,0). La tabella 2.3 riporta i

genotipi con il corrispondente fenotipo.

6

2 – Fondamenti

GENOTIPO FENOTIPO

AA A

A0 A

BB B

B0 B

AB AB

00 0

L’allele A domina su 0 (il genotipo A0 e associato al fenotipo A). Gli

alleli A e B sono codominanti (fenotipo AB). I genotipi AA e A0 sono

fenotipicamente indistinguibili.

2.4 Malattia e genetica

Le malattie in relazione alla loro origine possono essere classificate in 3

categorie principali [GS02]:

1. patologie ad esclusiva origine genetica o malattie Mendeliane:

seguono una segregazione (trasmissione del fenotipo o del genotipo

attraverso individui imparentati) Mendeliana (ad esempio la Fibrosi

Cistica).

2. patologie ambientali: traumi ed infezioni (ad esempio un incidente

stradale).

3. malattie multifattoriali o poligeniche: gruppo estremamente

variabile ed eterogeneo in relazione al numero di geni e dei fattori

ambientali (per esempio il diabete, il lupus, l’asma).

7

2 – Fondamenti

Questa classificazione e utile da un punto di vista didattico, ma appare

sempre piu inadeguata e semplicistica. Cio che si osserva e che il contributo

delle componenti geniche e ambientali e variabile nelle diverse malattie

[SR99].

Si parte dalle malattie mendeliane o semplici (come la fibrosi cistica o

l’emofilia) - causate dalla mutazione di un gene - per passare alle malattie

complesse o multifattoriali che risultano dalla interazione di piu geni tra loro

e di questi geni con fattori ambientali piu o meno influenti - in questo caso

i fattori genetici conferiscono solo una suscettibilita o predisposizione allo

sviluppo del disturbo.

2.5 Il difetto molecolare

Uno degli obiettivi della genetica umana e di identificare la mutazione

(alterazione) genetica che e associabile ad una patologia. L’alterazione

puo verificarsi a livello cromosomico (duplicazioni, delezioni, inversioni di

frammenti) o molecolare. Il difetto molecolare e spesso rilevato grazie a

tecniche di biologia molecolare che abitualmente si utilizzano nei laboratori

di genetica umana [BLC+01].

Il DNA (acido desossiribonucleico) e la molecola che contiene l’insieme dei

caratteri ereditari da cui dipendono l’organizzazione delle molecole proteiche

e la regolarita delle reazioni che avvengono nelle cellule. Il DNA e una lunga

catena di basi nucleotidiche (A adenina, T timina, C citosina, G guanina).

I cromosomi sono costituiti dal DNA e da una parte proteica con funzione

strutturale e regolativa. Alterazioni nella sequenza dei nucleotidi rispetto

8

2 – Fondamenti

ad una sequenza di riferimento indicano potenziali variazioni associabili ad

alterazione nel fenotipo.

Le variazioni piu comuni si riferiscono a cambiamenti di basi (lettere) in

posizioni fisse (Fig. 2.1),

Figura 2.1. Cambiamento di una base in posizione fissa: C diventa G.

oppure a delezioni/inserzioni di una o piu basi (Fig. 2.2), oppure a

Figura 2.2. Una delezione di basi. Viene perso il frammento GTGTTG.

variazioni nel numero di ripetizioni (Fig. 2.3) di un particolare motivo.

Queste variazioni sono utilizzate come marcatori molecolari per seguire la

trasmissione da genitori a figli della regione cromosomica che le contiene.

Quindi due individui possono presentare un diverso numero di ripetizioni:

questa differenza puo essere usata per distinguere il primo individuo dal

secondo.

Esistono esempi associati a patologie per tutti i tipi di variazione descritti.

9

2 – Fondamenti

Figura 2.3. Variazione nel numero di ripetizioni. Il frammentoTATATATA (1 ripetizione 4x del dinucleotide TA) diventaTATATATATATATATA (2 ripetizioni 4x del dinucleotide TA).

2.6 Alberi genealogici

Un albero genealogico (pedigree) e dato da un gruppo di individui con una

chiara relazione familiare di ognuno con gli altri [BLC+01].

I pedigree vengono rappresentati principalmente in 2 modi. Uno e quello

classico del genetista (Fig. 2.4a) e l’altro e quello del matematico (Fig.

2.4b) che organizza gli individui codificando le informazioni di relazione e

memorizzandole in un file [Lan97]. Gli individui per i quali i genitori non

sono noti sono detti fondatori.

2.7 Come si studiano le malattie complesse

Nelle malattie complesse il fattore genetico contribuisce nella suscettibilita

alla malattia ma non e di per se il fattore determinante.

Il passaggio dallo studio delle malattie monogeniche, dove l’alterazione del

gene e la causa della malattia, alle malattie multifattoriali, dove l’alterazione

e associata ad un rischio, ha visto un cambiamento nelle metodologie

applicate allo studio per la ricerca dei fattori genetici che sono associati ad

10

2 – Fondamenti

(a) Genetico (b) Matematico

Figura 2.4. I due modi di rappresentazione di un pedigree:(a) Il quadrato indica il maschio, il cerchio la femmina;(b) padre, madre: x indica genitore ignoto;(b) sesso: 1 indica il maschio, 2 la femmina.

una aumentata suscettibilita alla malattia.

Tradizionalmente gli studi genetici si possono suddividere in 2 categorie:

studi di associazione e studi familiari (studi di linkage).

Negli studi di associazione si misura la frequenza di un dato marcatore

genetico e lo si compara tra 2 o piu classi di individui (ad esempio i casi

e controlli) non imparentati tra loro. Una differenza significativa della

frequenza del marcatore e indice che uno degli alleli del marcatore e associato

alla patologia.

Con gli studi familiari si studia la segregazione congiunta (cosegregazione)

di un marcatore genetico con la malattia in accordo con il modello genetico

proposto (dominante, recessivo, e cosı via). Per marcatore si puo intendere

11

2 – Fondamenti

qualsiasi variazione osservabile che possa permettere la discriminazione di

un allele da un altro. Se il marcatore cosegrega con la malattia significa che

nella regione cromosomica dove si trova il marcatore si trova anche il gene

associato alla malattia.

C’e un’accesa discussione su quale possa essere il metodo piu appropriato

per ricercare i fattori genetici associati alle malattie comuni. Entrambi

i metodi hanno in comune delle forti richieste in termini di individui da

reclutare nello studio e di marcatori genetici da analizzare. Alcuni studi

distinti intrapresi dal nostro laboratorio hanno l’obiettivo di identificare

fattori genetici coinvolti nell’asma infantile, nelle alterazioni del metabolismo

osseo e nelle malattie cardiovascolari.

Lo studio per l’asma infantile ha richiesto l’analisi di circa 200 famiglie

(∼ 850 individui) dove ogni individuo e stato caratterizzato geneticamente

(genotipizzato) con 400 marcatori disposti lungo i cromosomi. Uno studio

analogo e stato attivato per l’identificazione di fattori genetici coinvolti

nell’osteoporosi (∼ 1700 individui). Lo studio relativo alle malattie

cardiovascolari sta coinvolgendo l’analisi di 1500 individui.

2.8 Sistemi di basi di dati per la genetica

Poiche le malattie complesse colpiscono una elevata percentuale di persone,

tali patologie sono studiate in campo medico con sempre maggior interesse

[GS01]. Le tecniche adottate per le malattie genetiche semplici sono

inadeguate. Per il genetista non e piu sufficiente studiare i pochi numeri

forniti da pedigree piuttosto estesi per un marcatore alla volta [Ott99].

12

2 – Fondamenti

Lo studio delle malattie multifattoriali richiede lo studio di migliaia di

individui con migliaia di marcatori genetici. Dati i grandi numeri in gioco

e la complessita dei sistemi oggetto di studio si rende necessario servirsi di

conoscenze e metodi che provengono da altre discipline quali l’informatica,

la statistica, la matematica.

La strategia usata nello studio delle malattie complesse si basa su due

possibili disegni: studio familiare e studio caso/controllo [Ott99].

Nel primo caso gli individui raccolti formano un set di famiglie. Per ogni

individuo bisogna fornire il maggior numero possibile di informazioni:

• la struttura della famiglia (pedigree)

• i caratteri fenotipici (eta, peso, test clinici, e cosı via)

• i dati genetici

Le prime informazioni raccolte per i singoli individui riguardano le relazioni

parentali con gli altri individui della famiglia, il sesso e l’eta. Di solito

i dati clinici sono raccolti per mezzo di questionari in forma cartacea

o in formati elettronici non standard [MTK+98]. Le famiglie composte

da molti individui distribuiti su piu generazioni sono le piu informative

durante gli studi linkage o di segregazione. Con lo studio di segregazione

si cerca di individuare il miglior modello di trasmissione della malattia (ad

esempio ambientale, poligenico, oligogenico, mendeliano) [Ott99]. Il linkage

rappresenta la tendenza di due geni a essere ereditati insieme in virtu della

loro vicinanza fisica su un cromosoma [GS01]. L’analisi di linkage ha sfruttato

questa caratteristica per identificare, attraverso l’uso di sequenze specifiche

13

2 – Fondamenti

di DNA (i marcatori), i geni malattia che si trasmettono in alcune grandi

famiglie [GS01].

Nel caso di studi caso/controllo, individui affetti (casi) vengono

confrontati con individui non affetti (controlli) per cercare di determinare

dei fattori di rischio che ci attendiamo essere piu presenti nei casi [Ott99].

2.8.1 Il laboratorio di genetica

Per condurre le analisi cliniche e gli studi genetici, e necessario raccogliere dei

campioni di DNA di tutti gli individui. Il laboratorio che raccoglie i campioni

puo essere diverso dal laboratorio che esegue lo studio genetico: in tal caso

il laboratorio di genetica deve assegnare ad ogni campione di DNA raccolto

il codice dell’individuo e provvedere allo stoccaggio ed alla conservazione di

tutti i campioni.

Genotipizzazione degli individui

Quando i campioni di DNA sono disponibili al laboratorio di genetica e

possibile procedere nello studio con la genotipizzazione degli individui per

diversi marcatori [MTK+98].

Lo studio di una malattia complessa richiede la genotipizzazione di

un grande numero di individui per un elevato numero di marcatori sia

per studi di scansione genomica che per studi dettagliati di linkage

disequilibrium (associazione preferenziale di alleli di diversi marcatori) in

regioni cromosomiche ristrette [Ris00]. La mole di dati genetici prodotti

14

2 – Fondamenti

cresce molto rapidamente con l’avanzare dello studio ed occorrono sistemi per

memorizzare, correggere e richiamare le informazioni necessarie [LDL+01].

La genotipizzazione dei marcatori e soggetta ad errori che dipendono da vari

fattori:

• condizioni sperimentali

• errori umani:

– puo essere difficile interpretare i risultati sperimentali

– l’operatore deve inserire i valori dei due alleli che descrivono un

singolo genotipo per tutti gli individui ed i marcatori: questa

operazione e spesso soggetta ad errori di battitura.

Memorizzazione dei dati genetici prodotti

Molti laboratori si affidano a normali “fogli elettronici” per la memorizzazione

dei dati genetici prodotti, ma tale scelta puo essere vantaggiosa solo per

piccole quantita di dati poiche non e possibile strutturare i dati e la

dimensione del foglio elettronico puo essere limitata (ad esempio, un foglio

di MS Excel ha dimensione massima di 65536 righe per 256 colonne [Inc03]).

Un’altra scelta possibile e quella di un piccolo sistema di basi di dati (ad

esempio, MS Access) che pero e spesso sottoutilizzato in quanto gli utenti

hanno una conoscenza limitata delle potenzialita del software. Una base di

dati relazionale ben progettata puo permettere di maneggiare con efficienza

ed affidabilita tutte le informazioni necessarie.

15

2 – Fondamenti

Estrazione ed analisi statistiche dei dati

I dati precedentemente memorizzati devono essere estratti in un formato

compatibile con il programma di statistica che l’operatore desidera utilizzare.

Nel caso di basi di dati relazionali l’operatore deve conoscere la struttura della

base di dati ed il linguaggio SQL per poter effettuare le interrogazioni. La

creazione di strumenti software per l’estrazione dei dati e la creazione dei

file utilizzati dai programmi di statistica permette a tutti gli operatori di

consultare le informazioni necessarie e di poter eseguire delle analisi.

Sui dati estratti vanno condotte alcune semplici analisi statistiche utili

per produrre una statistica descrittiva del campione analizzato come, ad

esempio, il calcolo della frequenza degli alleli. Tra i test abitualmente

utilizzati ricordiamo il test che compara le frequenze dei genotipi osservati

rispetto la distribuzione attesa sotto l’ipotesi del libero assortimento degli

alleli negli individui di una popolazione. Le cause di una differenza

significativa nella distribuzione - verificate attraverso il test di Hardy-

Weinberg - possono essere attribuite ad un qualsiasi fenomeno biologico che

impedisce il libero assortimento degli alleli (fenomeni selettivi dove viene

selezionato un particolare genotipo e fenomeni migratori) oppure a cause

sperimentali (una non accurata lettura dei genotipi) [SGML92] [MXP03].

E possibile inoltre condurre analisi genetiche tramite programmi

statistici sviluppati appositamente, come GeneHunter [KDRDL96] e Merlin

[ACCC02], per trovare dei marcatori associati alle malattie studiate.

16

2 – Fondamenti

2.9 Esempi di sistemi per il trattamento di

informazioni cliniche e genetiche

Consultando la letteratura sono stati individuati tre sistemi orientati alla

gestione e memorizzazione delle informazioni cliniche e genetiche necessarie

durante lo studio su una malattia complessa.

I tre sistemi propongono approcci diversi per affrontare il problema ma

sono accomunati da due fattori:

• tutte le informazioni sono memorizzate in una base di dati relazionale;

• i sistemi utilizzano software proprietario per il funzionamento.

Di seguito proponiamo una breve disamina dei tre sistemi:

• un sistema per la gestione di dati clinici e genetici in rete (sezione 2.9.1)

[MTK+98];

• MFG Tools (sezione 2.9.2) [IDoMotCK00];

• GenoDB (sezione 2.9.3) [LDL+01].

2.9.1 Un sistema per la gestione di dati clinici e

genetici in rete

Il sistema e diviso in 4 moduli ed ogni modulo e gestito da un client

[MTK+98].

17

2 – Fondamenti

L’hardware richiesto e costituito da un computer IBM compatibile (PC)

che opera da server, da alcuni PC che ospitano diversi moduli del sistema

e da un Apple Macintosh per il modulo dei genotipi. I PC utilizzati per

ospitare uno o piu moduli del sistema - a seconda delle necessita del singolo

laboratorio - operano come client, possono essere meno potenti del server ed

essere collocati in laboratori diversi.

Figura 2.5. I 4 moduli connessi al server centrale

I moduli offerti dal sistema sono 4 e permettono di gestire i dati clinici, i

dati genetici, la quantita ed il luogo di stoccaggio per i campioni di DNA di

ogni individuo, e lo sviluppo delle linee cellulari (colture di cellule in vitro)

(Fig. 2.5).

