發(fā)布時(shí)間：2020-07-21 21:19

【摘要】： 文獻(xiàn)挖掘是一種文本數(shù)據(jù)自動(dòng)分析方法,涉及到數(shù)據(jù)挖掘、文本挖掘和自然語言處理等多個(gè)研究領(lǐng)域。作為一種從文獻(xiàn)中提取、整合并發(fā)現(xiàn)知識(shí)的高效工具,能夠快速處理大量文獻(xiàn)并挖掘得到特定領(lǐng)域的知識(shí)。隨著相關(guān)算法的引入與語料庫的完善,文獻(xiàn)挖掘的性能與可靠程度不斷提高,因而在科學(xué)研究中得到越來越廣泛的應(yīng)用。 生物醫(yī)學(xué)研究積累了大量的文獻(xiàn)數(shù)據(jù),其中記載了大量的不同類型的知識(shí)。另一方面,生物信息技術(shù)研究的目的是管理并分析生物醫(yī)學(xué)實(shí)驗(yàn)得到的海量數(shù)據(jù),以及提供預(yù)測(cè)性或者指導(dǎo)性結(jié)論。作為生物信息技術(shù)研究的一個(gè)新興方向,文獻(xiàn)挖掘技術(shù)以生物醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)為分析對(duì)象,提取和整合散布于文本數(shù)據(jù)中的知識(shí),從而實(shí)現(xiàn)展示并推理文獻(xiàn)中隱含的新知識(shí)的目的。本文以PubMed數(shù)據(jù)為研究對(duì)象,開發(fā)并整合多種文獻(xiàn)挖掘方法,提取蛋白質(zhì)、疾病和化合物相關(guān)的知識(shí),并加以整合后用于新知識(shí)的發(fā)現(xiàn)。主要研究?jī)?nèi)容如下: 1)識(shí)別文獻(xiàn)數(shù)據(jù)中的實(shí)體,并映射到分子生物學(xué)數(shù)據(jù)庫。文獻(xiàn)中的實(shí)體識(shí)別是其他工作的基礎(chǔ)。識(shí)別不同領(lǐng)域不同類型的實(shí)體所使用的方法各不相同,因而從生物醫(yī)學(xué)文獻(xiàn)中識(shí)別基因/蛋白質(zhì)、疾病和化合物三類常見實(shí)體采用了不同的方法。利用基于統(tǒng)計(jì)的條件隨機(jī)場(chǎng)方法,統(tǒng)計(jì)學(xué)習(xí)基因/蛋白質(zhì)的命名特點(diǎn)與規(guī)律,從文獻(xiàn)中識(shí)別出基因/蛋白質(zhì)實(shí)體。利用基于詞典的方法,從文獻(xiàn)中提取出MeSH詞典所描述的21類三級(jí)以下的疾病實(shí)體。同樣,利用基于詞典的方法從文獻(xiàn)中提取出各類化合物實(shí)體。對(duì)于識(shí)別得到的基因/蛋白質(zhì)實(shí)體,采用了分級(jí)映射方法,分別把實(shí)體映射到不同規(guī)范化程度的Entrez Gene數(shù)據(jù)庫。按照與完備基因詞典、中等基因詞典和精簡(jiǎn)基因詞典的匹配程度,把實(shí)體分為準(zhǔn)確實(shí)體、可靠實(shí)體、相似實(shí)體和未知實(shí)體四部分。 2)制定實(shí)體關(guān)聯(lián)規(guī)則,整合實(shí)體之間的關(guān)聯(lián),得到六類關(guān)聯(lián)實(shí)體。文本中識(shí)別得到的三類實(shí)體之間存在六種關(guān)聯(lián):蛋白質(zhì)-蛋白質(zhì)、疾病-疾病、化合物-化合物、蛋白質(zhì)-疾病、蛋白質(zhì)-化合物和疾病-化合物。首先通過共出現(xiàn)頻率方法得到存在關(guān)聯(lián)的各類實(shí)體。然后對(duì)存在共出現(xiàn)實(shí)體的句子進(jìn)行詞性標(biāo)注,進(jìn)而迭代提取出四類共536個(gè)描述實(shí)體關(guān)聯(lián)的關(guān)聯(lián)動(dòng)詞列表。以關(guān)聯(lián)動(dòng)詞列表為基礎(chǔ),構(gòu)建實(shí)體關(guān)聯(lián)規(guī)則庫。文本數(shù)據(jù)與關(guān)聯(lián)規(guī)則庫匹配后,得到六類關(guān)聯(lián)實(shí)體數(shù)據(jù)。此外討論了六類關(guān)聯(lián)實(shí)體可能表示的生物醫(yī)學(xué)意義以及相應(yīng)的處理策略。 3)基于實(shí)體關(guān)聯(lián)數(shù)據(jù)構(gòu)建相應(yīng)的實(shí)體關(guān)聯(lián)網(wǎng)絡(luò),并提供了兩種網(wǎng)絡(luò)分解方案來發(fā)現(xiàn)新的知識(shí)。以六類實(shí)體關(guān)聯(lián)數(shù)據(jù)為基礎(chǔ),構(gòu)建了6個(gè)簡(jiǎn)單實(shí)體關(guān)聯(lián)網(wǎng)絡(luò)。整合不同的簡(jiǎn)單實(shí)體關(guān)聯(lián)網(wǎng)絡(luò)后得到了2個(gè)雜合實(shí)體關(guān)聯(lián)網(wǎng)絡(luò):分子相互作用網(wǎng)絡(luò)與全關(guān)聯(lián)網(wǎng)絡(luò)。分析了8個(gè)實(shí)體關(guān)聯(lián)網(wǎng)絡(luò)的拓?fù)湫再|(zhì),并且把網(wǎng)絡(luò)分解為連通子圖、Hub子圖和關(guān)聯(lián)子圖,從而得到存在間接關(guān)聯(lián)的實(shí)體、活躍實(shí)體和一組關(guān)聯(lián)實(shí)體構(gòu)成的關(guān)聯(lián)途徑等新知識(shí)。 4)構(gòu)建了基于文獻(xiàn)挖掘的生物醫(yī)學(xué)知識(shí)發(fā)現(xiàn)平臺(tái)的原型系統(tǒng)。平臺(tái)整合了文獻(xiàn)挖掘中所需的第三方工具以及自行開發(fā)的工具,提供統(tǒng)一的訪問接口和數(shù)據(jù)格式。該平臺(tái)能夠完成實(shí)體識(shí)別、實(shí)體關(guān)聯(lián)挖掘和實(shí)體關(guān)聯(lián)網(wǎng)絡(luò)構(gòu)建三類知識(shí)發(fā)現(xiàn)任務(wù),并且提供與第三方圖顯示工具兼容的數(shù)據(jù)格式,滿足實(shí)體關(guān)聯(lián)網(wǎng)絡(luò)以及子圖的可視化需求。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2006
【分類號(hào)】：R-5
【圖文】：

