CAS의 Nicole Stobart, Jeff Wilson, Mark Schmidt와의 대담
CAS는 지난 100여 년간 화학 분야에서 세계 최고 수준의 큐레이션 및 색인 작업의 초석으로 권위 구조와 식별자를 활용해 왔습니다. 이제 생명과학 팀은 새로운 산업을 위해 동일한 색인 도구를 구축하고자 합니다. 본 기사에서는 생명과학 부문 수석 역량 관리자인 Nicole Stobart, 데이터 과학 수석 관리자인 Jeff Wilson 박사, 그리고 수석 데이터 관리자인 Mark Schmidt와 함께 이들이 권위 구조를 사용하여 어떻게 새로운 길을 개척하고 있는지 이야기를 나눕니다.
CAS: 권위 구조를 어떻게 정의하시겠습니까?
Jeff: 저희 관점에서 권위 구조는 정체성에 중점을 둡니다. 단백질, 화학 물질, 핵산 등 어떤 영역에서든 개체를 고유하게 식별할 수 있어야 합니다. 역사적으로 저희 화학 컬렉션에는 CAS REGISTRY®라는 전통적인 권위 구조가 있습니다. CAS REGISTRY 내에서 저희는 서로 다른 화학 물질을 고유하게 설명하고자 하며, 큐레이션 과정에서 동일한 항목을 접할 때마다 항상 동일한 방식으로 식별되기를 원합니다. 간단한 예로 아세트아미노펜을 들 수 있습니다. 아세트아미노펜, 타이레놀, 파라세타몰 중 무엇으로 부르든 모두 동일한 화학 물질로 식별됩니다.
CAS: 생명과학자들에게 권위 구조가 왜 그토록 중요한가요?
Nicole: 현재의 권위 구조는 저분자 화합물에는 잘 작동하지만, 단백질이나 효소의 경우는 어떨까요? 물론 이들과 연관된 서열은 존재하지만, 아미노산 하나가 바뀐 서열은 다른 개체일까요? 연구자들이 이 문제로 어려움을 겪고 있다는 점을 잘 알고 있습니다. 여러 기업과 기관에서 이를 체계화하려 노력했지만, 생물학적 제제에 대해 완전히 권위 있는 체계를 구축한 곳은 아직 없습니다. 고객에게 생물학적 정보를 제공하려 했을 때, 먼저 권위 있는 체계로 정리하지 않고는 불가능하다는 사실을 깨달았습니다. 단순히 방대한 데이터를 수집하는 것만이 중요한 것이 아니라, 이를 권위 있게 정리하고 그 방식이 전 세계가 원하는 방식과 일치하도록 만드는 것이 중요합니다.
Mark: 생명과학 분야에서 저희는 모든 중요한 항목을 식별하고, 그것이 무엇인지, 무엇이라 부를지에 대해 합의하고자 합니다. 그것이 바로 권위입니다. 기존 사업에서는 화학 물질이 있으면 해당 컬렉션을 살펴보고 그 물질에 대한 새로운 정보를 추가할 수 있습니다. 저희는 생명과학 분야에서도 단백질이나 효소와 같은 항목에 대해 동일한 작업을 수행하고자 하며, 이를 위해서는 먼저 해당 항목의 정체성에 대한 합의가 필요합니다.
Jeff: 연구자와 연구 환경에 따라 다르겠지만, 사물을 명확하게 설명할 수 있다면 저희가 제공하는 데이터의 일관성과 신뢰성을 훨씬 높일 수 있다고 생각합니다. 가장 단순한 수준에서 이는 저희가 항상 해오던 일, 즉 검색을 위해 데이터를 정리하는 것으로 돌아갑니다. CAS SciFinder와 같은 검색 도구를 사용할 때, 암(cancer)이라고 부르든 육종(sarcoma)이라고 부르든 상관없이 저희는 그 용어들 간의 관계를 파악하고 있습니다. 사용자가 데이터를 찾기 위해 모든 용어를 일일이 검색할 필요가 없도록 저희가 백엔드에서 처리하므로, 단 하나의 용어만으로도 모든 정보를 찾을 수 있습니다.
