|
基于生物醫(yī)學(xué)文獻的蛋白質(zhì)關(guān)系發(fā)現(xiàn)
精品源自化學(xué)科
論文摘要:實驗提出了一種基于詞頻統(tǒng)計的蛋白質(zhì)關(guān)系知識發(fā)現(xiàn)方法.該方法首先通過生物命名實體識別技術(shù)識別出蛋白質(zhì)實體.然后統(tǒng)計共出現(xiàn)頻率,形成候選實體對,從而發(fā)現(xiàn)最有可能的實體關(guān)聯(lián)。
論文關(guān)鍵詞:知識發(fā)現(xiàn) 生物命名實體識別 實體關(guān)聯(lián)
1引言
分子生物學(xué)研究的飛速發(fā)展,使生物醫(yī)學(xué)文獻呈指數(shù)級增長。如此多的文獻資源,為科研人員運用數(shù)據(jù)挖掘和文本挖掘技術(shù),發(fā)現(xiàn)隱含的、有價值的知識提供了有利的條件。
由于大多數(shù)的生物信息都保存在文本中。因此對生物醫(yī)學(xué)的研究一般采用文本挖掘技術(shù)。文本挖掘是一個交叉的研究領(lǐng)域,它涉及了數(shù)據(jù)挖掘、信息檢索、自然語言處理等多個研究領(lǐng)域的內(nèi)容。利用文本挖掘技術(shù),可以發(fā)現(xiàn)許多有用的信息。一些科研人員利用文本挖掘工具,發(fā)現(xiàn)了許多對人類有用的知識,例如:魚肝油可治療雷諾式癥、蛋白質(zhì)之間的相互作用等。另外,從生物醫(yī)學(xué)文獻中抽取蛋白質(zhì)基因1相互作用關(guān)系對蛋白質(zhì)知識網(wǎng)絡(luò)的建立、蛋白質(zhì)關(guān)系預(yù)測以及輔助新藥的研制等都具有重要的意義。
2相關(guān)研究
生物醫(yī)學(xué)的知識發(fā)現(xiàn),一般針對文獻進行研究�；谖墨I的知識發(fā)現(xiàn),主要有基于統(tǒng)計、關(guān)聯(lián)規(guī)則、信息測度和基于語義的方法。華盛頓大學(xué)的Swanson教授提出了基于單詞的詞頻統(tǒng)計方法。首先統(tǒng)計出共出現(xiàn)的單詞的頻率,然后對文獻集進行分析。通過這種方法,Swanson發(fā)現(xiàn)了許多對人類有益的知識。例如,魚肝油對于雷諾氏癥的治療作用,鎂的缺失會引起偏頭痛,某些病毒可以成為潛在的生化武器等等,這些發(fā)現(xiàn)都得到了臨床上的證實。
Hristovski日將關(guān)聯(lián)規(guī)則挖掘引入了基于文獻的知識發(fā)現(xiàn)。他將生物文獻看作數(shù)據(jù)庫中的事務(wù),而用來代表文獻內(nèi)容的詞則看作是規(guī)則中的項,通過設(shè)置支持度閾值和置信度閾值來產(chǎn)生關(guān)聯(lián)的詞匯。Wren為詞匯間具有信息的關(guān)聯(lián)。他使用互信息方法來計算詞的關(guān)聯(lián)度,通過互信息值的大小來表示關(guān)聯(lián)的強度。他的方法具有領(lǐng)域無關(guān)的特性,可以用來推廣到很多的研究領(lǐng)域。
WeebeIlq等人設(shè)計了一個文本挖掘工具DAD系統(tǒng)。它利用自然語言處理系統(tǒng)MetaMap將文獻中的語句映射為UMLS本體中的生物概念。用概念來取代詞匯作為知識發(fā)現(xiàn)的基礎(chǔ)。該方法實現(xiàn)了語義層次上的知識發(fā)現(xiàn)。他們利用DAD系統(tǒng)找出了生姜潛在的醫(yī)療作用。在關(guān)聯(lián)規(guī)則挖掘中,有效閾值的設(shè)定很困難。如果閾值設(shè)置的過低,會產(chǎn)生大量的候選規(guī)則,而設(shè)置的過高,則有可能過濾掉許多有意義的規(guī)則。另外,基于語義的方法,需要構(gòu)建領(lǐng)域本體,這需要許多專業(yè)人士的共同參與。因此,本文在Swanson的理論基礎(chǔ)提出了一種基于命名實體的詞頻統(tǒng)計方法,該方法通過實體提取、句子分析等過程發(fā)現(xiàn)蛋白質(zhì)之間潛在的關(guān)系。該方法閾值的設(shè)定對實驗結(jié)果影響不大,而且不需要領(lǐng)域?qū)＜业膮⑴c。