Il sistema operativo e MS Windows NT per il server e MS Windows

3.1 per i client, il sistema di basi di dati relazionale e il Borland Paradox

5.0 ed il programma per la rappresentazione grafica dei pedigree e Cyrillic

2.1. Il computer Macintosh e necessario perche il software che permette di

estrarre i dati dal sequenziatore di DNA e disponibile solo per questo tipo di

macchina. Il sequenziatore di DNA e la macchina utilizzata per estrarre delle

18

2 – Fondamenti

sequenze localizzate di DNA. Gli utenti utilizzano i pacchetti GeneScan 2.1c2

[Bioa] e GenoTyper 1.1 [Biob] - forniti con il sequenziatore - per effettuare

una gestione semi-automatica dei dati prodotti dal sequenziatore. Tutti i

programmi che permettono le operazioni di inserimento dati, di generazione

di report dalla base di dati e di formattazione dei dati estratti sono stati

sviluppati in MS Visual Basic appositamente per il sistema.

Lo schema della base di dati e diviso in 4 parti - corrispondenti ai 4 moduli

- connesse alla relazione Master Pedigree. Questa rappresenta le informazioni

principali sugli individui come gli ID univoci, la struttura della famiglia, il

probando (individuo che arriva alle osservazioni del medico e attraverso il

quale si procede poi alla raccolta delle informazioni relative ai familiari) e gli

ID alternativi che possono essere assegnati dai vari laboratori agli individui

stessi.

Le altre relazioni del sistema rappresentano le informazioni gestite dai 4

moduli disponibili:

• le relazioni che descrivono i caratteri clinici degli individui contengono

informazioni sui caratteri fenotipici, sullo stato delle famiglie (criteri

di selezione, stato della famiglia, e cosı via) e sui dati amministrativi

(pagamenti, consensi allo studio, e cosı via).

• un diverso gruppo di relazioni descrive le informazioni sui campioni di

DNA, come il frigorifero in cui si trova la provetta, la quantita residua

e l’individuo a cui e stato fatto il prelievo.

• il gruppo di relazioni che descrive la linea cellulare contiene le

informazioni sulle culture cellulari.

19

2 – Fondamenti

• Le relazioni che descrivono i dati genetici degli individui contengono

le informazioni sui marcatori (posizione sul cromosoma e, se possibile,

gene di appartenenza) ed i genotipi degli individui.

L’estrazione delle informazioni contenute nella base di dati avviene

attraverso i moduli del sistema. Inoltre e possibile esportare un file

compatibile con il programma Cyrillic 2.1 per generare un pedigree.

Il sistema permette di gestire tutte le informazioni necessarie allo studio di

malattie complesse (individui, struttura delle famiglie, fenotipi e genotipi) ed,

in aggiunta, informazioni relative ai campioni di DNA ed alle linee cellulari.

2.9.2 MFG Tools

MFG Tools [IDoMotCK00] e un sistema integrato che permette la gestione

di individui, fenotipi e genotipi. Funziona con il sistema operativo MS

Windows, utilizza il sistema di basi di dati relazionale MS SQL Server 7.0 per

la memorizzazione dei dati e fornisce alcuni programmi - e possibile scaricare

il codice sorgente - sviluppati con il linguaggio MS Visual Basic.

Il sistema e diviso in due parti distinte: una parte clinica, dove risiedono

tutte le informazioni relative agli individui, alla struttura delle famiglie ed

ai fenotipi, e una parte genetica dove sono memorizzati tutti i dati relativi

alle condizioni sperimentali (nome del marcatore, nome del gene, i reagenti

utilizzati durante l’esperimento, e cosı via) ed i genotipi degli individui.

Ogni operatore e il proprietario dei dati da lui inseriti e, con

20

2 – Fondamenti

l’amministratore di sistema, e il solo che puo permettere accessi in

lettura/scrittura agli altri utenti.

Lo schema della base di dati e diviso in parti distinte che rappresentano

vari gruppi di informazioni. La parte piu importante dello schema e quella

che rappresenta gli individui. Ogni individuo viene contrassegnato con un ID

univoco e per ogni ID sono disponibili le informazioni relative alla struttura

della famiglia (individuo, padre e madre), al sesso, all’eta e all’indirizzo. Sono

inoltre memorizzate informazioni riguardanti gli istituti (nome, indirizzo,

telefono, fax e cosı via) che hanno raccolto i dati. Tutte le relazioni della base

di dati sono collegate a questa parte di schema per mezzo di una relazione

che descrive gli ID univoci degli individui.

Di solito gli istituti che raccolgono gli individui raccolgono anche

le informazioni cliniche che costituiranno il set di caratteri fenotipici:

quest’ultimi vanno a costituire un’altra parte della base di dati.

Un’altra parte dello schema descrive tutte le informazioni necessarie per

conoscere la locazione esatta di ogni campione di DNA raccolto (laboratorio,

frigorifero e tipo di frigorifero), lo stato del campione, le date del prelievo,

l’esecutore del prelievo, la categoria del campione e l’ID dell’individuo a cui

e stato fatto il prelievo.

La parte piu estesa dello schema e riferita alla memorizzazione dei dati

genetici (condizioni sperimentali, genotipi, marcatori).

Quando tutti i dati sono disponibili, il sistema permette di verificare la

correttezza della segregazione dei genotipi all’interno delle famiglie (controllo

della segregazione mendeliana).

21

2 – Fondamenti

Il sistema fornisce metodi per l’esportazione dei dati memorizzati nella

base di dati su file di testo compatibili con i programmi di elaborazione

statistica.

MFG Tools permette di gestire tutte le informazioni necessarie allo studio

di malattie complesse (individui, struttura delle famiglie, fenotipi e genotipi)

ed, in aggiunta, informazioni relative ai campioni di DNA.

2.9.3 GenoDB

Il sistema GenoDB [LDL+01] propone un soluzione per gestire

genotipizzazioni condotte su larga scala. Non e progettato per gestire le

informazioni cliniche degli individui.

GenoDB gira su macchine con sistema operativo MS Windows NT

ed e una applicazione sviluppata per il database MS Access. Il sistema

e finalizzato all’automazione del processo di genotipizzazione. Tutte le

operazioni sono svolte attraverso delle maschere di MS Access fornite da

GenoDB e possono essere svolte in serie o separatamente. I dati prodotti dal

sequenziatore di DNA vengono elaborati da uno o piu tecnici specializzati

di laboratorio in modo semi-automatico con i programmi GENESCAN 3.1

[Bioa] e GENOTYPER 2.1 [Biob].

Lo schema della base di dati rappresenta solo i genotipi e la struttura delle

famiglie ed e costituito da poche relazioni. La relazione pedigree contiene

gli attributi che indicano la struttura della famiglia. Una relazione DNA

connette ogni individuo con i suoi campioni di DNA e ogni campione di DNA

con i genotipi della relazione genotipi. La relazione genotipi rappresenta le

22

2 – Fondamenti

informazioni sui genotipi utilizzando tre coppie di attributi per memorizzare

le informazioni sui genotipi:

1. genotipi prodotti dalla macchina;

2. genotipi proposti dai tecnici di laboratorio;

3. genotipi verificati e corretti dalla lettura di 1 e 2 che possono essere

utilizzati nelle analisi successive.

Il sistema permette di gestire tutte le operazioni coinvolte nelle fasi di

genotipizzazione. La procedura per il riconoscimento degli errori permette di

usare solo genotipi corretti nelle analisi. Il sistema memorizza anche le fasi

intermedie delle genotipizzazioni e permette di ripristinare i vecchi dati nel

caso di aggiornamenti errati.

GenoDB permette di gestire gli individui, la struttura delle famiglie e la

parte genetica ma non prevede la memorizzazione dei fenotipi. L’estrazione

delle informazioni prevede una formattazione dei dati compatibile con quella

utilizzata dal programma PedCheck che esegue il controllo della segregazione

mendeliana [OW98].

23

Capitolo 3

Progettazione della base di dati

per le informazioni cliniche e

genetiche

Il sistema da noi sviluppato si serve del sistema di basi di dati PostgreSQL

per la memorizzazione delle informazioni relative agli individui, alla struttura

delle famiglie, ai fenotipi ed ai genotipi. In aggiunta a queste informazioni

nella base di dati sono memorizzati anche i dati degli utenti che accedono

al servizio: cosı facendo possiamo regolamentare i permessi su ogni singolo

attributo di una tabella ed aumentare la sicurezza del sistema poiche un

utente puo accedere ai dati solo attraverso i programmi da noi sviluppati.

La progettazione della base di dati e iniziata con lo sviluppo di uno schema

Entita Relazione (E-R) che ha aiutato a visualizzare l’organizzazione delle

informazioni contenute nella base di dati senza badare alla memorizzazione

fisica dei dati [ACPT99].

24

3 – Progettazione della base di dati per le informazioni cliniche e genetiche

Successivamente lo schema E-R e stato tradotto verso un modello logico

che aiuta ad individuare graficamente i legami esistenti tra le varie tabelle

della base di dati [ACPT99].

Come ultimo passo della progettazione si e aggiunta una definizione dei

parametri fisici di memorizzazione dei dati al modello logico - nel nostro caso

si tratta di un modello relazionale - per definire lo schema fisico che poi

viene creato attraverso i costrutti del linguaggio SQL per lo specifico DBMS

adottato [ACPT99].

La numerosita dei dati contenuti nella base di dati ed il tipo di

risultato richiesto dai programmi di elaborazione statistica rendono laboriosa

l’estrazione delle informazioni. Per facilitare questa operazione, abbiamo

sviluppato degli strumenti che permettono agli utenti di ottenere le

informazioni in modo automatico e senza conoscere la struttura della base di

dati, continuamente soggetta ad aggiunte e modifiche da parte degli utenti.

3.1 Lo schema Entita-Relazione (E-R)

Lo schema E-R vuole dare una descrizione grafica autoesplicativa della realta

di interesse senza scendere nei dettagli implementativi. I costrutti che

vengono utilizzati durante lo sviluppo dello schema sono le entita, le relazioni

e gli attributi [ACPT99].

Una entita, indicata graficamente con un rettangolo, rappresenta classi

di oggetti (persone, luoghi, etc.) che possiedono proprieta comuni ed una

esistenza autonoma mentre una relazione, indicata graficamente con un

rombo, rappresenta un legame logico, con dei vincoli di cardinalita minima

25


e massima, verso le entita alle quali e connessa.

Figura 3.1. Esempio di due entita ed una relazione. La relazionememorizza presenta un vincolo di cardinalita minima uguale a zero perl’entita admin user in quanto non e detto che un utente abbia inseritodei messaggi e un vincolo di cardinalita minima e massima uguale ad unoper l’entita admin usr msg in quanto ogni messaggio esiste solo se vieneinserito da un utente. L’entita admin usr msg ha un identificatore formatodall’attributo id memo piu l’identificatore esterno login che e, a sua volta,identificatore dell’entita admin user.

L’attributo descrive delle proprieta elementari delle entita o delle relazioni

come, ad esempio, il nome, il cognome, la data di nascita e l’eta di una

entita individuo ed e rappresentato graficamente come un ellisse. Gli attributi

che sono utilizzati per identificare univocamente ogni occorrenza dell’entita

hanno il nome sottolineato (Fig. 3.1).

I nomi che abbiano assegnato alle entita hanno dei prefissi - “fml”, “phnt”,

“chr”, “web” o “admin” - che vengono usati per aiutare l’amministratore a

comprenderne la funzione. Le entita che memorizzano le modifiche fatte sui

dati genetici dagli utenti hanno il nome che termina con il suffisso “ log”.

Per non appesantire eccessivamente lo schema E-R (Fig. 3.2),

mostriamo soltanto gli identificatori delle entita in quanto tutti gli attributi

presenti all’interno delle entita saranno indicati successivamente durante la

presentazione dello schema logico (Fig. 3.3).

Le entita aventi nome con prefisso “admin” descrivono le modalita di

26


Figura 3.2. Lo schema E-R 27


accesso alla base di dati per ogni singolo utente. L’entita admin user contiene

le informazioni sul nome dell’utente, la password, l’indirizzo e-mail, un campo

per decidere se l’utente e o no amministratore e la login (il nome utente)

come identificatore. A questa sono relazionate le entita web locus dove sono

memorizzati i singoli marcatori (la relazione descrive i permessi di lettura

e scrittura sui singoli marcatori), admin user msg dove l’utente puo salvare

delle note e admin log dove vengono memorizzati gli accessi degli utenti al

sistema. Abbiamo preferito gestire direttamente l’autenticazione degli utenti

nella base di dati, sebbene ogni RDBMS ne fornisca una propria, per poter

avere un controllo piu fine sulle operazioni che si possono fare. Vogliamo

regolamentare i permessi di lettura e scrittura di ogni singolo marcatore

mentre i permessi per gli utenti della base di dati sono sempre riferiti ad

una tabella. Inoltre, poiche la login e la password fornite agli utenti del

sistema permettono solo di accedere ai programmi ma non direttamente alla

base di dati, l’utente che viene utilizzato dai programmi per accedere alla

base di dati e noto solo agli amministratori del sistema con un conseguente

incremento della sicurezza.

Le entita che hanno prefisso “fml” descrivono gli individui, la struttura

della famiglia ed alcuni parametri clinici. Le informazioni principali

di un individuo sono contenute nell’entita fml individuo e consistono

dell’identificatore id, del nome e cognome, del numero della famiglia di

appartenenza (se presente e unico per ogni famiglia), del numero univoco

dell’individuo (ogni individuo ha un numero che lo identifica all’interno

di una famiglia), dei numeri univoci nella famiglia del padre e della

madre dell’individuo, del probando (1=si, 0=no), del sesso (1=maschio,

2=femmina), dell’eta, della data di nascita e di una stima della quantita di

DNA disponibile. L’entita fml individuo e in relazione con le altre entita

28


di prefisso “fml”: fml num e fml conv all. In fml num sono presenti i

nomi dei laboratori che hanno raccolto gli individui, il numero identificativo

utilizzato per ogni famiglia, il numero univoco generale che intendiamo

assegnare ad ogni famiglia ed un valore che indica quali famiglie utilizzare o

no durante l’estrazione delle informazioni. L’entita fml conv all descrive le

corrispondenze tra gli identificatori che utilizziamo nella base di dati e quelli

adottati dal laboratorio che compie le genotipizzazioni.

Le entita di prefisso “web” contengono tutte le informazioni necessarie

per la gestione dei dati genetici che vengono inseriti dagli utenti attraverso

l’interfaccia Web da noi creata. Per i marcatori, descritti nell’entita web locus

e identificati dal nome del marcatore, rappresentiamo il nome del gene e del

cromosoma, il numero degli alleli, gli alleli presenti, l’operatore che inserisce

i dati, la data di ultima modifica, le condizioni sperimentali (primer forward,

primer reverse, condizioni della PCR, enzima e condizioni di digestione),

un memo e le modifiche operate sui dati. Con la PCR (Polymerase Chain

Reaction) si ottiene una grande quantita (amplificazione) di DNA di un

frammento selezionato tramite la reazione di restrizione enzimatica a partire

dal DNA stesso del campione che si sta analizzando. L’analisi del DNA

attraverso restrizione enzimatica e una tecnica che permette di distinguere un

frammento di DNA in relazione alla presenza di un certo pattern di nucleotidi

in una data posizione (ad esempio, se il pattern e presente, l’enzima taglia

il frammento) [SR99]. Gli alleli di ogni marcatore ed il loro ordine sono

descritti nell’entita web allele e sono identificati dal nome del marcatore e dal

nome dell’allele. La relazione web genotipi presente tra le entita web locus e

fml conv all descrive i due alleli che definiscono il genotipo di un individuo

per un marcatore. Tutte le modifiche apportate ai loci ed ai genotipi sono

memorizzate nelle tabelle di log web genotipi log e web locus log.