단순한 검색 및 검색 기능을 넘어 지식 그래프와 같은 정교한 구현을 통해 중요한 관계를 발견할 때, 개체가 여러 노드에 흩어져 있으면 정확한 지식 그래프를 구축하기 어렵습니다. 관심 있는 단백질이 타겟이라면 해당 단백질에 대한 모든 데이터가 단일 노드에 저장되고, 다른 관련 개체들은 개별 노드에 위치하기를 원할 것입니다. 그렇지 않으면 특정 단백질에 노드가 15개, 질병에 12개, 동일한 물질에 7개씩 존재하는 복잡하고 비효율적인 지식 그래프가 만들어집니다. 이렇게 복잡한 그래프를 생성하면 정체성이 사전에 정의되지 않았기 때문에 기본적으로 3개의 개체가 예측 가능한 방식으로 연결되어 있다는 사실을 파악할 수 없게 됩니다.
CAS: CAS에서의 큐레이션을 어떻게 정의하시나요?
Mark: 사람들은 보통 큐레이션이라는 용어를 두 가지 의미로 혼용합니다. 첫째는 데이터의 수집 및 통합인데, 저희 CAS에서는 이를 보통 큐레이션이라고 부르지 않습니다. 둘째는 CAS가 오랜 역사를 가진 큐레이션 방식으로, 과학자들이 정보의 원천을 직접 검토하고 지적 노력을 기울여 정보를 추출 및 개선하며 더욱 구조화된 방식으로 제공하는 것을 의미합니다.
Jeff: 저희 과학자 대부분은 Mark가 설명한 큐레이션 작업에 참여하고 있습니다. 이들은 1차 자료에서 핵심 정보를 추출한 뒤 이를 개선, 표준화하고 다른 데이터 포인트와 연결합니다. 하지만 그 너머에 또 다른 단계가 있습니다. 저희에게는 권위 컬렉션 자체를 관리하는 별도의 팀이 있습니다. 이들은 새로 들어오는 정보를 검토하며 이것이 새로운 항목인지, 어떻게 정리할지, 서로 어떤 관계인지, 어떤 용어를 사용할지 등을 결정합니다. 1차 문헌에서 정보를 추출하는 인력이 이러한 결정을 내리는 것이 아니라, 권위 컬렉션을 전담하여 관리하는 인력이 따로 있습니다.
Mark: 핵심은 권위 구조는 결코 완성되지 않는다는 점입니다. 새롭게 발견되거나 흥미로운 항목을 지속적으로 추가해야 하며, 유용성을 유지하기 위해 새로운 동의어들도 계속해서 추가해야 합니다.
CAS: What would you say is the advantage of authority constructs for curation?
Jeff: After you start to aggregate identities and terminology with authority constructs, it simplifies identifying new instances. Once you've collected all the names for your entity, you can create an authority construct to instantly see and match. Synonyms facilitate the curation.
Mark: The authority constructs help you organize and aggregate all the information around them. So, in the case of proteins, we might not call this protein exactly what you would, but if we know what you call it and what we call it, then we can compile all the information under the same identity—this allows us to bring all the information together.
CAS: Can AI be leveraged to help create authority constructs or curate with them?
Nicole: We need to make sure that we have authoritatively organized and identified whatever it is that we're talking about to enable AI curation. It's really difficult to rely on any sort of machine learning or machine-curated data if it has not all been manually organized or at least thought of and identified in an authoritative way.
Jeff: We have a general philosophy about AI and how it relates to our data in that we leverage the most advanced technology we can to enhance human capabilities. We have hundreds of scientists here who are doing curation work, and if you look at what they do today, it's a lot more sophisticated than what they did 30 years ago. Each time we adopt a new technology, we use that to enable humans to do more sophisticated work. We leverage technology in natural language processing and machine learning to help identify documents and insights, but all of that is then presented to humans, who make the final decision about what's important or what's relevant and how it gets organized.
