Desarrollo de una interfaz para conectar con la base de datos de TCGA y favorecer la descarga de datos

Abstract

El acceso a datos y modelos es esencial para la investigación científica en la actualidad, especialmente en el campo de la bioinformática. Sin embargo, los datos biológicos pueden ser complejos, difíciles de manejar y pueden estar disponibles en formatos muy diversos, lo que puede impedir el acceso a ellos y limitar la capacidad de los investigadores para interpretarlos y obtener nuevos conocimientos. El objetivo inicial de este trabajo era el desarrollo de un módulo para el lenguaje de programación R que permitiese la interacción con la base de datos del GDC a través de las APIS publicadas por esta. A raíz de las investigaciones iniciales, se descubrió que ya existía un componente que proporcionaba la interacción que se estaba desarrollando, por lo que se reorientaron los objetivos del mismo a la investigación y documentación de la estructura de dicha base de datos, del componente existente y a la creación de un tutorial de uso del mismo. En el presente trabajo proporciona un resumen de la estructura de datos de la base de datos del GDC y se complementa con un tutorial interactivo desarrollado sobre R y Shiny que tiene como objetivo dotar a los usuarios de los conocimientos necesarios para poder utilizar el módulo GenomicDataCommons en sus futuras investigaciones. La herramienta se centra en las funciones más importantes de la librería y está complementada con ejemplos prácticos y un Dashboard que permite tener una primera impresión de los datos almacenados en la base de datos.

Access to data and models is essential for scientific research today, especially in the field of bioinformatics. However, biological data can be complex, unwieldy, and available in many different formats, which can prevent access to it and limit researchers' ability to interpret it and get new insights. The initial objective of this work was the development of a module for the R programming language that would allow interaction with the GDC database through the APIs published by it. As a result of the initial investigations, it was discovered that there was already a component that provided the interaction that was being developed, so the objectives of the same were reoriented to the investigation and documentation of the structure of the GDC database, of the existing component and to the creation of a tutorial of its use. This paper provides a summary of the data structure of the GDC database and is complemented by an interactive tutorial developed over R and Shiny that aims to provide users with the necessary knowledge to be able to use the GenomicDataCommons module in your future research. The tool focuses on the most important functions of the library and it is complemented by some practical examples and a Dashboard that allows you to have a first impression of the data stored in the database.