Doku Mühendisliğinde Orta Ölçekli, Düşük Hız, Çok Boyutlu Verileri Verimli Bir Şekilde Yönetecek Veritabanları
Summary
Birçok araştırmacı, elektronik tablolar yerine veritabanları ile daha verimli bir şekilde yönetilebilen “orta ölçekli”, düşük hız ve çok boyutlu veriler oluşturur. Burada, çok boyutlu verileri görselleştirme, ilişkisel veritabanı yapılarındaki tabloları bağlama, yarı otomatik veri ardışık lıklarının eşlemi nin eşleştirilmesi ve veri anlamlarının açıklığa kavuşturulması için veritabanını kullanma gibi veritabanlarının kavramsal bir genel görünümünü salıyoruz.
Abstract
Bilim ilerleme için giderek daha karmaşık veri kümeleri dayanır, ancak elektronik tablo programları gibi yaygın veri yönetimi yöntemleri büyüyen ölçek ve bu bilgilerin karmaşıklığı için yetersizdir. Veritabanı yönetim sistemleri bu sorunları giderme potansiyeline sahip olmakla birlikte, iş ve bilişim alanları dışında yaygın olarak kullanılmaz. Ancak, birçok araştırma laboratuvarı zaten büyük ölçüde benzer sistemlerin uygulanmasından yararlanabilir “orta ölçekli”, düşük hız, çok boyutlu veri üretmek. Bu makalede, veritabanlarının nasıl işlediğini ve doku mühendisliği uygulamalarında sağladıkları avantajları açıklayan kavramsal bir genel bakış sayılmaktadır. Lamin A/C mutasyonu olan bireylerin yapısal fibroblast verileri belirli bir deneysel bağlamda örnekleri göstermek için kullanılmıştır. Örnekler arasında çok boyutlu verileri görselleştirmek, ilişkisel veritabanı yapısındaki tabloları bağlamak, ham verileri yapılandırılmış biçimlere dönüştürmek için yarı otomatik leştirilmiş bir veri ardışık lığı eşlemi ve sorgunun altında yatan sözdizimini açıklamak verilebilir. Verilerin analiz edilmesinden elde edilen sonuçlar, hücre organizasyonunda hutchinson-Gilford progeria, bilinen bir laminopati ve diğer tüm deneysel grupların pozitif kontrolü arasındaki uyumlu ortamlarda çeşitli düzenlemelerin ve önemin çizimlerinin oluşturulmasında kullanıldı. Elektronik tablolarla karşılaştırıldığında, veritabanı yöntemleri son derece verimliydi, bir kez ayarlandıktan sonra kullanımı basit, orijinal dosya konumlarına anında erişim eve izin verilen ve artan veri katılığı. Ulusal Sağlık Enstitüleri’nin (NIH) deneysel titizlik vurgusuna yanıt olarak, birçok bilimsel alanın karmaşık verileri etkili bir şekilde organize etme güçlü yetenekleri nedeniyle veritabanlarını ortak bir uygulama olarak benimsemesi olasıdır.
Introduction
Bilimsel ilerlemenin yoğun olarak teknoloji tarafından yürütüldüğü bir çağda, büyük miktarda veriyi işlemek tüm disiplinlerde araştırmanın ayrılmaz bir yüzü haline gelmiştir. Hesaplamalı biyoloji ve genomik gibi yeni alanların ortaya çıkması, teknolojinin proaktif kullanımının ne kadar kritik hale geldiğinin altını çizmektedir. Bu eğilimler Moore yasası ve sürekli ilerleme teknolojik gelişmeler 1,2elde nedeniyle devam edeceği kesindir. Ancak bunun bir sonucu, daha önce uygulanabilir kuruluş yöntemlerinin yeteneklerini aşan artan veri miktarlarıdır. Çoğu akademik laboratuvar karmaşık veri kümelerini işlemek için yeterli hesaplama kaynaklarına sahip olmasına rağmen, birçok grup ihtiyaçları geliştirmeye uygun özel sistemler oluşturmak için gerekli teknik uzmanlığa sahip değildir3. Bu tür veri kümelerini yönetme ve güncelleme becerilerine sahip olmak, verimli iş akışı ve çıktı için kritik öneme sahip olmaya devam etmektedir. Veri ve uzmanlık arasındaki boşluğu kapatmak, çok yönlü verilerin geniş bir yelpazesini verimli bir şekilde işlemek, yeniden güncellemek ve analiz etmek için önemlidir.