Once we’ve created that structured data, we do the same thing with technology and AI solutions on the other end. We try to leverage the best technology to show you the things you've asked for and things that are related to it. We can use predictive technology to help you plan syntheses, we have AI engines that help predict what prior art would be, and you can do Boolean-type searches and try to find things. So we're taking our highly structured data, and layering AI technology on top of that—not using AI to replace people.
CAS: How is CAS going to approach defining and identifying biological entities?
Mark: So this is where we start to talk about identity semantics. It’s a really difficult and complicated problem in life sciences, and we are completely aware of that, we are dealing with that on a case-by-case basis every day. We might not get this perfect, but we're going to do our best. We're going to make reasonable, defensible choices, which are useful to the people in the life sciences space. We will not please all of them every time, but we're going to be predictable and clear about it, so people can use the system that we deliver reliably.
When we get to questions like, “Is a one nucleotide difference a new identity or not?”, that’s a choice to make. But if three different single nucleotide polymorphisms become one identity instead of three, we absolutely need to describe all three of those differences and attach them to the one identity that we present. So even when we decide that different things fall under one identity, all the information is still going to be discoverable, connected, and accessible.
Initially, we will choose our identity semantics and define them, then as new information arrives, we will decide, “Is this a new identity, or does this add to an existing identity?” We want to utilize as much computing power as we can, but at all times, our ultimate source of truth for those decisions is going to be humans who know the subject area best. That’s how we are going to deliver a trustworthy service.
Jeff: You want to create a clear, consistent, and comprehensive rule set upfront. For people who haven't tried to define entities and aggregate information, it feels very arbitrary, but we find that when you're organizing information, you want to err on the side of being clear and consistent. You can find nuances of the science in specific cases, but implementing rules for everything causes things to get scattered, and makes things harder to find and collect. Instead, it’s better to create a rule that works for 99% of everything. In the chemistry space, we sometimes get correspondence from a scientist who says, “I see you described this thing this way in CAS REGISTRY, and you're wrong, I have data that says it’s better described a different way,” and our usual answer is that our content is organized around discoverability. And that’s the point, the curation needs to consistently lead you to the data you’re looking for, even if it misses some scientific nuances along the way.
CAS: Are you using structure or function to create these identities for life sciences?
Mark: For many biological entities, especially proteins, it’s more function than structure, but it’s often a combination of both. In chemistry, we can easily create authority constructs based entirely on structure, but that’s not the same for life sciences. We have several different authorities we have to solve for—proteins, antibodies, organisms, etc. Each of them will need to be approached in their own unique way. We have to move away from just structure-based identities as we move into life sciences in a way that we have not had to in the past.
CAS: How do you plan to tackle the longevity of defining by function when biological function changes over time and with new research?
Jeff: We always try to future-proof things, and I don’t think we can predict where life sciences will be in ten years, but, as we create consistent constructs, we’ll build some flexibility and extensibility into that. The key to this will be recognizing when to keep using the current construct and when a new branch of science emerges that requires a new construct. People won’t stop wanting to describe proteins, but there might be a subcategory of some kind that arises that needs new authority constructs to be created.
Mark: I think that if you do a solid job of getting reasonable identity semantics at the beginning, then you set yourself up for a future where it's most likely that scientists will subdivide one of your identities into a few more specific identities. If you think about genus-species naming of organisms, it worked for a really long time. The need for sub-species didn't completely invalidate the genus-species model. I think we can set constructs up where they might get more specific about identity than when we started out, but they won’t become completely outdated.
CAS: What makes CAS the right organization to aggregate these fragmented life science authority constructs?