29


3.2 Lo schema relazionale

Il passaggio da un modello concettuale - lo schema E-R - ad un modello

logico - il modello relazionale - non si realizza con una semplice traduzione

poiche possono essere fatte delle ristrutturazioni per soddisfare due esigenze:

“semplificare” la traduzione e “ottimizzare” il progetto [ACPT99]. L’esigenza

di ottimizzare il progetto deriva dal fatto che, mentre lo schema E-R ha

come obiettivo la rappresentazione naturale dei dati, la progettazione logica

e orientata all’effettiva realizzazione dell’applicazione ed all’ottimizzazione

delle prestazioni. Semplificare lo schema permette di utilizzare query meno

“complesse” e di velocizzare il sistema. Nel passaggio verso lo schema

relazionale vanno tradotte per prime le entita con delle relazioni, poi le entita

con gli identificativi esterni ed infine le associazioni tra le entita.

3.2.1 La parte per l’amministrazione del sistema

La traduzione relativa alla parte per l’amministrazione del sistema non

necessita di particolari ristrutturazioni e da il seguente risultato:

admin user(login, passwd, nome, email, admin)

admin table(login, tab, locus, read, write)

admin log(identif, login, time, ip add)

admin user msg(id memo,:::::::utente, data, memo, priorita, is admin)

dove con nome attributo indichiamo la PRIMARY KEY della relazione e

con:::::::::::::::::nome attributo le FOREIGN KEY. Un vincolo di integrita referenziale o

FOREIGN KEY crea un legame tra i valori di un attributo A1 di una relazione

R1 ed i valori di un attributo A2 di una relazione R2, imponendo che ogni

valore non nullo assunto dall’attributo A1 nelle righe di R1 sia presente

30


tra i valori assunti dall’attributo A2 della relazione R2. Per applicare

il vincolo di FOREIGN KEY e necessario che l’attributo A2 della relazione

R2 sia soggetto ad un vincolo di UNIQUE o PRIMARY KEY. Un vincolo di

UNIQUE viene applicato su uno o piu attributi ed impone che i valori degli

attributi coinvolti siano presenti in una ed una sola riga della tabella. La

sola eccezione riguarda il valore nullo, che puo essere ripetuto su piu righe

[ACPT99].

La relazione admin user memorizza la login, la password ed alcune

informazioni necessarie per descrivere gli utenti:

• login: PRIMARY KEY della relazione

• passwd: definito come NOT NULL

• nome: definito come NOT NULL

• email: facoltativo

• admin: indica se login e un amministratore o no. Definito come NOT

NULL con valore di DEFAULT=’f’

admin table rappresenta i permessi concessi agli utenti: ogni record

setta i permessi di lettura e scrittura per l’attributo di una relazione della

base di dati. Ogni utente e abilitato alla lettura di tutti i campi presenti

nelle relazioni mentre i permessi di scrittura devono essere settati dagli

amministratori.

• login, tab, locus: PRIMARY KEY della relazione. L’attributo login

e un identificatore esterno riferito alla PRIMARY KEY della relazione

31


admin user. Gli attributi locus e tab permettono di identificare un

marcatore (attributo locus) che si trova all’interno di una relazione

(attributo tab) della base di dati.

• read: definito come NOT NULL con valore di DEFAULT=’t’. Di

default, ogni utente puo accedere a tutti i dati in lettura

• write: definito come NOT NULL con valore di DEFAULT=’f’ (false).

Di default, l’utente non puo compiere modifiche o inserimenti. Solo

l’amministratore puo settare il valore dell’attributo a ’t’ (true).

admin user msg contiene messaggi inseriti dagli utenti o dagli

amministratori. E possibile dare una priorita ad ogni messaggio inserito.

• id memo: PRIMARY KEY della relazione

•:::::::utente: e un identificatore esterno riferito alla PRIMARY KEY della

relazione admin user

• data: la data dell’inserimento definita come NOT NULL

• memo: la nota inserita dall’utente definita come NOT NULL

• priorita: l’importanza del messaggio

• is admin: indica se il messaggio riguarda l’amministrazione del sistema

o no. Definito come NOT NULL con valore di DEFAULT=’f’

admin log mantiene traccia degli accessi al sistema da parte degli utenti.

Per ogni connessione sono memorizzate la data, una stringa random utilizzata

dai programmi CGI per identificare la connessione e l’indirizzo IP dell’utente

connesso.

32


• identif, login: PRIMARY KEY della relazione. L’attributo identif e

la stringa random diversa per ogni connessione effettuata dagli utenti.

L’attributo login e un identificatore esterno riferito alla PRIMARY

KEY della relazione admin user.

• time: definito come NOT NULL

• ip add: indirizzo IP dell’utente definito come NOT NULL

3.2.2 La parte per gli individui

La traduzione della parte di schema che descrive gli individui e la struttura

delle famiglie da il seguente risultato:

fml num(fam num, fam, lab, cat)

fml individuo(id,::::fam∗, sbj, fth, mth, nome, sex, age, date, fake)

fml conv all(id est, geno lab,:::id, usa, note)

La relazione fml num memorizza le informazioni che riguardano le

famiglie. In questo modo assegniamo ad ogni famiglia un numero univoco

fam_num utilizzato dai programmi di elaborazione statistica.

• fam num: PRIMARY KEY della relazione. Il numero univoco

assegnato ad ogni famiglia della base di dati

• fam: definito come NOT NULL. E il numero univoco assegnato alla

famiglia dal laboratorio lab che ha raccolto i dati clinici.

• lab: il nome del laboratorio, definito come NOT NULL.

33


• cat: definito come NOT NULL. Consente di raggruppare le famiglie

in set diversi con uno valore scelto dall’amministratore. Ad esempio,

possiamo volere solo le famiglie in cui c’e una coppia di fratelli affetti

oppure ignorare una famiglia poiche non si ha disponibilita di DNA.

fml individuo memorizza le informazioni principali degli individui e la

struttura della famiglia di appartenenza.

• id: identificatore degli individui, definito come PRIMARY KEY della

relazione.

•::::fam∗: Il numero univoco della famiglia. E un identificatore esterno

riferito alla PRIMARY KEY della relazione fml num. Il simbolo ∗

indica che il vincolo di cardinalita minima presente nella relazione dello

schema E-R e zero.

• sbj: il numero univoco dell’individuo all’interno di una famiglia

• fth: il numero univoco del padre all’interno della famiglia

• mth: il numero univoco della madre all’interno della famiglia

• nome: il nome e cognome dell’individuo

• sex: definito come NOT NULL. Prende valori 1 o 2 (maschio o femmina

rispettivamente).

• age: l’eta dell’individuo

• date: la data di nascita

34


• fake: indica la quantita di DNA disponibile. Se settato a -1000

l’individuo non e considerato. Ad esempio, bisogna scegliere un solo

individuo tra i gemelli omozigoti.

fml conv all mantiene le corrispondenze tra gli ID della base di dati

ed i codici utilizzati dal laboratorio che compie le analisi genetiche. Viene

definito un vincolo di UNIQUE sugli attributi geno_lab ed id per garantire

che ogni laboratorio utilizzi una sola volta l’individuo.

• id est, geno lab: PRIMARY KEY della relazione. L’attributo id_est

e l’identificatore utilizzato dal laboratorio geno_lab

•::id: definito come NOT NULL E un identificatore esterno riferito alla

PRIMARY KEY della relazione fml num.

• usa: definito come NOT NULL con valore di default = ’t’.

L’amministratore puo decidere se rendere visibile o no un individuo

durante la genotipizzazione. Ad esempio puo capitare che il laboratorio

che esegue le genotipizzazioni abbia piu identificatori riferiti allo stesso

individuo.

• note: note dell’amministratore

3.2.3 La parte per i genotipi

Il modello relazionale che ottenuto dalla traduzione della parte di schema

E-R che descrive i genotipi diventa:

web locus(nome, gene, cromosoma,:::::::autore, ultima modifica,

35


numero alleli, primer frv, primer rev, condizioni pcr, enzima,

condizioni digestione, memo)

web allele(allele, locus, num)

web genotipi(id, geno lab, locus, all 1, all 2, seleziona, memo)

web locus log(nome, gene, cromosoma,::::::::autore, ultima modifica,

numero alleli, primer frv, primer rev, condizioni pcr, enzima,

condizioni digestione, memo)

web genotipi log(::id,

:::::::::geno lab, locus, utente, data, old 1, old 2,

new 1, new 2)

L’entita web locus rappresenta i marcatori e le condizioni sperimentali

utilizzate nella genotipizzazione.

• nome: PRIMARY KEY della relazione. Il nome del marcatore.

• gene: il gene in cui e localizzato il marcatore

• cromosoma: il cromosoma sul quale e localizzato il marcatore

•:::::::autore: l’utente che inserisce le informazioni sul marcatore. E un

identificatore esterno riferito alla PRIMARY KEY della relazione

admin user.

• ultima modifica: definito come NOT NULL. La data della modifica

• numero alleli: gli alleli che possono formare il genotipo

• primer frv: il primer forward (reagente utilizzato per la PCR)

36


• primer rev: il primer reverse (reagente utilizzato per la PCR)

• condizioni pcr: le condizioni usate nella PCR

• enzima: reagente per la reazione di restrizione enzimatica

• condizioni digestione: le condizioni sperimentali (tempo e

temperatura) per la reazione di restrizione enzimatica

• memo: le note dell’utente

web allele descrive gli alleli di ogni marcatore presente nella relazione

web locus.

• allele, locus: PRIMARY KEY della relazione. L’attributo allele

contiene i valori degli alleli. L’attributo locus e un identificatore

esterno riferito alla PRIMARY KEY della relazione web locus.

• num: il numero d’ordine degli alleli

web genotipi memorizza, per ogni individuo presente, il genotipo

corrispondente ad ogni marcatore presente.

• id, geno lab, locus: PRIMARY KEY della relazione. Gli attributi id e

geno_lab sono identificatori esterni riferiti alla PRIMARY KEY della

relazione fml conv all mentre locus e un identificatore esterno riferito

alla PRIMARY KEY della relazione web locus

• all 1: il primo allele del genotipo

• all 2: il secondo allele del genotipo

37


• seleziona: definito come NOT NULL con valore di default ’t’.

L’amministratore decide se utilizzare o no un individuo.

• memo: l’utente puo inserire una breve nota. Ad esempio, il genotipo e

da rifare.

Le relazioni web locus log e web genotipi log memorizzano, aggiungendo

la data dell’inserimento, tutti gli attributi presenti nelle relazioni web locus e

web genotipi allo scopo di mantenere traccia delle modifiche apportate dagli

utenti.

3.3 Lo schema fisico

Lo schema fisico descrive come sono organizzate fisicamente le informazioni

che sono memorizzate nella base di dati. Per mezzo di una rappresentazione

grafica (Fig. 3.3) - prodotta utilizzando i programmi autodoc [Tay99] e dia

[Lar99] - mostriamo, per ogni tabella, il tipo di dato degli attributi con i

relativi valori di default (se presenti) e le informazioni previste dal modello

relazionale come le PRIMARY KEY, le FOREIGN KEY ed i vincoli di UNIQUE.

Tutte le relazioni rappresentate nello schema logico hanno una tabella

corrispondente all’interno dello schema fisico. Quest’ultimo viene ampliato

con delle tabelle il cui nome ha prefisso “phnt” o “chr” contenenti

rispettivamente informazioni sui fenotipi o sui genotipi. Queste tabelle

hanno un attributo id definito sia come PRIMARY KEY che come FOREIGN KEY

(riferita alla PRIMARY KEY della relazione fml individuo) piu un numero

variabile di campi aggiuntivi. Ogni campo delle tabelle con prefisso “phnt”

memorizza un fenotipo diverso mentre, nel caso di tabelle con prefisso “chr”,

38


Figura 3.3. Lo schema logico 39


ogni marcatore e composto da due colonne contenenti la coppia di alleli del

un genotipo (Fig. 3.3). Abbiamo deciso di strutturare le tabelle in questo

modo per una serie di motivi che andiamo ad elencare:

La rappresentazione dei dati clinici e genetici vuole essere il piu possibile

conforme al formato tabellare utilizzato dai programmi di elaborazione

statistica per velocizzare le operazioni di estrazione dei dati.

Possiamo assegnare ad ogni fenotipo o genotipo il tipo di dato che

meglio lo rappresenta, in quanto, i fenotipi possono essere qualitativi

(es. affetto/non affetto, si/no, 0/1/2) o quantitativi (es. indicano il

valore numerico, intero o reale, di un test clinico) mentre i due alleli

che descrivono il singolo genotipo possono assumere valori numerici o

alfanumerici.

La maggior difficolta richiesta per l’aggiornamento dei dati sulle tabelle

e trascurabile poiche si tratta di un operazione poco frequente in

quanto:

• i fenotipi vengono forniti da laboratori esterni e, di solito, non

necessitano di modifiche;

• i genotipi dei marcatori che sono memorizzati in queste tabelle

provengono dai genotipi inseriti via Web: questi vengono spostati

solo quando il laboratorio termina la genotipizzazione di tutti gli

individui per un marcatore e ne verifica la correttezza.

All’interno delle tabelle utilizziamo i valori nulli per descrivere l’assenza di

informazione poiche non e sempre possibile avere i dati per tutti gli individui

(ad esempio, per la terminazione del DNA).

40


3.4 La generazione automatica delle query

Le query (o interrogazioni) del sistema, che estraggono i dati contenuti nella

base di dati in formati compatibili con i programmi di elaborazione statistica

adottati dagli utenti, vengono generate automaticamente utilizzando i metodi

e le funzioni contenuti nei moduli perl (Sezione 4.2) che abbiamo creato

appositamente.

Per semplificare la creazione della query abbiamo creato una “vista”

fenotipi che contiene tutte le informazioni relative agli individui, alla

struttura della famiglia ed ai fenotipi presenti. Una “vista” crea una tabella

virtuale che contiene l’output generato da una SELECT. L’interrogazione

fatta per ottenere la vista fenotipi e solitamente complessa per due motivi:

primo, il numero di fenotipi coinvolti puo essere elevato, secondo, e possibile

ricavare dei nuovi fenotipi partendo da quelli gia disponibili. Ad esempio, se si

vuole ottenere un fenotipo qualitativo da uno quantitativo, si puo definire una

clausola CASE che utilizzi un valore soglia per distinguere tra un individuo

affetto o non affetto.

L’elenco di tutte le tabelle in cui sono presenti gli attributi selezionabili

dagli utenti e memorizzato in una tabella web vedi tabella che ha il seguente

schema relazionale:

web vedi tabella(tipo, nome, azione)

Il significato degli attributi nome ed azione dipende da cosa viene indicato

sull’attributo tipo:

• tipo=FENOTIPI: l’attributo nome memorizza il nome della tabella

41


o della vista che contiene gli identificatori degli individui, la struttura

delle famiglie ed i fenotipi - nel nostro caso la vista fenotipi - mentre

azione e vuoto.

• tipo=CHR: l’attributo nome contiene il nome di una tabella della base

di dati dove sono memorizzati i genotipi. Per distinguere i due tipi di

tabella disponibili si utilizza il campo azione. Le tabelle di tipo 1 sono

quelle aventi il nome con prefisso “chr” mentre quelle di tipo 2 hanno

la struttura della tabella “web genotipi”.