Ölçeklenebilirlik, büyük veri kümelerini işlerken göz önünde bulundurulması gereken bir konudur. Büyük veri, örneğin, büyük hacimleri, büyük heterojenlik ve ses ve video4gibi nesil yüksek oranları ile karakterize veri işleme yeni anlayışlar ifşa içeren araştırma gelişen bir alandır ,5. Bu alanın veri sellerini uygun şekilde işlemesi için otomatik organizasyon ve analiz yöntemlerinin kullanılması zorunludur. Ancak, büyük verilerde kullanılan birçok teknik terim açıkça tanımlanmamıştır ve kafa karıştırıcı olabilir; örneğin, “yüksek hız” verileri genellikle günde milyonlarca yeni girişle ilişkilendirilirken, “düşük hız” verileri akademik laboratuvar ortamında olduğu gibi günde yalnızca yüzlerce giriş olabilir. Henüz büyük veri kullanılarak keşfedilecek birçok heyecan verici bulgular olmasına rağmen, en akademik laboratuvarlar kapsam, güç ve kendi bilimsel soruları ele almak için bu tür yöntemlerin karmaşıklığı gerekmez5. Bilimsel verilerinzamanlagiderek karmaşıklaşan 6, birçok bilim adamının artık genişleyen veri ihtiyaçlarını karşılamadan organizasyon yöntemlerini kullanmaya devam ettiği şüphe götürmez bir durumdur. Örneğin, uygun elektronik tablo programları sık sık bilimsel verileri düzenlemek için kullanılır, ancak ölçeklenebilir olma pahasına, hata eğilimli, ve uzun vadede verimsiz zaman7,8. Tersine, veritabanları ölçeklenebilir, nispeten ucuz ve devam eden projelerin çeşitli veri kümelerini işleme kullanımında kullanımı kolay olduğu için soruna etkili bir çözümdür.
Veri organizasyonu şemaları göz önünde bulundurulduğunda ortaya çıkan acil endişeler eğitim ve kullanım için maliyet, erişilebilirlik ve zaman yatırımıdır. Sık sık iş ortamlarında kullanılan, veritabanı programları daha ekonomik, ya nispeten ucuz ya da ücretsiz, finansman büyük veri sistemlerinin kullanımını desteklemek için gerekli daha olmak. Aslında, Oracle Database, MySQL ve Microsoft (MS) Access9gibi veritabanları oluşturmak ve korumak için hem ticari hem de açık kaynak kodyazılım çeşitli vardır. Birçok araştırmacı da birkaç MS Office akademik paketleri MS Access dahil, daha fazla maliyet hususları en aza indirmek ile birlikte geldiğini öğrenmek için teşvik edilecektir. Ayrıca, hemen hemen tüm geliştiriciler kapsamlı belgeler online sağlamak ve codecademy, W3Schools ve SQLBolt gibi ücretsiz online kaynakların bir bolluk araştırmacılar anlamak ve yapılandırılmış sorgu dili (SQL)10,11,12kullanmanıza yardımcı olmak tır. Herhangi bir programlama dili gibi, SQL kullanarak veritabanları ve kod kullanmayı öğrenmek ana zaman alır, ancak yeterli kaynakları mevcut süreç basit ve iyi yatırım çaba değer.
