基于生物醫(yī)學(xué)文獻(xiàn)的蛋白質(zhì)關(guān)系發(fā)現(xiàn)

1、 基于生物醫(yī)學(xué)文獻(xiàn)的蛋白質(zhì)關(guān)系發(fā)現(xiàn) 作者：彭春艷 張暉 包玲玉 陳昌平 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) 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)。 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(xiàn)呈指數(shù)級增長。如此多的文獻(xiàn)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

2、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(xiàn)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(xiàn)進(jìn)行研究。基于文獻(xiàn)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(xiàn)集進(jìn)行分析。通過這種方法，swanson發(fā)現(xiàn)了許多對人類有益的知

3、識。lOCaLHOst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(xiàn)的知識發(fā)現(xiàn)。他將生物文獻(xiàn)看作數(shù)據(jù)庫中的事務(wù)，而用來代表文獻(xiàn)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(qiáng)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(xiàn)中的語句映

4、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me

5、dline中隨機(jī)生成的2000篇摘要進(jìn)行分析。系統(tǒng)首先對語料進(jìn)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(jìn)行共出現(xiàn)頻率統(tǒng)計，進(jìn)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。 31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(jìn)行蛋白質(zhì)實體的識別。實驗采用了一種基于條件隨機(jī)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。 32共出現(xiàn)頻率分析 文獻(xiàn)挖掘有不同層

6、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(xiàn)，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。 33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

7、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 41實驗數(shù)據(jù)集 本實驗以從medline中隨機(jī)新選的2000篇摘要為語料，實驗數(shù)據(jù)統(tǒng)計見表1。 42實驗結(jié)果 實驗采用條件隨機(jī)域模型進(jìn)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(jìn)步，生物醫(yī)學(xué)文獻(xiàn)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(xiàn)挖掘以分為提取知識、整合知識以及推導(dǎo)知識。文獻(xiàn)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