• tipo=WHERE: l’attributo nome contiene un nome identificativo per

la clausola WHERE mentre azione contiene la clausola WHERE da

utilizzare all’interno della query (Es. age>20). L’utente puo scegliere

una delle clausole WHERE memorizzate per selezionare dei subset di

individui (Es. seleziono solo i maschi, solo le femmine, solo i probandi,

solo le famiglie, ecc.).

• tipo=ORDER BY: l’attributo nome memorizza gli attributi sui quali

eseguire la clausola ORDER BY (es. id, fam) mentre azione e vuoto.

• tipo=PROFILO: gli attributi nome ed azione contengono,

rispettivamente, il nome di un profilo (Sez. 4.2.3) e la stringa che

lo descrive.

La creazione della query

L’elenco di attributi selezionabili dall’utente comprende dati sugli individui,

sulla struttura della famiglia, sui fenotipi e sui genotipi. Se si escludono i

genotipi, tutte le informazioni sono selezionate attraverso la vista fenotipi.

42


L’algoritmo di generazione automatica delle query permette di relazionare

alla vista fenotipi le diverse tabelle di genotipi. In particolare, la tabella

web_genotipi puo avere set di identificatori provenienti da laboratori

diversi ed un numero variabile e sconosciuto di marcatori. L’algoritmo

di estrazione e stato modificato nel tempo per poter risolvere queste

problematiche poiche, in un primo momento, non era stato previsto che i

genotipi venissero inseriti direttamente dagli utenti via Web. La presenza

di identificatori diversi ha reso necessaria la presenza di una tabella

fml_conv_all contenente le corrispondenze tra gli identificatori utilizzati

nella base di dati (tabella fml_individuo) e quelli dei laboratori esterni

presenti nella tabella web_genotipi.

La prima soluzione che abbiamo sviluppato per estrarre i dati prevedeva

la creazione di un’unica query SQL formata da una serie di clausole SELECT

nidificate ed unite attraverso delle clausole di OUTER JOIN. Una clausola

di JOIN viene utilizzata quando e necessario correlare dati provenienti da

diverse tabelle della base di dati attraverso i valori assunti dagli attributi. Le

clausole di OUTER JOIN (LEFT, RIGHT e FULL) permettono di selezionare

tutte le righe in cui vi e corrispondenza tra i valori degli attributi comuni

di due diverse tabelle piu tutte le righe che fanno parte di una (LEFT o

RIGHT) o entrambe (FULL) le tabelle coinvolte e che non hanno tuple

corrispondenti nell’altra tabella (gli attributi assenti sono rimpiazzati con

opportuni valori nulli). Una clausola di INNER JOIN permette di correlare

attraverso gli attributi comuni diverse tabelle, selezionando solo le righe in

cui vi e una corrispondenza tra i valori [ACPT99].

Ad esempio, vogliamo estrarre tutti gli attributi della vista fenotipi

ed i due alleli di apoe (il gene APO-E del cromosoma 19) dalla tabella

43


web_genotipi:

SELECT fen.*, tab1.all_1 as apoe_1, tab1.all_2 as apoe_2

FROM (

SELECT fml_conv_all.id,

web_genotipi.all_1, web_genotipi.all_2

FROM fml_conv_all, web_genotipi

WHERE web_genotipi.id=fml_conv_all.id_est

AND web_genotipi.geno_lab=fml_conv_all.geno_lab

AND seleziona=’t’ AND locus=’apoe’

) AS tab1

RIGHT OUTER JOIN (

SELECT * FROM fenotipi

) AS fen ON tab1.id=fen.id

La select proposta puo essere nidificata a sua volta fino ad ottenere tutti

gli attributi richiesti dall’utente. Questa soluzione e stata abbandonata

a causa dell’elevato numero di tabelle e marcatori presenti nella base di

dati. Abbiamo osservato che eseguendo delle query con numerose SELECT

nidificate le prestazioni della base di dati degradavano considerevolmente

fino a portare, nel caso peggiore, alla prematura terminazione del processo di

selezione. Ad esempio, nella base di dati asma abbiamo provato ad estrarre

i dati, prodotti da una scansione genomica, dei 23 cromosomi ed il sistema

ha interrotto l’esecuzione della query. Il motivo di tale comportamento e

legato al fatto che il sistema di basi di dati PostgreSQL deve utilizzare grosse

quantita di memoria per eseguire le query piu complesse [Mom03] e, nel

nostro caso, la quantita disponibile non e sufficiente.

44


Per evitare il problema abbiamo adottato un approccio diverso che

consiste nel creare automaticamente una tabella temporanea nella quale

inserire tutti i dati relativi ai genotipi. Successivamente otteniamo la

SELECT finale come INNER JOIN tra la tabelle temporanea e la tabella

dei fenotipi. Il nome assegnato dal sistema alla tabella temporanea e della

forma nomeutente_genotipi per evitare che piu utenti utilizzino la stessa

tabella. Supponendo che l’utente collegato sia ciano, il nome della tabella

temporanea ciano_genotipi e la tabella che memorizza gli individui ed i

fenotipi indicata in wev vedi tabella sia fenotipi, l’algoritmo che genera la

tabella e:

Se esiste la tabella ciano_genotipi allora:

DROP TABLE ciano_genotipi

Creazione della tabella temporanea con il comando:

SELECT id INTO ciano_genotipi FROM fenotipi

Creazione di una listaattributi contenente tutti gli attributi presenti

nel profilo ed i nomi di tutti i marcatori presenti in web_genotipi

poiche non sono conosciuti a priori.

Per ogni attributo di listaattributi verifichiamo se tale attributo e stato

selezionato dall’utente e se e un genotipo (non appartiene alla tabella

fenotipi). Se si:

aggiungiamo i campi alla tabella temporanea:

ALTER TABLE ciano_genotipi ADD nome_genotipo_1 text

ALTER TABLE ciano_genotipi ADD nome_genotipo_2 text

Gli attributi aggiunti hanno tipo text poiche ogni dato disponibile

45


in PostgreSQL puo essere memorizzato senza modifiche in un

campo testuale.

A seconda del tipo di tabella che memorizza il genotipo settiamo

i valori del genotipo. Per le tabelle di tipo 1 si ha:

UPDATE fenotipi_temp SET

apoe_1=chr19.apoe_1, apoe_2=chr19.apoe_2

FROM chr19 WHERE fenotipi_temp.id = chr19.id

Per le tabelle do tipo 2 si ha:

UPDATE fenotipi_temp SET

apoe_1=tt.all_1, apoe_2=tt.all_2 FROM

(

SELECT fml_conv_all.id,

web_genotipi.all_1, web_genotipi.all_2

FROM web_genotipi, fml_conv_all

WHERE web_genotipi.geno_lab=fml_conv_all.geno_lab

AND web_genotipi.id=fml_conv_all.id_est

AND seleziona = ’t’ AND locus =’apoe’

) AS tt

WHERE tt.id=fenotipi_temp.id

Dopo aver processato tutti gli attributi selezioniamo tutti i campi

richiesti dall’utente attraverso un INNER JOIN tra le tabelle fenotipi

e ciano_genotipi utilizzando le clausole WHERE ed ORDER BY

scelte dall’utente:

46


SELECT att1, att2, ..., attn

FROM fenotipi, ciano_genotipi

WHERE fenotipi.id = ciano_genotipi.id

AND <clausola_where> ORDER BY <clausola_order_by>

I valori di <clausola_where> e <clausola_order_by> sono estratti da

web vedi tabella.

Rimuoviamo la tabella temporanea che contiene i genotipi:

DROP TABLE ciano_genotipi

L’algoritmo proposto permette di selezionare gli attributi richiesti

attraverso una sequenza di comandi SQL ma non con un unica query.

Tuttavia la possibilita di selezionare un numero imprecisato di attributi in

tempi ragionevolmente brevi e senza appesantire il sistema rende la soluzione

ottimale per i nostri scopi. Inoltre l’algoritmo proposto viene eseguito

automaticamente utilizzando procedure da noi sviluppate (Sez. 4.2.4) e in

maniera del tutto trasparente all’utente.

47

Capitolo 4

Architettura del sistema

Lo studio genetico delle malattie complesse richiede che vengano raccolte

molte informazioni genetiche e cliniche per un elevato numero di individui.

Un sistema di memorizzazione informatico studiato appositamente per

il personale specializzato di laboratorio puo aiutare a gestire tutte le

informazioni disponibili in modo efficiente.

Abbiamo sviluppato un sistema che cerca di ottimizzare e rendere

automatiche le operazioni di uso frequente. Diversi software curano

l’inserimento, la verifica, l’estrazione dei dati e la generazione di una statistica

descrittiva delle variabili genetiche. L’inserimento e la gestione dei dati

genetici avvengono via Web e sono regolamentati attraverso la verifica di

un nome utente ed una password che l’amministratore assegna a tutti gli

operatori autorizzati. Al contrario, l’inserimento di dati, che non interessano

le operazioni di genotipizzazione come la struttura delle famiglie, i fenotipi

e la gestione degli utenti, avviene per mezzo di programmi utilizzabili solo

dagli amministratori di sistema.

48

4 – Architettura del sistema

4.1 Strumenti utilizzati per lo sviluppo

Il sistema e attualmente installato su computer PC compatibili ed utilizza

esclusivamente software Open Source - il codice sorgente e disponibile e

liberamente distribuito - per il funzionamento e la realizzazione. Il sistema

operativo e Debian GNU Linux con Web server Apache - e installato su piu

del 60% dei siti Web [Fou02] - e sistema di basi di dati relazionale PostgreSQL

[pos]. Il linguaggio scelto per lo sviluppo dei programmi e il Perl [Wal].

4.1.1 Il sistema di basi di dati relazionale ed il

linguaggio SQL

PostgreSQL e un sistema di basi di dati relazionale o RDBMS (abbreviazione

di relational database management system) che supporta praticamente tutti

i costrutti sintattici di SQL (Sructured Query Language) tra cui le subselect,

le transazioni ed i vincoli relazionali [pos]. Un RDBMS e un sistema per

la gestione di dati memorizzati su relazioni. Una relazione e essenzialmente

una tabella composta da un insieme di righe aventi lo stesso set di attributi

(o colonne).

Il linguaggio SQL viene utilizzato per gestire l’interazione con l’RDBMS

attraverso tre gruppi di comandi [ACPT99] [DB00]:

• DDL (Data Definition Language): creazione degli oggetti dello

schema

• DCL (Data Control Language): controllo degli utenti e delle

autorizzazioni

49


• DML (Data Manipulation Language): manipolazione dell’istanza

della base di dati (interrogazioni e aggiornamenti)

4.1.2 Il linguaggio Perl

Il Perl (Practical Extraction and Report Language) e un linguaggio

interpretato nato per il trattamento di file di testo che fornisce una sintassi

molto simile al linguaggio C e che viene spesso associato alla realizzazione

dei programmi CGI [Wal02]. Un programma CGI puo essere scritto in

diversi linguaggi (ad esempio, Perl, C, bash). L’esecuzione di un programma

CGI (Figura 4.1) genera un file HTML (HyperText Markup Language,

il linguaggio utilizzato per la creazione delle pagine Web) che cambia in

funzione dei parametri di ingresso ricevuti. Un parametro di ingresso per un

CGI e una stringa di testo della forma chiave=valore [GGB00].

Figura 4.1. L’interfaccia CGI. L’operatore, per mezzo di un browserWeb, effettua una richiesta al Web server che, attraverso l’interfaccia CGI,esegue il programma CGI corrispondente. Quando il programma CGItermina l’elaborazione, restituisce un documento HTML al Web server che,a sua volta, lo invia al browser.

Il Perl permette di trattare i file di testo facilmente e con poche righe di

codice poiche dispone di costrutti per il “pattern matching” molto sofisticati

50


e di molte funzioni per il trattamento di stringhe e di array [Wal02]. Queste

caratteristiche permettono di trattare efficacemente alcune delle operazioni

che sono state implementate nel nostro sistema:

• generare i file HTML utilizzati nell’interfaccia Web

• creare e modificare file CSV (Es. cambiare l’ordine delle colonne). Un

file di tipo CSV e un file di testo che rappresenta una tabella: i campi

contenuti nelle righe del file sono divisi per mezzo di un separatore

(tabulatore, punto e virgola, spazio, etc.) scelto dall’utente [DB00].

• importare/esportare file CSV nel/dal sistema di basi di dati

• fare statistiche descrittive

Il Perl dispone di un elevato numero di moduli [Per] che permettono di

facilitare la scrittura dei CGI, di effettuare le connessioni al sistema di basi di

dati attraverso una interfaccia standardizzata e di importare/esportare vari

formati di documento (MS Excel, RTF, PDF, etc.).

Tutto il nostro software - CGI, script per l’amministrazione del sistema e

moduli - e scritto in Perl e si basa su alcuni moduli che sono quindi necessari

per il corretto funzionamento:

• CGI [Lin02]: preparazione delle pagine Web. Fornisce metodi per

la creazione di Web FORMs (permettono all’utente di mandare o

richiedere informazioni al Web server attraverso dei campi compilabili),

la lettura (parsing) del loro contenuto e la generazione automatica di

codice HTML

51


• DBI [Bun02]: accesso al sistema di basi di dati. Definisce una serie di

metodi, variabili e convenzioni che forniscono un’interfaccia consistente

tra uno o piu sistemi di basi di dati e l’applicazione.

• XML::Simple [McL02]: gestione dei file in formato XML (eXtensible

Markup Language). fornisce dei metodi per la creazione e la lettura di

documenti XML. XML e un meta linguaggio, cioe un linguaggio per

costruire altri linguaggi, utilizzato per la rappresentazione elettronica

di documenti [W3C02b].

• Spreadsheet::WriteExcel [McN02]: creazione di file in formato MS

Excel. Il modulo puo essere usato per creare automaticamente un file

di MS Excel utile per scambiare le informazioni con gli utenti che

utilizzano MS Office.

4.1.3 CGI e mod perl

Durante lo sviluppo il sistema ha subito diverse modifiche orientate a

migliorarne le prestazioni. Inizialmente abbiamo utilizzato l’interfaccia CGI

per generare in tempo reale delle pagine Web dinamiche in base alle richieste

degli utenti.

L’interfaccia CGI permette al Web server di eseguire un programma CGI

per compiere delle operazioni (ad esempio, accedere ad un sistema di basi di

dati ed impaginare i dati richiesti) e produrre un documento HTML con le

informazioni che sono state richieste. Tuttavia l’interfaccia CGI puo risultare

inadatta sia per le prestazioni che per la sicurezza del sistema in quanto:

• Prestazioni:

52


– ogni richiesta verso un programma CGI provoca la creazione di

un nuovo processo con conseguente carico di lavoro aggiuntivo sul

server.

– il Web server non e in grado di mantenere in memoria le pagine

gia richieste e prodotte da un CGI.

– quando si utilizza un RDBMS per la gestione delle informazioni,

ogni richiesta ad un programma CGI apre una nuova connessione

al RDBMS che viene chiusa al termine dell’esecuzione del processo.

L’apertura e chiusura della connessione provoca un ulteriore carico

di lavoro per il server ed allunga i tempi di attesa dell’utente.