3方法描述
本文實現(xiàn)了一個蛋白質(zhì)知識發(fā)現(xiàn)系統(tǒng)。該系統(tǒng)使用Medline中隨機生成的2000篇摘要進行分析。系統(tǒng)首先對語料進行蛋白質(zhì)實體識別,形成蛋白質(zhì)實體列表,然后對句中的每個蛋白質(zhì)實體對進行共出現(xiàn)頻率統(tǒng)計,進而生成候選實體對,最后找出最高出現(xiàn)頻率的實體對,從而發(fā)現(xiàn)最可能的實體關(guān)聯(lián)。該系統(tǒng)的框架如圖1所示。
3.1蛋白質(zhì)實體識別
在對生物醫(yī)學(xué)領(lǐng)域的文本挖掘中,實體識別的目的是對文本中的專業(yè)詞匯,包括基因、蛋白質(zhì)、DNA和RNA等加以確認(rèn)和分類。對蛋白質(zhì)的知識發(fā)現(xiàn),第一步就是進行蛋白質(zhì)實體的識別。實驗采用了一種基于條件隨機域的生物實體識別方法,該方法以Mallet工具為基礎(chǔ),并增加了單詞的數(shù)字、字母、以及距離依賴特性。
3.2共出現(xiàn)頻率分析
文獻挖掘有不同層次的分析單元,如單詞、短語、句子、摘要或者全文。對于實體共出現(xiàn)頻率而言,以句子為最大分析單元式最合理的選擇。如果兩個實體對象同時出現(xiàn)在一個句子中,那么就稱為實體共出現(xiàn),而這兩個實體稱為共出現(xiàn)實體。通過文本挖掘方法處理大批的文獻,提取得到共出現(xiàn)實體,統(tǒng)計它們的總數(shù)并計算出實體共出現(xiàn)頻率。如果兩個實體對象的共出現(xiàn)頻率很高,表明這兩個實體對象經(jīng)常被同時提及,這暗示著這兩個實體對象之間存在關(guān)聯(lián)的可能性較高。相反,如果實體對象的功出現(xiàn)頻率很低那么這兩個實體對象之間存在關(guān)聯(lián)的可能性就較低。實驗主要針對蛋白質(zhì)實體.因此只討論蛋白質(zhì)一蛋白質(zhì)實體的共出現(xiàn)頻率。
3.3關(guān)系挖掘
通過計算共出現(xiàn)實體在所有句子中的出現(xiàn)頻率,提取關(guān)聯(lián)實體。根據(jù)設(shè)定不同的最低共出現(xiàn)頻率閾值,得到不同可靠程度的存在關(guān)聯(lián)的實體數(shù)據(jù),從而發(fā)現(xiàn)最有可能存在關(guān)聯(lián)的蛋白質(zhì)一蛋白質(zhì)實體對象。
4實驗
4.1實驗數(shù)據(jù)集
本實驗以從MEDLINE中隨機新選的2000篇摘要為語料,實驗數(shù)據(jù)統(tǒng)計見表1。
4.2實驗結(jié)果
實驗采用條件隨機域模型進行實體識別,通過計算共出現(xiàn)頻率形成候選實體對。實驗結(jié)果詳見表2。其中,“過濾”指忽略低于指定頻率的共出現(xiàn)實體.在這里,指定頻率為5。
5結(jié)束語
隨著數(shù)據(jù)挖掘和文本挖掘技術(shù)的進步,生物醫(yī)學(xué)文獻挖掘在生物信息中的應(yīng)用越來越廣泛。以知識發(fā)現(xiàn)為目的的文獻挖掘以分為提取知識、整合知識以及推導(dǎo)知識。文獻挖掘在尋找蛋白質(zhì)相互作用、發(fā)現(xiàn)疾病相關(guān)的基因以及注釋基因功能等方面得到廣泛應(yīng)用。本文首先識別出蛋白質(zhì)實體,形成實體列表,然后統(tǒng)計共出現(xiàn)頻率,形成候選實體對,從而發(fā)現(xiàn)最有可能的實體關(guān)聯(lián)。
實驗采用基于實體識別的共出現(xiàn)頻率統(tǒng)計模型,該方法過程簡單,不需要領(lǐng)域?qū)＜业闹苯訁⑴c。由于實體在句中具有特定的義,因此,如果模型能夠融合部分語義特征,進行實體關(guān)聯(lián)動詞統(tǒng)計,進而進行共出現(xiàn)頻率與關(guān)聯(lián)動詞相結(jié)合的分析。這是我們今的研究方向。
精品源自化學(xué)科
|