Veritabanları, veri erişilebilirliğini ve toplama kolaylığını artırmak için güçlü araçlar olabilir, ancak hangi verilerin daha fazla organizasyon denetiminden en çok yararlanacağını ayırt etmek önemlidir. Çok boyutluluk, bir ölçümün karşı gruplandırılabildiği koşullar sayısını ifade eder ve veritabanları birçok farklı koşulu yönetirken en güçlüdür13. Tersine, düşük boyutlubilgi bir elektronik tablo programı kullanarak işlemek için basittir; örneğin, yıllar ve her yıl için bir değer içeren bir veri kümesi yalnızca bir olası gruplandırma (yıllara göre ölçümler) vardır. Klinik ayarlardan gibi yüksek boyutlu veriler etkili bir şekilde korumak için manuel organizasyon büyük bir dereceye gerektirir, elektronik tablo programları13kapsamı dışında sıkıcı ve hataya eğilimli bir süreç. İlişkisel olmayan (NoSQL) veritabanları da, öncelikle verilerin satır ve sütunlar14’teiyi organize olmadığı uygulamalarda çeşitli rolleri yerine getirmektedir. Sık sık açık kaynak olmasının yanı sıra, bu kuruluş şemaları grafik çağrışımları, zaman serisi verileri veya belge tabanlı verileri içerir. NoSQL ölçeklenebilirlik SQL daha iyi excels, ancak karmaşık sorgular oluşturamazsınız, bu nedenle ilişkisel veritabanları tutarlılık, standardizasyon ve seyrek büyük ölçekli veri değişiklikleri15gerektiren durumlarda daha iyidir. Veritabanları etkili bir şekilde gruplandırma ve genellikle bilimsel ortamlarda13,16gerekli konformasyonlar büyük dizi içine verileri yeniden güncelleme en iyisidir.
Bu çalışmanın temel amacı, bu nedenle, “orta ölçekli” için ölçeklenebilir veri yönetim sistemleri olarak veritabanlarının potansiyeli hakkında bilimsel topluluk bilgilendirmek için, düşük hız verileri yanı sıra hasta kaynaklı hücre hattı deneyleri belirli örnekler kullanarak genel bir şablon sağlamaktır. Diğer benzer uygulamalar nehir yatakları jeouzamsal verileri, uzunlamasına klinik çalışmalardan anketler ve büyüme medya mikrobiyal büyüme koşulları17,18,19içerir. Bu çalışma, ham verileri yapılandırılmış biçimlere dönüştürmek için gerekli olan veri aktarıcısıyla birleştiğinde bir veritabanı oluşturmanın yaygın husudlarını ve yararlarını vurgulamaktadır. SQL’deki veritabanları için veritabanı arabirimlerinin ve kodlamanın temelleri sağlanır ve başkalarının temel çerçeveler oluşturmak için geçerli olan bilgileri edinmelerini sağlayacak örneklerle gösterilmiştir. Son olarak, örnek bir deneysel veri kümesi, veritabanlarının çok yönlü verileri çeşitli şekillerde toplamak için ne kadar kolay ve etkili bir şekilde tasarlanabileceğini gösterir. Bu bilgiler, kendi deneysel ihtiyaçları için veritabanlarını uygulama yolunda diğer bilim adamlarına yardımcı olmak için bağlam, yorum ve şablonlar sağlar.
Bir araştırma laboratuvarı ortamında ölçeklenebilir bir veritabanı oluşturmak amacıyla, insan fibroblast hücreleri kullanarak deneylerden elde edilen veriler son üç yıl içinde toplanmıştır. Bu protokolün temel odak noktası, kullanıcının verileri mümkün olan en uygun maliyetli ve zamanında toplamasını, güncellemesini ve yönetmesini sağlamak için bilgisayar yazılımının organizasyonunu rapor etmektir, ancak ilgili deneysel yöntemler Bağlam.
Deneysel kurulum
Numune lerin hazırlanmasına yönelik deneysel protokol daha önce20,21olarak tanımlanmış ve burada kısaca sunulmuştur. Yapılar, 10:1 polidimetilsiloksane (PDMS) ve kürleme maddesi karışımı ile spin kaplama dikdörtgen cam kapaklar tarafından, daha sonra 0.05 mg/mL fibronectin uygulanarak, organize olmayan (izotropik) veya 5 μm boşluklu mikro desenli aranjmanlı (hat) 20 μm çizgilerle hazırlanmıştır. Fibroblast hücreleri optimum yoğunluklarda kapak lara 7 numaralı geçitte (veya pozitif kontroller için 16. geçitte) tohumlanmış ve 24 saat sonra ortam değiştirilmeküzere 48 saat boyunca büyümeye bırakılmıştır. Hücreler daha sonra %4 paraformaldehit (PFA) solüsyonu ve %0.0005 nonnik yüzey aktif madde kullanılarak sabitlendi, ardından kapaklar hücre çekirdeği (4′,6′-diaminodinono-2-feninlinodole [DAPI]), aktin (Alexa Fluor 488 phalloidin) ve fibronektin (poliklonkal tavşan anti-fibronin) için immünosüllü idi. Keçi anti-tavşan IgG antikorları (Alexa Fluor 750 keçi anti-tavşan) kullanılarak fibronektin için ikincil bir leke uygulandı ve floresan solma önlemek için tüm kapak lar üzerine koruma maddesi monte edildi. Oje mikroskop slaytlar üzerine kapakları mühür lemek için kullanılan sonra 24 saat kurumaya bırakılır.