• Sicurezza: puo essere pericoloso servirsi di un programma CGI che

utilizza dei programmi esterni per compiere delle operazioni: se il

programma esterno (eseguito con i permessi del Web server) processa

dati ricevuti da una FORM HTML, allora un utente potrebbe riuscire

ad eseguire dei comandi di sistema non previsti.

Sono disponibili delle tecnologie, alternative all’utilizzo dell’interfaccia

CGI, nate con lo scopo di evitare queste limitazioni:

• Active Server Pages (ASP) [Cor02]: e una tecnologia sviluppata da

Microsoft che viene integrata all’interno del Web server (ad esempio,

l’IIS - Internet Information Services) e permette di scrivere “codice”

all’interno delle pagine HTML invece di scrivere programmi separati.

ASP supporta diversi linguaggi di programmazione tra cui il piu

utilizzato e MS Visual Basic.

• PHP [Fou01]: e un linguaggio simile al Perl. L’interprete PHP

53


e integrato, come modulo, all’interno del Web server e supporta la

scrittura di “codice PHP” all’interno delle pagine HTML.

• Java servlets [SM02a]: sono state create da Sun. Sono realizzate

in Java e, per poter funzionare, devono essere compilate. Le classi

prodotte dalla compilazione sono caricate dinamicamente dal Web

server e hanno una funzionalita simile a quella dei CGI in quanto sono

programmi che generano documenti HTML.

• JavaServer Pages (JSP) [SM02b]: sono create da Sun. Permettono

di utilizzare il linguaggio Java all’interno del codice HTML ed hanno

una tecnologia molto simile a quella adottata dalle ASP.

• mod perl [Mac96]: un modulo che integra l’interprete Perl all’interno

del Web server Apache. Il modulo consente di avere contenuti dinamici

via Web creati attraverso programmi Perl evitando il costo richiesto

dall’esecuzione dell’interprete esterno [Gro97].

Tra le alternative possibili, mod perl permette, oltre a migliorare le

prestazioni offerte dal sistema, di mantenere il Perl come linguaggio di

programmazione. Inoltre permette di riutilizzare i programmi CGI emulando

l’interfaccia CGI per mezzo del modulo Apache::Registry o del modulo

Apache::PerlRun. I due moduli si differenziano in quanto i programmi CGI

eseguiti utilizzando il modulo Apache::Registry mantengono il codice e le

variabili nella memoria del Web server per le richieste successive, mentre nel

caso di Apache::PerlRun il CGI viene reinterpretato ad ogni richiesta e le

variabili non sono memorizzate nel Web server [Mac96].

Nel nostro sistema, abbiamo adottato mod perl ed il modulo

Apache::PerlRun per emulare l’interfaccia CGI. Abbiamo ottenuto

54


prestazioni comparabili a quelle ottenute con il modulo Apache::Registry

senza mantenere nella memoria del Web server le pesanti strutture dati

degli individui (le informazioni cliniche e genetiche) e senza chiudere la

connessione al sistema di basi di dati. Se configurato opportunamente, il

Web server Apache puo caricare in memoria alcuni moduli Perl durante la

fase di avvio per evitare ai programmi CGI di compiere questa operazione

ad ogni esecuzione [Mac96] [Gro97]. I moduli Perl che carichiamo all’avvio

del server Apache sono:

• Apache::PerlRun per l’esecuzione dei CGI

• Apache::DBI per la connessione persistente al sistema di basi di dati.

Apache::DBI si serve del modulo standard DBI per la gestione del

sistema di basi di dati e maschera le operazioni di apertura e chiusura

delle connessioni in modo da riutilizzare connessioni gia aperte (se

presenti). Non e necessario modificare i programmi CGI che utilizzano

il modulo DBI in quanto tutte le operazioni sul sistema di basi di dati

sono intercettate automaticamente dal modulo Apache::DBI [Mer01].

• i moduli Perl necessari al funzionamento dei nostri programmi (ad

esempio CGI.pm e DBI.pm).

In conclusione, la tecnologia offerta da mod perl ha permesso di migliorare

visibilmente le prestazioni del sistema e di riutilizzare gli script CGI gia

sviluppati grazie alla presenza dell’interprete Perl all’interno di Apache,

all’utilizzo dei moduli Apache::PerlRun e Apache::DBI ed alla possibilita

di precaricare in memoria i moduli Perl necessari ai nostri programmi.

55


4.1.4 L’architettura del sistema

L’architettura proposta consente di utilizzare una singola macchina che

funzioni contemporaneamente come Web Server e come Database Server

oppure con due macchine connesse in rete ed adibite a gestire il Web Server

ed il Database Server separatamente. (Figura 4.2). La seconda soluzione

Figura 4.2. L’architettura del sistema con due computer.L’operatore, per mezzo di un browser Web, effettua una richiesta HTTP alWeb server che, a sua volta, esegue il programma Perl corrispondente. Ilprogramma Perl si connette al sistema di basi di dati remoto utilizzandoil modulo Apache::DBI, compie le elaborazioni richieste ed invia il codiceHTML risultante al Web server che lo reindirizza al browser.

aumenta la sicurezza dei dati in quanto il sistema di basi di dati puo essere

installato su una macchina non connessa direttamente alla rete.

4.2 Lo sviluppo dei programmi e delle

librerie

Il sistema che presentiamo si serve di alcuni moduli Perl da noi sviluppati

per avere a disposizione metodi e funzioni che permettano l’esecuzione

56


delle operazioni piu frequenti. I moduli vengono usati all’interno di tutti

i programmi (CGI e script) e permettono di sviluppare velocemente nuove

applicazioni riutilizzando funzioni e metodi gia presenti e testati.

Di seguito saranno esaminati i moduli da noi sviluppati soffermandoci

maggiormente nell’analisi di quei moduli che gestiscono gli individui, i

loro dati (struttura delle famiglie, fenotipi e genotipi) e le metodologie di

inserimento ed estrazione dei dati nella di basi di dati.

4.2.1 PDB::pgc

Il modulo PDB::pgc viene utilizzato per istanziare un oggetto dedicato alla

gestione di un sistema di basi di dati PostgreSQL. PDB::pgc si serve del

modulo DBI per la connessione e la gestione del sistema di basi di dati e

fornisce dei metodi che semplificano le operazioni piu ricorrenti. I metodi

implementati gestiscono l’apertura e la chiusura di connessioni, l’esecuzione

di comandi SQL e la ricerca di tabelle o di attributi all’interno della base di

dati:

• new(nome database, user, password): istanzia l’oggetto della classe e

crea la connessione alla base di dati desiderata.

• close(): chiude la connessione

• getDBH: restituisce il puntatore all’oggetto della classe DBI che

mantiene la connessione alla base di dati.

• doSQL(comando SQL): esegue un comando SQL che non restituisce

dei risultati (ad esempio, INSERT, CREATE, ALTER)

57


• executeSQL(query SQL): esegue una query SQL e restituisce il

puntatore ad un oggetto che contiene i risultati della query

• isPresent(nome tabella): verifica se una relazione e presente nella base

di dati

• isAttPresent(nome tabella, nome attributo): verifica se un attributo

e presente in una relazione della base di dati

• getAttType(nome tabella, nome attributo): restituisce il tipo di dato

associato all’attributo di una relazione

Tutti i metodi possono gestire gli errori dovuti all’assenza della

connessione al sistema di basi di dati, all’errata sintassi delle istruzioni SQL

o alla presenza di valori non compatibili con il tipo di dato previsto dalla

base di dati.

4.2.2 PDB::bio

Il modulo PDB::bio istanzia un oggetto che contiene e gestisce tutti i dati

relativi agli individui (struttura della famiglia, fenotipi e genotipi). Tramite

i metodi contenuti nel modulo e possibile creare i file di testo formattati che

sono utilizzati dai programmi di analisi statistica, modificare il formato dei

dati e prelevare le informazioni sugli individui da un file o da una basi di

dati.

Il metodo new istanzia un oggetto vuoto della classe PDB::bio che

puo essere popolato usando il metodo fromCSV (nomefile, separatore)

se si importano i dati degli individui da un file CSV, o il metodo

58


fromSQL(database, query) se si effettua una interrogazione verso una base

di dati.

I metodi getHead e getHeadIDpos restituiscono rispettivamente la lista dei

nomi degli attributi (presenti sul file CSV o selezionati dalla base di dati) e

la posizione dell’attributo id (l’identificatore degli individui) all’interno della

lista.

I metodi getListaID, getOrderID e getUnrelatedID restituiscono un array

che contiene gli identificatori degli individui e che puo essere non ordinato,

ordinato o contenere solo gli individui non imparentati (o unrelated).

Il metodo setColonneGenotipi(valore nullo, [0,1,2], [0,1]) scorre la lista

di tutti gli attributi disponibili ed individua i marcatori cercando le coppie

di attributi che formano un genotipo. I due attributi che rappresentano

un genotipo hanno un nome del tipo <nome_locus>_1 e <nome_locus>_2.

Ad esempio, i due attributi che rappresentano le mutazioni del gene cftr

sono cftr_1 e cftr_2. Il tipo di formattazione dei genotipi che si utilizza

dipende dal programma di statistica adottato e puo essere quello abituale a

due colonne - coppie di alleli - o quello ad una sola colonna. La codifica dei

genotipi con una singola colonna puo essere fatta in due modi:

• una semplice concatenazione delle coppie di alleli che formano il

genotipo: dati gli alleli A e G, i genotipi possibili sono AA, AG e

GG

• una numerazione predefinita di ogni possibile genotipo: dati gli alleli

A e G, i genotipi possibili sono 1, 2 e 3 (stanno ad indicare AG, AG e

GG rispettivamente)

59


Per distinguere il tipo di genotipo attraverso il nome dell’attributo abbiamo

stabilito una convenzione:

• le due colonne che contengono gli alleli di un marcatore hanno nome

<nome_locus>_1 e <nome_locus>_2

• la colonna che contiene genotipi codificati numericamente ha nome

<nome_locus>_num.

• la colonna che contiene genotipi codificati come concatenazione degli

alleli ha nome <nome_locus>_con

A seconda dei parametri di ingresso passati a setColonneGenotipi e

possibile ottenere diversi risultati. Il valore del parametro [0,1,2] permette

di decidere come visualizzare i genotipi codificati con una sola colonna:

• 0: la colonna dei genotipi indicati con un numero

• 1: la colonna dei genotipi dove i due alleli sono concatenati

• 2: le due colonne mostrate in 0 e 1

Tramite il parametro [0,1] si stabilisce se visualizzare o no le due colonne

contenenti gli alleli: con 0 visualizziamo gli alleli piu i genotipi codificati in

una colonna mentre con 1 soltanto i genotipi codificati in una colonna.

Il metodo getFrequenze esegue delle elaborazioni sui dati al fine di

generare una statistica di base sugli individui presenti. L’output restituito e

una stringa contenente le frequenze alleliche e genotipiche di tutti i marcatori

presenti. Se necessario, e possibile calcolare l’equilibrio di Hardy-Weinberg

60


(hwe) [GT92] sull’insieme di individui unrelated (non imparentati). Il calcolo

di hwe e eseguito dal programma hwe [Ott95] utilizzando le frequenze degli

alleli e dei genotipi osservati sugli individui non imparentati presenti nella

base di dati.

Altri metodi della classe permettono di eseguire il confronto tra un

attributo che compare in due oggetti di tipo PDB::bio per trovare le differenze

(getAttDiff ) e di esportare su un file CSV o MS EXCEL i dati contenuti

nell’oggetto (toCSV e toXLS ).

4.2.3 PDB::profilo

Il modulo PDB::profilo fornisce delle funzioni che permettono la gestione

dei profili degli utenti. Un profilo e una astrazione della base di dati che

permette di mostrare all’utente un gruppo di tabelle fittizie indipendenti

dalla struttura fisica della base di dati.

Ad esempio, in una base di dati dove siano presenti le tabelle:

fml_individuo(id, fam, sbj, fth, mth, sex, age)

chr7(id, cftr_1, cftr_2)

chr19(id, apoe_1, apoe_2)

E possibile creare un profilo che mostri le seguenti tabelle fittizie:

fenotipi(id, sex, age)

genotipi(id, cftr_1, cftr_2, apoe_1, apoe_2)

Abbiamo definito la stringa che descrive un profilo come segue:

61


• una singola tabella fittizia (<TABELLA>) viene rappresentata come una

lista di stringhe separate dai caratteri -#-:

<TABELLA> := <nome_tab>-#-<rel>;<att>-#-...-#-<rel>;<att>

La prima stringa contiene il nome della tabella fittizia <nome_tab>

mentre le successive rappresentano gli attributi. Per identificare il

singolo attributo utilizziamo la sintassi <rel>;<att> dove indichiamo il

nome della tabella (<rel>) della base di dati in cui si trova l’attributo

(<att>) stesso. Le stringhe relative alle tabelle fittizie “fenotipi” e

“genotipi” dell’esempio sono:

fenotipi-#-fml_individuo;id-#-fml_individuo;sex-#-fml_individuo;age

genotipi-#-chr7;cftr_1-#-chr7;cftr_2-#-chr19;apoe_1-#-chr19;apoe_2

• un profilo e formato da una lista di stringhe <TABELLA> separate dai

caratteri -@-:

<PROFILO> := <TABELLA>-@-<TABELLA>[email protected]@-<TABELLA>

Il profilo risultante per le due tabelle dell’esempio e:

fenotipi-#-...-#-fml_individuo;age-@-genotipi-#-...-#-chr19;apoe_2

Sebbene le tabelle fittizie che fanno parte si un profilo, siano paragonabili

a delle viste, l’utilizzo dei profili semplifica il lavoro dell’amministratore del

sistema: la creazione e la gestione di un profilo avviene attraverso un file di

testo dove sono presenti tutti gli attributi che si vogliono estrarre dalle tabelle

della base di dati. Ogni riga del file di testo indica una diversa informazione:

62


• una riga di tipo --<stringa> indica l’inizio di una nuova tabella fittizia

di nome <stringa>.

• una riga di tipo <relazione>;<attributo> indica il campo e la tabella

di appartenenza all’interno della base di dati.

Un tipico file di testo utilizzato per generare un profilo ha questo formato:

--Fenotipi

fenotipi;fml_num

fenotipi;sbj

fenotipi;fth

fenotipi;mth

.....

--Cromosoma 6

chr6;lt

.....

--Cromosoma 7

chr7;tg

chr7;t

.....

.....

Utilizzando un editor di testo e possibile aggiungere, togliere e riordinare in

modo semplice l’elenco di attributi presenti nelle relazioni della base di dati

senza intervenire sulla base di dati (come accadrebbe servendosi delle viste).

Le funzioni profilo2file e file2profilo permettono di convertire in modo

automatico una stringa che definisce un profilo in un file e viceversa. Inoltre

63


e disponibile una funzione importProfilo per estrarre un profilo dalla base di

dati e creare una struttura dati che viene utilizzata dai programmi CGI per

visualizzare le tabelle e creare le interrogazioni.

4.2.4 PDB::SQL

Il modulo PDB::SQL fornisce i metodi usati per creare la query SQL che

seleziona gli attributi richiesti dall’utente.

L’algoritmo prevede la creazione di una tabella temporanea dove vengono

aggiunti in modo automatico tutti gli attributi richiesti tra quelli presenti

nelle tabelle della base di dati. I metodi del modulo PDB::SQL permettono

di generare la sequenza di comandi SQL che gestisce la creazione e

l’aggiornamento della tabella temporanea e l’estrazione delle informazioni

desiderate. Ogni istanza della classe contiene il nome della tabella

temporanea creata all’interno della base di dati e una lista dei comandi SQL

necessari alla sua creazione.