2 面向文檔的信息獲取信息獲取(Information Retrieval，IR)是從數(shù)據(jù)庫中搜索并返回符合特定規(guī)則的文過程[29]。有兩種 IR 系統(tǒng)：基于查詢的 IR 和基于文檔的 IR�；诓樵兊� IR 是的信息獲取方式，它通過搜索符合特定的術(shù)語或者關(guān)鍵字的文檔，返回所有符詢條件的文檔。在基于查詢的 IR 系統(tǒng)搜索結(jié)果中可能存在無關(guān)文檔，為了降低得到的無關(guān)文檔數(shù)量，引入了文檔相似性的衡量指標(biāo)，基于文檔的 IR 就是利用相似性來尋找更多類似的文檔。向量空間模型(Vector Space Model)是衡量文檔相的常見模型[30]。在這個(gè)模型中，每個(gè)文檔中出現(xiàn)的單詞和短語都被賦予一定的，從而可以把文檔表示為單詞和短語的加權(quán)向量。單詞/短語的權(quán)重和出現(xiàn)的頻erm frequency, 簡(jiǎn)稱 TF)相關(guān)，此外，為了避免無意義詞匯(如 the，a 等)的干擾，反向文檔頻率(reverse document frequency，簡(jiǎn)稱 IRF)來歸一化權(quán)重。通過比較文圖 1.2 文獻(xiàn)挖掘與知識(shí)發(fā)現(xiàn)Fig. 1.2 Literature mining and knowledge discovery

需要進(jìn)行如下的規(guī)范化處理，圖2.2 以基因 2708925 分解為 AF198447 和 60S ribosomal protein L3 兩個(gè)基因名稱為例，描述了數(shù)據(jù)庫中的基因名稱處理過程：圖 2.2 基因 2708925 的名稱處理Fig. 2.2 Name processing of gene 2708925

疾病相關(guān)的主題詞位于 MeSH 中的“C”目錄，分散在 23 個(gè)子目錄中，對(duì)應(yīng)病相關(guān)的主題詞：C01 細(xì)菌感染和真菌病、C02 病毒疾病、C03 寄生蟲病、、C05 肌肉骨骼系統(tǒng)疾病、C06 消化系統(tǒng)疾病、C07 口頜疾病、C08 呼吸道C09 耳鼻喉疾病、C10 神經(jīng)系統(tǒng)疾病、C11 眼疾病、C12 泌尿和男性生殖器C13 女性生殖器疾病和妊娠并發(fā)癥、C14 心血管系統(tǒng)疾病、C15 血液和淋巴圖 2.5 MeSH 的樹型結(jié)構(gòu)Fig 2.5 Tree structure of MeSH

【引證文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前2條

1 陳江江;生理組學(xué)文獻(xiàn)挖掘系統(tǒng)的實(shí)現(xiàn)[D];華中科技大學(xué);2009年

2 孔寧;文獻(xiàn)學(xué)科特征挖掘及分類研究[D];東北林業(yè)大學(xué);2012年

本文編號(hào)：2764824