Floresan görüntüleri daha önce açıklandığı gibi elde edildi20 bir 40x yağ daldırma amacı ile bir dijital şarj birleştiğinde cihaz (CCD) kamera ters motorlu mikroskop üzerine monte. Her coverslip için 6,22 piksel/μm çözünürlüğe karşılık gelen 40x büyütmede rastgele seçilen on görüntü alanı görüntülendi. Çekirdekleri, aktin filamentleri ve fibronektin’i açıklayan görüntülerden farklı değişkenleri ölçmek için özel yazılmış kodlar kullanılmıştır; ilgili değerlerin yanı sıra organizasyon ve geometri parametreleri, veri dosyalarına otomatik olarak kaydedildi.
Hücre hatları
Tüm örnek veri hücresi hatları hakkında daha kapsamlı belgeler önceki yayınlarda bulunabilir20. Kısaca açıklamak için, veri toplama onaylandı ve uc Irvine Kurumsal İnceleme Kurulu (IRB # 2014-1253) uyarınca bilgilendirilmiş onayı yapıldı. İnsan fibroblast hücreleri lamin A/C(LMNA)gen mutasyonunun farklı varyasyonları olan üç aileden toplanmıştır: heterozigot LMNA splice-site mutasyonu (c.357-2A>G)22 (aile A); LMNA saçma mutasyonu (c.736 C>T, pQ246X) exon 423 (aile B); ve LMNA yanlış mutasyon (c.1003C>T, pR335W) exon 624 (aile C). Fibroblast hücreleri de ilgili mutasyon-negatif kontroller olarak her ailede diğer bireylerden toplandı, “Kontroller” olarak anılacaktır, ve diğerleri ilgisiz mutasyon-negatif kontroller olarak satın alındı, “Donörler” olarak anılacaktır. Olumlu bir kontrol olarak, Hutchinson-Gliford progeria (HGPS) olan bir bireyin fibroblast hücreleri satın alındı ve Bir LMNA G608G nokta mutasyonu sahip HGPS ile 8 yaşındaki bir kadın hastadan alınan bir deri biyopsisi büyüdü25. Toplamda 22 kişiden gelen fibroblastlar test edilmiş ve bu çalışmada veri olarak kullanılmıştır.
Veri türleri
Fibroblast verileri iki kategoriden birine ayrılmıştır: hücresel çekirdek değişkenleri (yani, dismorfik çekirdeklerin yüzdesi, çekirdeklerin alanı, çekirdek eksantrikliği)20 veya oryantasyonel sıra parametresinden kaynaklanan yapısal değişkenler (OOP)21,26,27 (yani, actin OOP, fibronectin OOP, çekirdek oop). Bu parametre tüm yönlendirme vektörlerinin ortalama sıra tensörünün maksimum özdeğerine eşittir ve önceki yayınlarda ayrıntılı olarak tanımlanır26,28. Bu değerler yaş, cinsiyet, hastalık durumu, belirli semptomların varlığı gibi çeşitli olası konformasyonlara toplanır. Bu değişkenlerin nasıl kullanıldığına örnekler sonuçlar bölümünde bulunabilir.
Örnek kodlar ve dosyalar
Yukarıdaki verilere dayalı örnek kodlar ve diğer dosyalar bu yazı ile indirilebilir ve bunların adları ve türleri Tablo 1’deözetlenmiştir.
Protocol
Representative Results
Discussion
Protokolün teknik tartışması
Veritabanlarının kullanımını göz önünde bulundurarak ilk adım, verilerin böyle bir kuruluştan yararlanıp yararlanmayacağını değerlendirmektir.