La classe fornisce un metodo new per istanziare l’oggetto e una serie

di metodi che permettono l’accesso ai dati della classe: getSQLcommand

restituisce il puntatore alla lista dei comandi SQL che generano la tabella

temporanea, showTemp mostra il nome della tabella temporanea, dbh

restituisce l’oggetto DBI che mantiene la connessione alla base di dati e

doTable crea la tabella temporanea utilizzando i comandi SQL contenuti

nella lista ottenuta con il metodo getSQLcommand.

Oltre ad i metodi dedicati alla gestione delle strutture dati interne ci sono i

metodi finalizzati alla creazione dei comandi SQL. Il metodo createTempTable

64


crea la tabella temporanea alla quale vengono aggiunti tutti i genotipi

richiesti attraverso il metodo addAttribute.

Nella sezione 3.4 sono presentati lo schema della base di dati ed una

descrizione dettagliata dell’algoritmo di creazione della tabella temporanea.

4.2.5 Gli altri moduli ed i programmi

Durante la realizzazione del sistema da noi sviluppato abbiamo creato altri

moduli in aggiunta a quelli precedentemente descritti.

Il modulo PDB::myCGI.pm fornisce funzioni per la generazione

automatica del codice HTML contenuto in tutte le pagine Web prodotte

dal sistema come, ad esempio, l’intestazione e la coda delle singole pagine

ed la URI del file CSS che si vuole utilizzare. Un file CSS (Cascading Style

Sheets) permette di definire lo stile (font, colori, spazi, etc) di una pagina

HTML [W3C02a].

Le procedure per creare la maschera in cui inserire “nome utente” e

“password” e per decidere se l’utente puo accedere al sistema sono definite

nel modulo PDB::Utente.pm. Ogni utente puo memorizzare brevi note

all’interno di una tabella della base di dati che viene gestita attraverso le

funzioni del modulo PDB::memo.pm.

Il modulo PDB::myUTL.pm contiene delle funzioni per gestire stringhe ed

array di stringhe. In particolare fornisce una funzione getIDorder che e molto

usata all’interno dei nostri programmi e permette di ordinare un array di

identificatori utilizzando un ordinamento basato sulla semantica della stringa

piuttosto che sull’ordine lessico-grafico. Ad esempio, gli identificatori Vr4.02

65


e Vr41.03 hanno un ordine lessico-grafico Vr4.02 > Vr25.03 mentre hanno

un ordinamento semantico Vr4.02 < Vr25.03. Infatti, gli identificatori

assegnati agli individui sono creati in modo da essere informativi sulla

provenienza di un individuo presente nella base di dati. Ad esempio, un

identificatore Vr4.02 indica l’individuo 2 della famiglia 4 del set di individui

di V r.

Per facilitare lo scambio di dati tra la base di dati ed un file CSV e per

aggiornare in modo automatico una relazione della base di dati con i dati

contenuti in un file (ad esempio, l’inserimento ed aggiornamento delle tabelle

dei fenotipi) utilizziamo le funzioni del modulo PDB::csv.pm. La funzione

csv2pg del modulo permette di importare un file CSV nella base di dati

cercando di assegnare il tipo di dato piu corretto a tutte le colonne del file.

I programmi per l’amministrazione del sistema ed i CGI utilizzano

i moduli che abbiamo presentato per implementare le operazioni basilari

dell’elaborazione. Per i programmi CGI, oltre ai moduli che permettono

di gestire la connessione alla base di dati e l’elaborazione dell’informazione,

utilizziamo i moduli che consentono la creazione del codice HTML prodotto

come risultato. Le operazioni che vengono svolte dai programmi e dai CGI

sono presentate nella sezione 5.1.1.

66

Capitolo 5

L’utilizzo del sistema

Il sistema da noi sviluppato fornisce una serie di strumenti atti alla gestione di

una base di dati contenente dati relativi allo studio delle malattie complesse.

Gli strumenti sono rivolti a due categorie di utilizzatori: l’amministratore di

sistema e gli utenti.

L’amministratore ha il compito di creare lo schema iniziale della base

di dati (tramite uno script SQL), di popolare le tabelle con i dati clinici

degli individui e di garantire il corretto funzionamento del sistema mentre gli

utenti registrati possono inserire i marcatori ed i genotipi degli individui ed

estrarre le informazioni dalla base di dati.

Il sistema viene utilizzato per gestire le basi di dati di due malattie

complesse: l’asma e l’osteoporosi. Lo studio sull’asma consta di informazioni

cliniche e genetiche per un totale di circa 850 individui, mentre per

l’osteoporosi abbiamo informazioni per circa 1700 individui.

67

5 – L’utilizzo del sistema

5.1 Descrizione del sistema

Lo studio delle malattie complesse richiede una prima fase in cui vanno

raccolti informazioni sugli individui, i loro dati clinici ed i loro campioni

di DNA che saranno poi utilizzati per la genotipizzazione. Per condurre uno

studio comparativo occorre raccogliere un gruppo di individui affetti ed un

gruppo di individui sani, mentre per le analisi di linkage occorrono gruppi di

famiglie che presentino individui affetti.

Di solito, i dati degli individui ed i loro caratteri clinici vengono forniti da

laboratori esterni sotto forma di fogli elettronici e necessitano di un lavoro

aggiuntivo per poter essere importati nella base di dati. La sequenza delle

operazioni necessarie per inizializzare la base di dati ed importare i dati

forniti consiste in:

• convertire i fogli elettronici in file di testo CSV. Questa fase, per forza

di cose, richiede un lavoro manuale ed una verifica delle informazioni

disponibili e del processo di conversione.

• assegnare gli identificatori univoci agli individui: ogni identificatore e

composto dall’unione di due o tre informazioni distinte che permettono

di stabilire la provenienza dell’individuo, la famiglia di appartenenza

(se esiste) ed il numero univoco dell’individuo all’interno della famiglia

(individui imparentati) o del gruppo di individui (non imparentati):

– una sigla identifica il laboratorio, la citta o il gruppo a cui

l’individuo e associato

– un codice numerico che identifica la famiglia all’interno del set

68


– il numero univoco dell’individuo all’interno della famiglia

La concatenazione delle tre informazioni genera identificatori della

forma: <stringa><numero famiglia>.<numero individuo> nel caso

di individui imparentati e <stringa><numero individuo> altrimenti.

Ad esempio, un codice Vr2.5 indica l’individuo 5 della famiglia 2

del gruppo di individui di Verona (Vr). L’identificatore viene creato

in modo automatico per mezzo di un programma perl che abbiamo

sviluppato appositamente.

• creare la base di dati e lo schema. Abbiamo sviluppato uno script SQL

che crea tutte le tabelle principali della base di dati e tutti i vincoli

relazionali.

• importare i file CSV nella base di dati. L’operazione viene fatta

utilizzando un nostro programma che crea in automatico una tabella

(con il nome corrispondente al file CSV) nella base di dati cercando di

assegnare a tutti i campi il tipo di dato piu appropriato (Es. int2, int4,

float4, varchar, date, etc.).

• aggiornare la tabelle della base di dati che rappresentano gli individui

(tabelle con prefisso fml) utilizzando i dati importati dai file CSV.

• creare ed aggiornare le tabelle con prefisso “phnt” dove vanno

memorizzati i fenotipi che si hanno a disposizione

• aggiornare le tabelle per l’amministrazione del sistema con l’elenco degli

utenti che sono abilitati all’utilizzo della base di dati

• aggiungere alla tabella fml_conv_all gli identificatori del laboratorio

che compie le genotipizzazioni. Questi identificatori sono forniti dal

69


laboratorio attraverso un foglio elettronico e sono importati nella base

di dati seguendo i passaggi visti nel caso dei fogli elettronici degli

individui.

• creare le tabelle con prefisso chr qualora fossero disponibili dei

marcatori genotipizzati

• creare il profilo che viene utilizzato per l’estrazione dei dati

Terminata la fase di inizializzazione della base di dati, gli utenti possono

iniziare ad inserire i marcatori ed i genotipi degli individui. L’amministratore,

a questo punto, deve solo compiere operazioni di backup (automatizzate) e

di riorganizzazione dei genotipi che vengono completati dal laboratorio (Es.

creazione o aggiornamento di una tabella di tipo “chr”). Nel caso in cui

vengano forniti nuovi gruppi di individui e necessario aggiornare le tabelle

che contengono i dati delle famiglie ed i fenotipi.

5.1.1 L’utilizzo dei programmi

I programmi che abbiamo sviluppato permettono di compiere le operazioni

piu ricorrenti che si incontrano durante la creazione e gestione di una base

di dati per la memorizzazione dei dati sulle malattie complesse:

• creazione e gestione degli utenti che accedono alla base di dati

• inserimento di nuovi individui

• inserimento dei dati clinici

• inserimento, verifica e modifica dei dati genetici

70


• estrazione dei dati nei formati richiesti dai programmi di statistica

• calcolo di una statistica descrittiva sui dati genetici (frequenze alleliche,

genotipiche e test HWE)

I dati modificabili dall’utente riguardano solo la parte genetica poiche le

informazioni riguardanti la struttura della famiglia ed i dati clinici sono

fornite da laboratori esterni e rimangono generalmente invariate nel tempo.

Il sistema utilizza un file XML per salvare le informazioni necessarie per

eseguire la connessione verso la base di dati come:

• IP address del database server

• la login e password per accedere alla base di dati, sconosciuta agli utenti

che utilizzano il nostro sistema

• l’elenco delle patologie studiate. Ogni patologia corrisponde ad una

base di dati

• gli IP address che hanno il permesso di accedere al sistema

In questo modo, i programmi possono accedere ad un qualunque sistema

di basi di dati con una semplice modifica dei parametri contenuti nel file

XML.

L’utilizzo dei programmi CGI

I programmi utilizzabili via Web sono presentati attraverso alcune schermate

che andiamo a visualizzare di seguito. Non esiste un aiuto in linea per

71


l’interfaccia Web in quanto gli utenti che accedono al servizio conoscono la

genetica ed il significato dei campi che devono andare a modificare all’interno

delle pagine.

Un utente che vuole accedere al sistema deve essere autenticato (Fig.

5.1): l’autenticazione avviene in in due fasi che verificano 1) se l’indirizzo

IP dell’utente che vuole accedere al servizio e compreso nell’elenco di quelli

abilitati e 2) se la login e la password memorizzati corrispondono a quelle

inserite dall’utente.

Figura 5.1. La schermata di login.DMIBG: Dipartimento Materno Infantile e di Biologia e Genetica.

La prima schermata presentata all’utente mostra un menu con le

operazioni disponibili (Fig. 5.2):

• inserimento e modifica dei genotipi

• visualizzazione ed estrazione dei dati

• inserimento e modifica dei memo

72


• inserimento di nuovi marcatori

• torna alla pagina di login e scelta di una base di dati

Figura 5.2. Menu di scelta

In figura 5.3 e possibile vedere la schermata utilizzata per inserire un

nuovo marcatore nella base di dati. L’utente deve semplicemente inserire il

nome del marcatore, gli alleli ed il set di individui che intende genotipizzare.

Attualmente e possibile inserire solamente marcatori biallelici, ma una nuova

versione permettera di inserire marcatori con piu alleli.

La schermata per l’inserimento e la modifica dei genotipi (Fig. 5.4) mostra

tutti i marcatori disponibili e le operazioni disponibili su di essi:

• editare i genotipi per un marcatore seguendo il link che ne mostra il

nome

• visualizzare e modificare le informazioni del marcatore premendo il

bottone INFO corrispondente al marcatore

73


Figura 5.3. Pagina per l’inserimento marcatori

• visualizzare una statistica descrittiva per i dati di un marcatore tramite

il link “HWE”.

Selezionando il nome del marcatore viene presentata una pagina che

permette l’inserimento e la modifica dei genotipi (Fig. 5.5). L’utente

puo settare il genotipo degli individui selezionando uno dei bottoni

corrispondenti. I genotipi selezionabili sono creati dinamicamente partendo

dalla lista degli alleli che sono presenti nella tabella web_allele della base

di dati. Questo metodo di inserimento dei genotipi preclude all’operatore

qualunque errore di battitura e velocizza notevolmente il processo di

inserimento in quanto tutte le operazioni sono fatte con il mouse in modo

intuitivo. Gli errori si possono verificare solo per false letture del genotipo o

per la selezione del bottone sbagliato. Tramite le frecce o i link presenti in

fondo alla pagina e possibile selezionare tutti gli individui presenti. Esiste

la possibilita di cambiare il numero di individui visualizzati su ogni pagina

(default=8), di selezionare un marcatore diverso per le modifiche (bottone

’Cambia locus’), di visualizzare la statistica descrittiva e di tornare alla

74


Figura 5.4. Menu dei marcatori

pagina con l’elenco dei marcatori disponibili per l’inserimento dei genotipi.

La pagina che mostra le informazioni dei marcatori (Fig 5.6) contiene

il nome del marcatore, il gene, il cromosoma, i dati di laboratorio

sull’esperimento, un memo per la memorizzazione di informazioni aggiuntive

e la login dell’utente che ha inserito i dati del marcatore. Se l’utente che

accede alla pagina ha il permesso per modificare i dati del marcatore allora

puo utilizzare una FORM HTML per eseguire l’operazione di aggiornamento.

La pagina relativa alla statistica descrittiva di un marcatore mostra le

frequenze di tutti gli alleli nel set, le frequenze dei genotipi e l’output

75


Figura 5.5. Modifica dei genotipi di un marcatore

del programma hwe [Ott95] che esegue una comparazione tra le frequenze

genotipiche osservate del set e quelle attese.

La pagina che permette di leggere i memo degli utenti (Fig. 5.8) contiene

delle note inserite dagli utenti o dall’amministratore.

E possibile accedere alla pagina di modifica (Fig. 5.9) o rimozione di

un messaggio se questo e stato creato dall’utente corrente. La rimozione di

un messaggio avviene immediatamente dopo la richiesta e senza avvisi da

parte del sistema. Ogni utente puo decidere di inserire un nuovo messaggio

tramite la stessa FORM che permette la modifica del messaggio (Fig. 5.9).

La login dell’utente e la data di inserimento sono inserite automaticamente

dal sistema.

76


Figura 5.6. Informazioni dei marcatori

La pagina per la selezione dei dati (Fig. 5.10) visualizza una FORM che

contiene tutti gli attributi selezionabili dall’utente con le opzioni consentite.

Per velocizzare la scelta degli attributi e possibile selezionare una intera

tabella marcando il bottone Seleziona tabella.

Nelle Figure 5.10 e 5.11 e possibile osservare la disposizione degli attributi

al variare del profilo scelto dall’utente.

Scorrendo la pagina vengono visualizzate le opzioni applicabili alla

selezione degli attributi precedentemente scelti. Ogni FORM compilata puo

essere salvata con un nome per consentire all’utente di riselezionare gli stessi

attributi in un secondo momento (Fig. 5.12); il salvataggio evita un dispendio

di tempo nel caso di selezioni utilizzate frequentemente che coinvolgono molti

attributi.

77


Figura 5.7. Statistica descrittiva di un marcatore

L’utente puo scegliere quale gruppo di individui utilizzare marcando uno

dei bottoni indicati nella sezione Estrazione dei soggetti (Fig. 5.12): dove

e disponibile un gruppo di clausole WHERE predefinite che permettono di

eseguire le selezioni piu frequenti (Es. selezionare solo le famiglie, selezionare

solo i probandi, etc.).