Jeff: There is some self-sustaining nature once you become a worldwide authority on something. If you look at chemical substances, nobody second-guesses CAS REGISTRY. It's the authoritative place. There are some other substance collections, but we are positioned as an organization in a way that most other organizations are not. We are part of the American Chemical Society, our mission isn't just to be profitable, our mission is to facilitate science. We have the people, the expertise, and the space to tackle this life science data and organize it in the way we did with CAS REGISTRY. I think anything short of us being the authoritative space for proteins when this project is complete is us falling short. That's what we're going to do.
Mark: The desire for agreement on a meaningful set of identities within life sciences is pretty universal, and it’s a problem we’ve already solved in small molecule chemistry. Life scientists are looking for a clear set of identities and the relationships between them to be defined so they can organize data around that structure. We see ourselves wading into that complexity and bringing order to the chaos. When we get far enough with that, people will accept that we know all the proteins that matter to most people and talk about them in a way that most people can make use of. When they don’t see their protein in our collection, they’ll bring it to our attention, so we can add it rather than starting their own entirely separate database. That’s what we’re aiming for—not just having an authority construct collection but being an authority within the life sciences space.
CAS: 기존에 수행되던 방식과 귀하의 방식은 어떤 차이가 있습니까?
Mark: 많은 과학 분야에서 사람들은 각자의 환경에 맞춰 자신과 동료들을 위한 문제를 국소적으로 해결하고 있습니다.그들은 자신들이 중요하게 생각하는 대상의 식별자를 포함한 데이터베이스를 구축하고, 이를 자신들만의 방식으로 설명하며 관련 정보를 정리합니다. 한편, 이와 약간 겹치는 분야에서 유사하거나 다른 작업을 수행하는 사람들은 동일한 대상을 지칭하기 위해 다른 용어를 선택하고 다른 정보를 수집합니다. 이러한 작은 영역들을 통합하여 모든 사람이 같은 정보를 공유하고 경계를 넘어 발견을 촉진하려는 프로젝트들이 시작되고 있습니다. 생명과학 분야에서도 이런 움직임은 이미 존재하지만, 방대한 양의 데이터를 하나의 통합된 식별자 체계로 묶어내는 접근 방식은 아직 부족했습니다.
목표는 단백질 표적을 가지고 접근했을 때, 그것이 3~4개의 생물학적 경로에 속한다는 사실을 미처 알지 못했더라도, 이 정보 체계 내에서 식별자를 찾는 순간 모든 연결 고리를 확인할 수 있는 환경을 만드는 것입니다. 나아가 해당 단백질이 질병 상태나 치료 결과의 바이오마커로 사용되고 있다는 사실도 알게 될 수 있습니다. 서로 다른 곳에 흩어진 정보를 하나의 식별자를 중심으로 통합하여 누구나 쉽게 찾고 활용할 수 있게 함으로써, 이전에는 접근할 수 없었던 새로운 가치를 창출하고자 합니다.
Jeff: 퍼즐의 일부분을 모아놓은 소규모 조직은 많습니다.질병 온톨로지가 존재하고, Uniprot은 단백질을 정리하며, NCBI는 유기체 데이터베이스를 운영합니다. 이들 각각은 그 자체로 권위 있는 체계이지만, 유용한 방식으로 서로 연결되어 있지 않아 여기저기를 일일이 찾아봐야 합니다. 우리는 생명과학 전반의 데이터를 한곳에서 연결하고 조화롭게 찾을 수 있는 통합 데이터 세트를 지향합니다. 이를 위해 Uniprot, Ensemble, CAS REGISTRY의 단백질 관점을 하나로 조화시켜 단일한 식별자 체계로 통합해야 합니다. 일단 통합이 이루어지면, 다시 개별 소규모 컬렉션으로도 접근할 수 있게 됩니다. 데이터가 연결되면 단순한 합 이상의 가치가 창출되며, 이전에는 발견할 수 없었던 사실들이 드러나게 됩니다.