Bir sonraki temel adım, kullanıcıdan minimum giriş isteyecek ve tablo veri yapısını oluşturacak otomatik bir kod oluşturmaktır. Örnekte, kullanıcı veri türü (hücre çekirdekleri veya yapısal ölçümler), hücre hatlarının konu taslesi ve seçili dosya sayısı kateg…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Bu çalışma Ulusal Kalp, Akciğer ve Kan Enstitüsü tarafından Ulusal Sağlık Enstitüleri, hibe numarası R01 HL129008 tarafından desteklenir. Yazarlar özellikle lmna gen mutasyonu aile üyeleri çalışmaya katılımları için teşekkür ederiz. Ayrıca Linda McCarthy’ye hücre kültürü ve laboratuvar alanlarını koruma, nasam Chokr’a hücre görüntüleme ve çekirdek veri analizine katılımı ve Michael A. Grosberg’e ilk Microsoft Access veritabanımızı kurma ve diğer teknik soruları yanıtlama konusunda verdiği önemli tavsiye için teşekkür ederiz.
Materials
| 4',6'-diaminodino-2-phenylinodole (DAPI) | Life Technologies, Carlsbad, CA | ||
| Alexa Fluor 488 Phalloidin | Life Technologies, Carlsbad, CA | ||
| Alexa Fluor 750 goat anti-rabbit | Life Technologies, Carlsbad, CA | ||
| digital CCD camera ORCAR2 C10600-10B | Hamamatsu Photonics, Shizuoka Prefecture, Japan | ||
| fibronectin | Corning, Corning, NY | ||
| IX-83 inverted motorized microscope | Olympus America, Center Valley, PA | ||
| Matlab R2018b | Mathworks, Natick, MA | ||
| MS Access | Microsoft, Redmond, WA | ||
| paraformaldehyde (PFA) | Fisher Scientific Company, Hanover Park, IL | ||
| polycloncal rabbit anti-human fibronectin | Sigma Aldrich Inc., Saint Louis, MO | ||
| polydimethylsiloxane (PDMS) | Ellsworth Adhesives, Germantown, WI | ||
| Prolong Gold Antifade | Life Technologies, Carlsbad, CA | ||
| rectangular glass coverslips | Fisher Scientific Company, Hanover Park, IL | ||
| Triton-X | Sigma Aldrich Inc., Saint Louis, MO |
References
- Cavin, R. K., Lugli, P., Zhirnov, V. V. Science and engineering beyond Moore’s law. Proceedings of the IEEE. 100, 1720-1749 (2012).
- Mast, F. D., Ratushny, A. V., Aitchison, J. D. Systems cell biology. The Journal of Cell Biology. 206 (6), 695-706 (2014).
- Barone, L., Williams, J., Micklos, D. Unmet needs for analyzing biological big data: A survey of 704 NSF principal investigators. PLoS Computational Biology. 13 (10), 1005755 (2017).
- Gandomi, A., Haider, M. Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management. 35 (2), 137-144 (2015).
- Siddiqa, A., et al. A survey of big data management: Taxonomy and state-of-the-art. Journal of Network and Computer Applications. 71, 151-166 (2016).
- Anderson, C. The End of Theory: The Data Deluge Makes the Scientific Method Obsolete. Wired Magazine. , (2008).
- Broman, K. W., Woo, K. H. Data Organization in Spreadsheets. The American Statistician. 72 (1), 2-10 (2018).
- Lee, H., et al. How I do it: a practical database management system to assist clinical research teams with data collection, organization, and reporting. Academic Radiology. 22 (4), 527-533 (2015).
- Bassil, Y. A comparative study on the performance of the Top DBMS systems. Journal of Computer Science & Research. 1 (1), 20-31 (2012).
- . Learn SQL – Codeacademy Available from: https://www.codecademy.com/learn/learn-sql (2018)
- . SQL Tutorial – w3schools.com Available from: https://www.w3schools.com/sql (2018)
- . Introduction to SQL – SQLBolt Available from: https://sqlbolt.com (2018)
- Pedersen, T. B., Jensen, C. S. Multidimensional database technology. Computer. 34 (12), 40-46 (2001).
- Győrödi, C., Gyorodi, R., Sotoc, R. A Comparative Study of Relational and Non-Relational Database Models in a Web- Based Application. International Journal of Advanced Computer Science and Applications. 6 (11), 78-83 (2015).
- Nayak, A., Poriya, A., Poojary, D. Type of NOSQL databases and its comparison with relational databases. International Journal of Applied Information Systems. 5 (4), 16-19 (2013).
- Lei, C., Feng, D., Wei, C., Ai-xin, Z., Zhen-hu, C. The application of multidimensional data analysis in the EIA database of electric industry. Procedia Environmental Sciences. 10, 1210-1215 (2011).