La scelta della modalita di visualizzazione (Fig. 5.12) che viene utilizzata

per mostrare i risultati permette di decidere il separatore che viene utilizzato

nel file CSV (punto e virgola, spazio, tabulatore o virgola) ed un carattere

particolare che rappresenta il valore nullo (carattere vuoto, x, 0, -9999).

Abbiamo rivolto particolare attenzione alla modalita di estrazione dei

78


Figura 5.8. Lettura dei memo

genotipi in quanto i diversi programmi di elaborazione statistica utilizzano

metodologie diverse per la loro codifica. Selezionando opportunamente

i bottoni della FORM e possibile ottenere le diverse rappresentazioni

disponibili per i genotipi (Sez. 4.2.2 pag. 57).

Quando l’utente ha settato tutti i parametri desiderati puo scegliere uno

dei formati disponibili per la selezione: se visualizzare o scaricare il file CSV

risultante (Fig. 5.13) o se scaricare un foglio di MS Excel zippato (utile per

importare i dati nei programmi statistici di MS Windows).

79


Figura 5.9. Modifica o inserimento dei memo

I programmi per l’amministrazione del sistema

I programmi utilizzati dall’amministratore in genere sono degli script

costruiti utilizzando i metodi e le funzioni disponibili sui moduli da noi

sviluppati. Il nome di tutti i programmi ha un prefisso DB- per meglio

identificarli. Di seguito, presentiamo una panoramica che mostra quali

operazioni sono permesse.

DB-utenti-crea: crea un utente all’interno della base di dati

DB-utenti-permessi: setta il permesso di lettura o scrittura su un

attributo di una tabella.

DB-comando: Si connette al sistema di basi di dati, esegue la query

SQL data in input e restituisce il file CSV corrispondente.

80


Figura 5.10. Selezione dei campi con profilo ”default”

DB-dbest: Consente di estrarre automaticamente dalla base di dati

una tabella contenente tutti i fenotipi (la vista fenotipi) piu tutti i

genotipi che si trovano su una tabella della base di dati.

DB-csv2pg: Permette di creare nella base di dati una tabella

equivalente ad un file CSV. Lo script riesce riconoscere il tipo di dato

piu appropriato per le colonne processando tutti i campi del file (int2,

int4, float4, varchar(), etc.).

DB-csv2xls: Converte un file CSV in un file di MS Excel.

DB-tabella: Estrae una tabella dalla base di dati in formato CSV.

81


Figura 5.11. Selezione dei campi con profilo ”vania”

DB-profilo-getcampi: Produce un file corrispondente ad un profilo

che contiene la lista di tutti i campi presenti nella base di dati.

Le tabelle da processare sono quelle memorizzate sulla tabelle

web_vedi_tabella.

DB-profilo-getfile: prende in input la stringa di un profilo e produce

il file corrispondente.

DB-profilo-getprofilo: produce la stringa di un profilo utilizzando il

file di testo corrispondente.

DB-confronta: confronta gli attributi comuni di due tabelle della base

di dati e mostra le differenze.

82


Figura 5.12. Opzioni utilizzabili durante la selezione

DB-frequenze-hwe: Produce la statistica descrittiva per un

marcatore della base di dati.

DB-settaGeneticaDaGenitori: La presenza di un allele con

frequenza molto maggiore degli altri in un marcatore porta ad avere

molti individui omozigoti. L’individuo omozigote puo trasmettere un

solo allele al figlio (ha due alleli uguali per quel marcatore) per cui,

se entrambi i genitori sono omozigoti, non e necessario genotipizzare i

figli per conoscere il genotipo. Lo script permette di processare un file

CSV contenente la struttura della famiglia ed un marcatore e di definire

automaticamente il genotipo dei figli che hanno i genitori omozigoti.

83


Figura 5.13. Risultato della selezione

DB-backup: crea il backup di una base di dati. Il nome del file

ha sempre la data per poter mantenere una cronologia ed evitare

sovrascritture di vecchi backup.

DB-backup-script: crea un archivio contenente tutti gli script, i

moduli ed i CGI sviluppati. Il nome del file ha sempre la data per poter

mantenere una cronologia ed evitare sovrascritture di vecchi backup.

84


5.2 Applicazione del sistema: Asma

L’asma viene definita come una malattia respiratoria cronica di tipo

infiammatorio dovuto ad ampie variazioni, per brevi periodi di tempo, della

resistenza al flusso nelle vie aeree intrapolmonari. Dal punto di vista clinico

e caratterizzata da crisi ricorrenti di tosse, dispnea, respiro sibilante e senso

di costrizione toracica. Il fenotipo asma viene individuato in vari modi, quali

i sintomi, o misure obiettive, quali l’iperreattivita bronchiale (BHR), i livelli

sierici di IgE o entrambi. Di solito e associata ad allergia (da ’allos’ che

significa diverso e da ’ergon’, effetto), ma puo anche essere causata da fattori

emotivi, fisici, chimici e genetici. Quando si parla di allergia si intende la

reattivita spontanea ed esagerata dell’organismo dell’individuo allergico a

particolari sostanze, che risultano invece innocue nell’80% della popolazione.

Gli allergeni hanno la particolarita di sviluppare il sistema immunitario

mediante la produzione di una classe di anticorpi: le immunoglobuline di tipo

E (IgE). Segue che gli individui allergici presentano un numero maggiore di

IgE. Gli allergeni piu comuni sono quelli stagionali primaverili, i pollini, e

quelli contenuti nelle polveri di casa (gli acari) [HCH+99].

I probandi raccolti per il nostro studio hanno asma allergico e provengono

da due laboratori distinti (Verona e Bolzano). La raccolta dei dati clinici ha

fornito, per tutti gli individui, informazioni su BHR, IgE e sulle allergie piu

comuni (polveri, animali piante, etc.).

La dimensione dei dati memorizzati all’interno della base di dati e:

• individui ∼ 850

• fenotipi ∼ 20

85


• geni e cromosomi candidati ∼ 120 marcatori. Ad esempio:

– gene cd14 su cromosoma 5

– gene cftr su cromosoma 7

– gene il11 su cromosoma 19

– marcatori sui cromosomi 7, 12, 14 e chr19

• scansione genomica ∼ 400 marcatori

Le informazioni raccolte sono memorizzate in una base di dati di nome

asma: le tabelle presenti sono quelle gia viste nella presentazione del modello

relazionale (Sez. 3.2 pag 29), piu le tabelle che memorizzano fenotipi e

genotipi.

Abbiamo creato quattro tabelle di tipo “phnt”:

phnt asma(id, asma)

phnt ige(id, ige)

phnt bhr(id, bhr orig, val, cat)

phnt prick(id, prick, spt, epiteli, dfdp, gram, erbe, alberi)

phnt rinite(id, rinite)

Le tabelle rappresentano i fenotipi “asma”, “BHR”, “IgE” e i valori

qualitativi di alcuni tipi di allergia. Per ottenere il fenotipo qualitativo di

BHR ed IgE abbiamo creato le funzioni getbhr e getige.

La funzione getbhr seleziona il valore qualitativo di BHR utilizzando tre

parametri: il valore fornito di BHR, il tipo di valore e la soglia. Abbiamo

86


bisogno del tipo di valore in quanto i laboratori che hanno fornito la

clinica utilizzano dei valori non numerici per indicare i casi piu gravi (con

tipovalore = 1) o evidentemente sani (con tipovalore = 2). I valori numerici

esatti hanno sempre tipovalore = 10.

CREATE FUNCTION "getbhr" (real,smallint,smallint)

RETURNS integer AS

’select CASE

WHEN ($2 = 1) THEN 1

WHEN ($2 = 2) THEN 2

WHEN ($2 = 10) THEN

CASE WHEN ($1 < $3) THEN 2

ELSE 1 END

ELSE 0 END;’

LANGUAGE ’sql’;

La funzione getige seleziona il valore qualitativo delle IgE utilizzando

l’eta ed il valore clinico di un individuo. Per valori di Ige > 200 l’individuo

e marcato affetto senza ulteriori verifiche.

CREATE FUNCTION "getige" (smallint,real) RETURNS integer AS

’select CASE

WHEN $2 < 0 OR $2 = NULL THEN 0

WHEN $2 >= 200 THEN 2

ELSE CASE

WHEN $1 = 0 AND $2 >= 20 THEN 2

WHEN $1 = 1 AND $2 >= 50 THEN 2

WHEN $1 = 2 AND $2 >= 60 THEN 2

87


WHEN $1 = 3 AND $2 >= 85 THEN 2

WHEN ($1 = 4 OR $1 = 5) AND $2 >= 130 THEN 2

WHEN ($1 = 6 OR $1 = 7) AND $2 >= 160 THEN 2

WHEN ($1 = 8 OR $1 = 9) AND $2 >= 180 THEN 2

ELSE 1 END

END;’

LANGUAGE ’sql’;

Il nostro laboratorio ha genotipizzato gli individui disponibili per dei

marcatori presenti in diversi cromosomi. Ogni tabella di tipo “chr”

che abbiamo creato memorizza i marcatori che appartengono ad singolo

cromosoma. I cromosomi per i quali abbiamo dei marcatori genotipizzati

sono il 5, 6, 7, 11, 12, 14, 16, 19 e sono memorizzati nelle tabelle chr5, chr6,

chr7, chr11, chr12, chr14, chr16 e chr19 rispettivamente.

Inoltre, e stato incaricato un laboratorio specializzato per eseguire una

scansione genomica. I risultati della scansione ci sono pervenuti in formato

MS Excel e di testo CSV. Per ogni cromosoma abbiamo importato il file

CSV corrispondente nella base di dati assegnando il prefisso chrsg (chrsg01,

chrsg02,...,chrsg22, chrsgx ) ad ognuna delle tabelle create. Il prefisso indica

le tabelle di tipo “chr” relative alla scansione genomica (sg).

5.3 Applicazione del sistema: Osteoporosi

L’osteoporosi, letteralmente osso poroso, e una malattia caratterizzata

da una diminuzione della componente proteica e minerale dell’osso, con

conseguente alterazione della microstruttura dello scheletro. Questa

88


condizione comporta una maggiore suscettibilita alle fratture, anche per

microtraumi [sum98][PTEF02].

L’osteoporosi e condizionata da numerosi fattori e da concause non

completamente conosciute. Alcuni fattori di rischio sono genetici: tra questi,

il piu rilevante e il sesso femminile. L’osteoporosi interessa la donna con un

rapporto 8 a 2 nei confronti dell’uomo; la donna ha in effetti un apparato

scheletrico meno robusto di quello maschile, e esposta alla perdita accelerata

di minerale dopo la menopausa, ed inoltre vive piu a lungo (l’eta infatti puo

essere considerata di per se un fattore di rischio). Altri fattori di rischio

riconosciuti per ambedue i sessi sono la taglia corporea ridotta, la razza ed il

rischio legato alla storia familiare. Alcuni fattori di rischio sono dipendenti

da abitudini di vita e nutrizionali, e sono quindi modificabili, oppure sono in

rapporto a patologie concomitanti o ad assunzioni di determinati farmaci.

Tra le abitudini che possono predisporre all’osteoporosi vanno incluse il

fumo (anticipa l’eta della menopausa), l’eccessivo consumo di alcolici (causa

di malnutrizione e di compromissione dell’equilibrio) e la vita sedentaria

(riducendosi le forze muscolari applicate all’osso, lo scheletro riduce la sua

mineralizzazione come risposta di adattamento). Tra i fattori nutrizionali si

possono includere le diete sbilanciate povere di sali minerali, l’assunzione di

calcio non adeguata alle richieste, la dieta prevalentemente carnea (l’eccesso

di proteine induce perdita di calcio con le urine) [sum98][PTEF02].

La diagnosi di osteoporosi si basa inizialmente su esami clinici. Per

la diagnosi definitiva si ricorre alla densitometria (o mineralometria) ossea

computerizzata, un esame strumentale che misura la densita minerale ossea

(BMD o Bone Mineral Density). Per convenzione internazionale, si ha

osteoporosi quando la BMD e inferiore di oltre 2.5 volte rispetto al valore

89


medio di un giovane adulto (Tscore < −2.5DS). L’esame riporta sempre

la BMD e, quasi sempre, lo scostamento rispetto alla media dei soggetti

della stessa eta del paziente (Z score) o dei soggetti giovani (T score)

[sum98][PTEF02].

Gli individui raccolti per il nostro studio hanno La raccolta dei dati clinici

ha fornito, per tutti gli individui, informazioni su BHR, IgE e sulle allergie

piu comuni (polveri, animali piante, etc.).

La dimensione dei dati memorizzati all’interno della base di dati e:

• individui ∼ 1700

• fenotipi ∼ 70

• geni e cromosomi candidati ∼ 15 marcatori. Ad esempio:

– gene APO-E su cromosoma 19

Le informazioni raccolte sono memorizzate in una base di dati di nome

osteo. Oltre alle tabelle standard gia viste nella presentazione del modello

relazionale (Sez. 3.2 pag. 29), abbiamo le tabelle che memorizzano fenotipi

e genotipi.

Il laboratorio che ha raccolto gli individui ci ha fornito i dati degli

individui ed dei fenotipi tramite un unico file di MS Excel contenente

tutti i campi. La tabella phnt fenotipi contiene i fenotipi disponibili che

riguardano i dati clinici degli individui ed i risultati della densitometria sugli

individui.

I tecnici specializzati di laboratorio utilizzano i codici riportati sui

90


campioni di DNA per identificare gli individui. I codici sono diversi da quelli

standard della base di dati e sono memorizzati nella tabella fml_conv_all

per mantenere una corrispondenza tra i codici degli individui.

I marcatori che abbiamo genotipizzato per gli individui sono localizzati

sui cromosomi 6, 7, 11, 17 e 19 e sono memorizzati sulle tabelle chr6, chr7,

chr11, chr17 e chr19 rispettivamente.

Gli individui presenti nella base di dati osteo sono divisi in tre gruppi

per poter condurre diverse tipologie di studio. Abbiamo un gruppo di

famiglie, uno di maschi unrelated (non imparentati) ed un gruppo di femmine

unrelated. Le procedure di estrazione dati consentono di estrarre solo gli

individui del gruppo desiderato per mezzo delle clausole WHERE che abbiamo

definito.

91


5.4 Sviluppi futuri

Gli studi condotti nel laboratorio della sezione di Biologia e Genetica sono

molto diversificati e, per poter garantire un sistema adatto alle esigenze

dei ricercatori, sono necessari continui aggiornamenti atti a migliorare le

prestazioni, offrire nuove funzionalita o rimuovere eventuali errori.

Per esempio, gli studi longitudinali richiedono che i principali caratteri

fenotipici correlati con una patologia vengano rilevati piu volte ad intervalli

di tempo successivi al fine di individuare fattori genetici legati con una

manifestazione piu o meno grave della patologia stessa. Modificare il

sistema per consentire la memorizzazione ed il successivo utilizzo di queste

informazioni richiedera, da una parte, l’aggiunta di nuove tabelle nella base di

dati e, dall’altra, un nuovo sistema di estrazione ed analisi delle informazioni.