Nicole: 우리는 세계에서 가장 포괄적인 생명과학 데이터베이스가 되고자 합니다.고객이 직면한 모든 문제와 과제를 해결하고 싶으며, 그들은 생명과학 분야에서 권위 있는 체계에 대한 필요성을 절실히 느끼고 있습니다.
CAS: 이 분야로 진출하면서 기존 데이터베이스 운영자들로부터 반발은 없었습니까?
Mark: 모든 사람의 의견을 일치시킬 수는 없습니다.어느 시점에는 권위를 가지고 결단을 내려야 합니다. 잘 정립되고 견고한 기존 체계와 의견을 달리하는 것은 어렵지만, 우리는 그 과정에서 마찰을 최소화하고자 합니다. 모든 사람에게 익숙한 용어를 바꾸라고 설득할 수는 없겠지만, 기존의 성과를 바탕으로 발전해 나가고자 합니다.
원칙은 간단합니다. 기존 데이터베이스와 보조를 맞추는 것입니다. 하지만 실제로는 그런 선택을 내리는 것이 훨씬 어렵습니다. 두 데이터베이스가 같은 대상을 서로 다른 용어로 지칭할 경우, 하나를 선택하거나 새로운 용어를 만들어 둘 다 개선하는 방안을 고려해야 합니다. 매우 어려운 일이라는 것을 알지만, 그 어려움을 극복하는 과정이야말로 우리가 이 분야에 더할 가치이자 고객에게 제공하고자 하는 핵심이라고 생각합니다.
Nicole: 기존 데이터베이스를 사용하며 가치를 느끼는 분들을 소외시키고 싶지는 않습니다.우리가 하려는 것은 기존의 가치 위에 더 큰 가치를 더하는 것입니다. 다른 큐레이터들이 어떻게 생각할지는 아직 논의하지 않았기에 그들의 반응은 앞으로 지켜봐야 할 부분입니다!
Jeff: 실제로 큐레이션에 참여하는 과학자는 소수입니다. 따라서 우리는 다수를 돕는 것을 목표로 하기에 그들의 우려는 크게 걱정하지 않습니다. 많은 과학자가 필요한 데이터에 접근하는 데 어려움을 겪고 있다고 토로하고 있습니다.
Nicole:물론입니다! 최근 항체 정보 데이터베이스를 만든 과학자와 이야기를 나눴습니다. 그는 항체 데이터를 정리하고 싶어서가 아니라, 자신의 예측 모델을 돌리기 위해 항체 데이터가 필요해서 직접 만들었다고 했습니다. 많은 과학자가 이런 상황에 처해 있으며, 이는 연구의 걸림돌이 되고 있습니다. 우리가 해결하려는 문제가 바로 이것입니다.
CAS: 마법의 지팡이를 휘둘러 권위 있는 체계와 관련해 한 가지를 고칠 수 있다면 무엇을 고치겠으며, 어떤 영향이 있을까요?
Mark: 같은 대상을 지칭할 때 모두가 같은 용어를 사용하도록 만들고 싶습니다.그것만 해결되어도 훨씬 수월해질 것입니다. 이 작업의 상당 부분은 과학자들이 사용하는 용어를 수집해 올바른 식별자를 찾고, 그 용어들을 식별자에 연결하는 것입니다. 언어를 통일하고 모두가 합의할 수 있다면 이런 번거로운 과정을 생략할 수 있을 것입니다.
Jeff: 저는 더 많은 사람이 권위 있는 체계의 중요성을 이해하고, 이를 유용하게 구축하려는 비전과 열정을 갖게 하는 것입니다.이를 지원하는 조직 내에서도 저는 여전히 사람들에게 왜 이런 체계가 필요한지, 어떤 가치가 있는지 설명하는 데 많은 시간을 할애합니다. 이런 노력이 보람은 있지만, 제가 가장 좋아하는 데이터 작업과 시스템 구축에 집중하는 데 방해가 되기도 합니다.