- Soranno, P. A., et al. Building a multi-scaled geospatial temporal ecology database from disparate data sources: fostering open science and data reuse. GigaScience. 4, 28 (2015).
- Edwards, P. Questionnaires in clinical trials: guidelines for optimal design and administration. Trials. 11, 2 (2010).
- Richards, M. A., et al. MediaDB: A Database of Microbial Growth Conditions in Defined Media. PLoS ONE. 9 (8), 103548 (2014).
- Core, J. Q., et al. Age of heart disease presentation and dysmorphic nuclei in patients with LMNA mutations. PLoS ONE. 12 (11), 0188256 (2017).
- Drew, N. K., Johnsen, N. E., Core, J. Q., Grosberg, A. Multiscale Characterization of Engineered Cardiac Tissue Architecture. Journal of Biomechanical Engineering. 138 (11), 111003 (2016).
- Zaragoza, M. V., et al. Exome Sequencing Identifies a Novel LMNA Splice-Site Mutation and Multigenic Heterozygosity of Potential Modifiers in a Family with Sick Sinus Syndrome, Dilated Cardiomyopathy, and Sudden Cardiac Death. PLoS ONE. 11 (5), 0155421 (2016).
- Zaragoza, M., Nguyen, C., Widyastuti, H., McCarthy, L., Grosberg, A. Dupuytren’s and Ledderhose Diseases in a Family with LMNA-Related Cardiomyopathy and a Novel Variant in the ASTE1 Gene. Cells. 6 (4), 40 (2017).
- Zaragoza, M. V., Hakim, S. A., Hoang, V., Elliott, A. M. Heart-hand syndrome IV: a second family with LMNA-related cardiomyopathy and brachydactyly. Clinical Genetics. 91 (3), 499-500 (2017).
- Eriksson, M., et al. Recurrent de novo point mutations in lamin A cause Hutchinson-Gilford progeria syndrome. Nature. 423 (6937), 293-298 (2003).
- Drew, N. K., Eagleson, M. A., Baldo, D. B., Parker, K. K., Grosberg, A. Metrics for Assessing Cytoskeletal Orientational Correlations and Consistency. PLoS Computational Biology. 11 (4), 1004190 (2015).
- Hamley, I. W. . Introduction to Soft Matter: Synthetic and Biological Self-Assembling Materials. , (2013).
- Grosberg, A., Alford, P. W., McCain, M. L., Parker, K. K. Ensembles of engineered cardiac tissues for physiological and pharmacological study: Heart on a chip. Lab Chip. 11 (24), 4165-4173 (2011).
- Hey, T., Trefethen, A., Berman, F., Fox, G., Hey, A. J. G. The Data Deluge: An e-Science Perspective. Grid Computing: Making the Global Infrastructure a Reality. , (2003).
- Wardle, M., Sadler, M. How to set up a clinical database. Practical Neurology. 16 (1), 70-74 (2016).
- Kerr, W. T., Lau, E. P., Owens, G. E., Trefler, A. The future of medical diagnostics: large digitized databases. The Yale Journal of Biology and Medicine. 85 (3), 363 (2012).
- Laulederkind, S. J., et al. The Rat Genome Database curation tool suite: a set of optimized software tools enabling efficient acquisition, organization, and presentation of biological data. Database. 2011, (2011).
- Harris, P. A., et al. Research electronic data capture (REDCap)–a metadata-driven methodology and workflow process for providing translational research informatics support. Journal of Biomedical Informatics. 42 (2), 377-381 (2009).
- Panko, R. R. What we know about spreadsheet errors. Journal of Organizational and End User Computing (JOEUC). 10 (2), 15-21 (1998).
- Ziemann, M., Eren, Y., El-Osta, A. Gene name errors are widespread in the scientific literature. Genome Biology. 17 (1), 177 (2016).
- Enhancing Reproducibility through Rigor and Transparency. NIH Available from: https://grants.nih.gov/reproducibility/index.htm (2018)
- Hofseth, L. J. Getting rigorous with scientific rigor. Carcinogenesis. 39 (1), 21-25 (2017).
- . SQL Training and Tutorials – Lynda.com Available from: https://www.lynda.com/SQL-training-tutorials/446-0.html (2018)