Attualmente stiamo lavorando allo sviluppo di un programma per la

categorizzazione automatica degli alleli [MSX+02]: questo deve processare

i file generati dal sequenziatore di DNA e, attraverso metodi probabilistici,

definire dei valori di aggiustamento per gli alleli. Inoltre si vuole verificare

la correttezza dei risultati utilizzando le informazioni sulla struttura delle

famiglie: se la segregazione degli alleli all’interno di una famiglia e errata, e

molto probabile (se si scartano ipotesi di false paternita) che uno o piu valori

di aggiustamento, che sono stati assegnati dal programma agli alleli, siano

errati.

Nello stato attuale del sistema non e possibile eseguire alcune operazioni

via Web. Ad esempio, manca una interfaccia che permetta l’aggiunta e

la rimozione degli utenti e la gestione delle operazioni a loro consentite

92


all’interno del sistema. Inoltre, l’interfaccia che gestisce l’estrazione dei dati

dalla base di dati dovrebbe permettere agli utenti di compiere direttamente

alcune operazioni aggiuntive tipo il check mendeliano della segregazione o

una analisi statistica sui risultati prodotti. Per ottenere questo risultato

stiamo valutando la possibilita di utilizzare un programma per la statistica

computazionale come R [GI97], uno strumento programmabile che dispone

di un suo linguaggio specifico.

Una delle difficolta che si incontrano durante lo sviluppo di programmi

CGI deriva dalla necessita di scrivere codice perl che, oltre a produrre dati

richiesti, produca il codice HTML. Per rendere piu agevole la realizzazione

ed il mantenimento dei programmi CGI esistono dei moduli creati

appositamente con lo scopo di separare la parte algoritmica vera e propria

dal codice HTML tra cui: CGI::Application [Erl00] e HTML::Template

[Tre00] [Erl01]. Il modulo CGI::Application si appoggia al modulo standard

CGI e consente di sviluppare uno script CGI minimale che utilizza un

modulo contenente tutte le funzioni necessarie per la creazione di ogni

pagina generata [Erl00]. Per ogni pagina Web esiste un template che

viene processato con i metodi di HTML::Template per generare la pagina

definitiva che presenta i dati desiderati. Il sistema proposto consentirebbe di

modificare l’aspetto grafico delle pagine senza andare a toccare gli algoritmi

e di modificare l’algoritmo senza preoccuparsi dell’aspetto grafico.

93

Capitolo 6

Conclusioni

Il sistema che abbiamo proposto permette di trattare efficientemente tutte

le informazioni necessarie durante lo studio di una malattia complessa ed

e disegnato per integrare dati clinici e genetici in modo efficiente. Le

informazioni possono essere rappresentate in una varieta di formati (file

di testo CSV o di MS Excel) compatibili con i programmi di elaborazione

statistica.

Il sistema e modulare, espandibile ed adattabile allo studio di piu

patologie. E costituito da una serie di strumenti software creati per gestire

una base di dati relazionale per facilitare le interrogazioni complesse ed

il controllo sui dati memorizzati. Dopo una prima fase di preparazione

della base di dati (fenotipi e struttura delle famiglie), tutte le operazioni

piu frequenti sono svolte per mezzo di una interfaccia Web che permette di

utilizzare una interfaccia grafica sviluppata ad hoc su qualunque piattaforma

hardware e software che disponga di un Web browser e di una connessione

ad Internet.

94

6 – Conclusioni

Il confronto tra il nostro sistema e gli strumenti presentati in precedenza

(2.9.1, 2.9.2 e 2.9.3) mette in risalto alcune differenze. In primo luogo,

possiamo osservare che, mentre noi utilizziamo esclusivamente software Open

Source per lo sviluppo dei nostri programmi, tutti gli altri sistemi si servono

di software proprietario. Nel nostro caso la scelta di utilizzare software Open

Source non ha ristretto le possibilita di sviluppo portando, al contrario, alcuni

benefici:

1. Costi: tutto il software e la documentazione necessaria sono disponibili

liberamente in Internet e non richiedono licenze (spesso costose) con il

vantaggio di poter stanziare la quasi totalita dei fondi sulla ricerca di

laboratorio.

2. Flessibilita: Il sistema consente l’aggiunta di nuove caratteristiche

senza modificare la struttura attuale in quanto - a meno di modifiche

allo schema della base di dati - e sufficiente implementare le funzioni

necessarie in un modulo che puo essere richiamato all’interno dei

programmi (amministrazione del sistema e CGI ).

3. Disponibilita del software: E sufficiente installare una distribuzione

GNU/Linux per poter far funzionare correttamente il nostro

sistema. Attualmente stiamo utilizzando una distribuzione Debian

GNU/Linux 3.0 ma i pacchetti che abbiamo installato sono

disponibili anche su altre distribuzioni come, ad esempio, Mandrake

(http://www.mandrake.com) o Red-Hat (http://www.redhat.com).

4. Mantenimento: e sempre possibile aggiornare gli strumenti necessari

al funzionamento del sistema nel momento in cui sono disponibili nuove

versioni dei pacchetti o della distribuzione completa.

95

6 – Conclusioni

5. Portabilita: il sistema puo essere installato su qualunque Sistema

Operativo (e piattaforma Hardware) per il quale siano disponibili il

Web server Apache, il RDBMS PostgreSQL ed il linguaggio Perl.

Alcune operazioni che si possono compiere utilizzando gli altri sistemi che

abbiamo visto sono mancanti in quanto o sono in fase di realizzazione (ad

esempio, la categorizzazione automatica degli alleli [MSX+02]) o non sono

strettamente necessarie per il nostro laboratorio (ad esempio, una interfaccia

Web per inserire i fenotipi). Al contrario, alcune funzionalita del sistema che

abbiamo proposto non trovano corrispondenze, come:

• la possibilita di definire “profili” personalizzati per tutti gli utenti del

nostro sistema;

• l’estrazione dei dati in diversi formati compatibili con i programmi di

elaborazione statistica;

• la generazione di una statistica descrittiva in cui sono descritte le

frequenze alleliche e genotipiche degli individui ed il risultato del test

di Hardy-Weinberg.

I due punti su cui abbiamo focalizzato maggiormente il nostro lavoro

sono le interfacce per l’inserimento delle informazioni sui genotipi e per

l’estrazione dei dati. Abbiamo cercato di fornire degli strumenti che fossero

allo stesso tempo efficienti e facili da utilizzare nel lavoro quotidiano del

genetista umano.

96

Bibliografia

[ACCC02] G.R. Abecasis, S.S. Cherny, W.O. Cookson e L.R. Cardon.

“Merlin-rapid analysis of dense genetic maps using sparse

gene flow trees”. Nat Genet , vol. 30: pp. 97–101 (2002).

[ACPT99] P. Atzeni, S. Ceri, S. Paraboschi e R. Torlone. Basi di dati:

concetti, linguaggi e architetture. McGraw-Hill Italia (1999).

[Bioa] Applied Biosystems. “Genescan analysis software”.

http://www.appliedbiosystems.com/.

[Biob] Applied Biosystems. “Genotyper software”.

http://www.appliedbiosystems.com/.

[BLC+01] Franca Dagna Bricarelli, Faustina Lalatta, Romeo Carrozzo,

Mario Lituania, Simona Cavani e Umberto Nicolini. Filo

diretto con le malattie genetiche, volume 2 . UTET (2001).

[Bun02] Tim Bunce. “Dbi - database independent interface for perl”

(1994-2002).

[Cor02] Microsoft Corporation. “Active server pages (asp)” (2002).

http://www.asp.net/.

97

BIBLIOGRAFIA

[DB00] Alligator Descartes e Tim Bunce. Programming the Perl

DBI . O’Reilly & Associates, Inc. (Feb 2000).

[Erl00] Jesse Erlbaum. “Cgi::application” (2000).

http://www.cpan.org/authors/id/J/JE/JERLBAUM/.

[Erl01] Jesse Erlbaum. “Using cgi::application” (may 2001).

http://www.perl.com/lpt/a/2001/06/05/cgi.html.

[Fou01] Apache Software Foundation. “Php” (2001-2001).

http://www.php.net/.

[Fou02] The Apache Software Foundation. “Apache” (1999-2002).

http://httpd.apache.org/.

[GGB00] Scott Guelich, Shishir Gundavaram e Gunther Birznieks.

CGI Programming with Perl . O’Reilly & Associates (2000).

[GI97] Robert Gentleman e Ross Ihaka. “The r project for statistical

computing” (1997).

http://www.r-project.org/.

[Gro97] John Groenveld. “Apache and perl, an alternative

architecture to oracle webserver” (Apr 1997).

http://www.cse.psu.edu/∼groenvel/ECO97/.

[GS01] GlaxoSmithKline e SIGU. Incontri 2 - Farmaci e genoma.

GlaxoSmithKline e Societa Italiana di Genetica Umana

(2001).

[GS02] GlaxoSmithKline e SIGU. Incontri 3 - Dalla Ricerca

Genetica alla pratica clinica. GlaxoSmithKline e Societa

Italiana di Genetica Umana (2002).

98

BIBLIOGRAFIA

[GT92] S.W. Guo e E.A. Thompson. “Performing the exact test of

hardy-weinberg proportion for multiple alleles”. Biometrics ,

vol. 48: pp. 361–372 (1992).

[HCH+99] S.T. Holgate, W. Cookson, P.G. Holt, C. Macaubas, P.A.

Stumbles, P.D. Sly, D.B. Corry, F. Kheradmand, Turner H.,

Kinet J.P. e Barnes P.J. Allergy and Asthma. Nature Suppl

(1999).

[IDoMotCK00] platforms Bioinformatics I. Department of Medicine of the

CAU Kiel. “Mfg tools, genotyping lab software” (2000).

http://www.mucosa.de/.

[Inc03] The MathWorks Inc. “Excel link for use with matlab”

(2003).

http://www.mathworks.com/access/helpdesk/

help/pdf doc/exlink/exlink.pdf.

[KDRDL96] L. Kruglyak, M.J. Daly, M.P. Reeve-Daly e E.S. Lander.

“Parametric and nonparametric linkage analysis: A unified

multipoint approach and nonparametric linkage analysis: A

unified multipoint approach”. American Journal of Human

Genetics , vol. 58: pp. 1347–1363 (jun 1996).

[Lan97] Kenneth Lange. Mathematical and Statistical Methods for

Genetic Analysis . Springer Verlag (1997).

[Lar99] Alexander Larsson. “Dia - a diagram drawing program”

(1999).

[LDL+01] Jin-Long Li, Hongyi Deng, Dong-Bing Lai, Fuhua Xu,

Jian Chen, Guimin Gao, Robert R. Recker e Hong-Wen

99

BIBLIOGRAFIA

Deng. “Toward high-throughput genotyping: dynamic and

automatic software for manipulating large-scale genotype

data using fluorescently labeled dinucleotide markers”.

Genome Res., vol. 11(7): pp. 1304–1314 (jul 2001).

[Lin02] D. Stein Lincoln. “Cgi - simple common gateway interface

class” (1995-2002).

[Mac96] Doug MacEachern. “mod perl” (1996).

http://perl.apache.org/.

[McL02] Grant McLean. “Xml::simple - easy api to read/write xml”

(1999-2002).

[McN02] John McNamara. “Spreadsheet::writeexcel - write to a cross-

platform excel binary file” (2000-2002).

[Mer01] Edmund Mergl. “Apache::dbi - initiate a persistent database

connection” (2001).

[Mom03] Bruce Momjian. “Postgresql hardware performance tuning”

(2003).

http://www.ca.postgresql.org/docs/

momjian/hw performance/.

[MSX+02] Giovanni Malerba, Antonella Sangalli, Luciano Xumerle,

Monica Mottes e Pier Franco Pignatti. “Studio di procedure

per l’aggiustamento delle genotipizzazioni condotte su un

elevato numero di famiglie”. Rap. tecn., V Congresso

Nazionale S.I.G.U. (2002).

100

BIBLIOGRAFIA

[MTK+98] F.J. McMahon, C.J. Thomas, R.J. Koskela, T.S. Breschel,

T.C. Hightower, N. Rohrer, C. Savino, M.G. McInnis,

S.G. Simpson e J.R. DePaulo. “Integrating clinical and

laboratory data in genetic studies of complex phenotypes: a

network-based data management system”. Am J Med Genet ,

vol. 81(3): pp. 248–256 (1998).

[MXP03] Giovanni Malerba, Luciano Xumerle e Pier Franco Pignatti.

“Il test dell’equilibrio di hardy-weinberg in situazioni

scomode”. Rap. tecn., VI Congresso Nazionale S.I.G.U.

(2003).

[Ott95] Jurg Ott. “Hwe program” (1995).

http://linkage.rockefeller.edu/soft/linkutil/.

[Ott99] Jurg Ott. Analysis of Human Genetic Linkage. Johns

Hopkins Univ Pr (1999).

[OW98] Jeffrey R. O’Connell e Daniel E. Weeks. “Pedcheck:

A program for identification of genotype incompatibilities

in linkage analysis”. Am J. Hum. Genet., vol. 63(1):

pp. 259–266 (jul 1998).

[Per] “Perl modules”.

http://www.cpan.org/modules/.

[pos] “Postgresql - a sophisticated object-relational dbms”.

http://www.postgresql.org/.

[PTEF02] Munro Peacock, Charles H. Turner, Michael J. Econs e

Tatiana Foroud. “Genetics of osteoporosis”. Endocrine

Reviews , vol. 3(23): pp. 303–326 (jun 2002).

101

BIBLIOGRAFIA

[RBK94] G.A. Rohrer, D.W. Behrens e J.W. Keele. “A simplified

procedure for entry of raw genotypic data”. J Comput Biol ,

vol. 1(2): pp. 111–119 (1994).

[Ris00] N.J. Risch. “Searching for genetic determinants in the new

millennium”. Nature, (405): pp. 847–856 (jun 2000).

[SGML92] David T. Suzuki, Anthony J. F. Griffiths, Jeffrey H. Miller e

Richard C. Lewontin. Genetica, principi di analisi formale.

Zanichelli (1992).

[SM02a] Inc. Sun Microsystems. “Java servlet technology” (1995-

2002).

http://java.sun.com/products/servlet/.

[SM02b] Inc. Sun Microsystems. “Javaserver pages (jsp)” (1995-

2002).

http://java.sun.com/products/jsp/.

[SR99] Tom Strachan e Andrew P. Read. Human Molecular

Genetics, 2nd Edition. BIOS Scientific Publishers (1999).

[sum98] Executive summary. “Osteoporosis: review of the

evidence for prevention, diagnosis and treatment and

cost-effectiveness analysis”. Osteoporosis Int., vol. 8(4):

pp. S3–S6 (jun 1998).

[Tay99] Rod Taylor. “Postgres auto-doc” (1999).

[Tre00] Sam Tregar. “Html::template” (2000).

http://html-template.sourceforge.net.

102

BIBLIOGRAFIA

[W3C02a] W3C. “Cascading style sheets (css)” (1996-2002).

http://www.w3.org/Style/CSS/.

[W3C02b] W3C. “Extensible markup language (xml)” (1996-2002).

http://www.w3.org/XML/.

[Wal] Larry Wall. “perl - practical extraction and report

language”.

http://www.perl.org/.

[Wal02] Larry Wall. “Embperl” (1993-2002).

http://www.perldoc.com/.

103

Un Sistema per la Gestione dell’Informazione nella Attivit...

Documents

Transcript of Un Sistema per la Gestione dell’Informazione nella Attivit...