Después de la conclusión del Proyecto Genoma Humano, la proliferación de recursos bioinformáticos en los últimos años obliga a los investigadores a tener que dedicar buena parte de su tiempo a buscar estos recursos en la red. El Grupo de Informática Biomédica (GIB) de la Facultad de Informática de la Universidad Politécnica de Madrid (UPM) ha desarrollado una innovadora metodología que, por primera vez, permite el descubrimiento y clasificación automática de recursos bioinformáticos a partir de artículos científicos.

En la actualidad existen numerosos recursos bioinformáticos on-line disponibles para toda la comunidad científica. Este número sigue creciendo exponencialmente día tras día. En la investigación biomédica, cada vez es más frecuente que los recursos generados por los investigadores -bases de datos, software, recursos de varios tipos- se pongan a disposición de toda la comunidad científica para así acelerar el avance científico. Descubrir, localizar y aprender cómo usar nuevas aplicaciones supone un coste-sobre todo en términos de tiempo-que la gran mayoría de investigadores no pueden asumir. Por ello surge la necesidad de organizar los recursos existentes para facilitar lo más posible estas tareas de búsqueda. Un equipo de investigadores del GIB de la Facultad de Informática de la UPM (Guillermo de la Calle, Miguel García-Remesal, Diana de la Iglesia y Stefano Chiesa), dirigidos por el catedrático Víctor Maojo, ha desarrollado una innovadora metodología que por primera vez permite el descubrimiento, extracción y clasificación automática de recursos bioinformáticos a partir de la literatura científica especializada en el área. El índice de recursos desarrollado está disponible libremente a través de la aplicación web situada en el servidor.

Procesamiento de Lenguaje Natural
La metodología está basada en técnicas de Procesamiento del Lenguaje Natural e Inteligencia Artificial que permiten la extracción y clasificación automática de información relevante contenida en artículos científicos, principalmente en los abstracts. Cada artículo es analizado morfológica, sintáctica y semánticamente buscando una serie de patrones establecidos, que permiten identificar de manera automática y sin intervención del usuario los nombres, funcionalidad, URL de acceso y, en algunos casos, las entradas y salidas de dichos recursos.

Adicionalmente, los recursos son clasificados atendiendo a dos dimensiones, por un lado el dominio de aplicación (por ejemplo, ADN, ARN o Proteína) y por otro la categoría (funcionalidad/tipo) de recurso (por ejemplo, alineamiento, base de datos o anotación). Para realizar dicha clasificación, se utiliza una taxonomía de dominios y categorías específicamente diseñada con este fin y basada en otras taxonomías ya existentes (por ejemplo, BLD - Bioinformatics Links Directory).

Para validar la metodología, el grupo de la UPM realizó un experimento preliminar con 400 artículos indexados en el ISI Web of Knowledge. Se realizó una búsqueda con la cadena "bioinformatics resources", seleccionando los 392 primeros artículos más relevantes de acuerdo con su factor de impacto. El resto eran artículos no relacionados con recursos bioinformáticos, que fueron introducidos como conjunto de control para verificar la robustez del método. De este conjunto se extrajeron automáticamente 376 nombres de recursos, lo que supone un índice de acierto de casi el 95%.

Como trabajo adicional, se ha puesto a libre disposición de la comunidad científica una aplicación web basada en Servicios Web, que permite acceder al índice creado y buscar recursos por el nombre, categoría y dominio.

La principal ventaja del nuevo método frente a los índices de recursos existentes reside en su creación y actualización, tareas que se realizan de forma automática. Dado su carácter genérico, esta metodología se está aplicando en el marco del proyecto europeo ACTION-Grid, la primera iniciativa europea en Grid Computing, Informática Biomédica y Nanoinformática, coordinado por el profesor Víctor Maojo.