数据驱动的科学工作流及其在生物医学中的应用实践-数字图书馆论坛.pdf

知识组织 数据驱动的科学工作流及其在 生物医学中的应用实践* □ 洪娜 钱庆 方安 吴思竹 杨林 / 中国医学科学院医学信息研究所 北京 100020 摘要：E-Science 关注数字环境下的科研活动，然而随着生物医学大数据的爆发，数据密集型科学研究为 e-Science带来了新的挑战。科学工作流通过形式化科学计算的流程，支持在一个专门的程序环境下自动协调 多任务多步骤的处理，从而减少科研投入，提高科研效率。文章首先归纳并总结了科学工作流的相关定义，然 后分析了当前主流的科学工作流系统，提出科学工作流处理如何应对密集的生物医学数据，并基于Taverna开 展了生物医学领域的科学工作流实验。最后总结了科学工作流当前的研究现状和存在的一些问题。 关键字：科学工作流，e-Science ，数据密集，共享工作流，Taverna DOI ：10.3772/j .issn .1673—2286.2014.03.004 1 引言 2 科学工作流系统研究现状 作为继理论和实验之后的第三种科研手段，科学 科学求解过程的特殊环境和独特需求，使得科学 计算已经在科研领域中发挥着非常重要且不可替代的 工作流和一般事物型工作流在关键技术方面存在着明 [1] 作用 。科学计算通常需要组合涉及多个专业和领域的 显的不同。科学工作流通过对复杂应用程序及各程序 成千上万的仪器设备、应用程序、科研人员等对海量数 间的数据依赖关系进行组合，并控制各部分在时间、空 据进行存储、查询、移动、处理、分析与可视化等操作，进 间以及资源等约束条件下按序完成，为科学家进行科 而帮助科学家进行科学发现。如此复杂的计算流程和 学数据管理、分析、仿真和可视化等提供流程组合和自 协同共享对目前的科研工作环境和科学计算支持工作 动化运行的管理平台，已经成为复杂科学计算流程管 平台提出了严峻的挑战。 理的必要手段，有效推动了科学研究的进展。在科学工 科学工作流是指以数据驱动，面向科学实验过程 作流的研究和发展历程中，多个大型的科研组织针对 的工作流。针对科学工作流，不同研究人员从不同的角 各自需求及研究背景建设了面向不同应用的科学工作 [1] 度给出了不同的定义：在第四范式背景下 ，C. Goble 流系统，其中比较著名的有Taverna、Pegasu s、Triana、 等人认为，“科学工作流是科研过程的精确描述，它包 Kepler、KN IME 、GridFlow、ICEN I等。 含一个能够协调多任务的多步骤处理过程，就像一个 [2] 复杂的脚本”。M . P. Singh等人则认为 “科学工作流 2.1 Taverna 是描述求解科学问题中的一系列结构化活动和计算过 [3] [4] 程”；B. Ludascher等人将科学工作流定义为 “是完成 Taver n a 是在英国e - Scien ce研究框架下启动的 一个科学目标的过程的形式化描述，过程表示了计算任 项目my Gr id 中的一个子项目。my Gr id主要为生物学和 务及任务间的依赖关系”。 生物信息学领域的in silico实验进行开发，该实验的目 * 本文系国家 “十二五”科技支撑计划项 目课题 “科技知识组织体 系共享服务平台建设” （编号：2011BAHl0B03）、国家社会科学基金项 目 “关联数据中潜在知识关联的发现方法研究” （编号：11CTQ016）和中央级公益性科研院所基本科研业务费课题 “面向大数据的医学科研支 撑环境建设初步研究” （编号：13R0102）的研究成果之一。 年第