生物醫(yī)學(xué)文本挖掘研究熱點

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了生物醫(yī)學(xué)文本挖掘研究熱點范文，希望能給你帶來靈感和參考，敬請閱讀。

［摘要］為了解生物醫(yī)學(xué)文本挖掘的研究現(xiàn)狀和評估未來的發(fā)展方向，以美國國立圖書館PubMed中收錄的2000年1月－2015年3月發(fā)表的生物醫(yī)學(xué)文本挖掘研究文獻記錄為樣本來源，提取文獻記錄的主要主題詞進行頻次統(tǒng)計后截取高頻主題詞，形成高頻主題詞－論文矩陣，根據(jù)高頻主題詞在同一篇論文中的共現(xiàn)情況對其進行聚類分析，根據(jù)高頻主題詞聚類分析結(jié)果和對應(yīng)的類標(biāo)簽文獻，分析當(dāng)前生物醫(yī)學(xué)文本挖掘研究的熱點。結(jié)果顯示，當(dāng)前文本挖掘在生物醫(yī)學(xué)領(lǐng)域應(yīng)用的主要研究熱點為文本挖掘的基本技術(shù)研究、文本挖掘在生物信息學(xué)領(lǐng)域里的應(yīng)用、文本挖掘在藥物相關(guān)事實抽取中的應(yīng)用3個方面。

［關(guān)鍵詞］文本挖掘;生物醫(yī)學(xué)研究;研究熱點

隨著生物醫(yī)學(xué)科學(xué)的飛速發(fā)展，生物醫(yī)學(xué)領(lǐng)域的實驗數(shù)據(jù)和文獻數(shù)量急劇增加。常用的檢索方式通常會消耗大量時間，并且需要對檢索詞進行仔細(xì)篩選及恰當(dāng)組合。文本挖掘是通過計算機發(fā)現(xiàn)以前未知的新信息，即在現(xiàn)有文獻資源中自動提取相關(guān)信息，并揭示另外隱含的意義［1］。利用文本挖掘能夠有效地從生物醫(yī)學(xué)數(shù)據(jù)庫中提取相關(guān)知識進行研究進而提出新的實驗假設(shè)，得到新的科學(xué)結(jié)論，因此文本挖掘在生物科學(xué)領(lǐng)域具有很大的應(yīng)用價值。以檢索詞“textmining”在PubMed檢索(2015年6月9日)相關(guān)文獻，結(jié)果顯示文獻累積數(shù)量隨著年代的分布呈現(xiàn)典型的指數(shù)分布，說明文本挖掘在生物醫(yī)學(xué)領(lǐng)域中正處在飛速發(fā)展中，是當(dāng)前的研究熱點?；谝陨显颍覀冞\用共詞分析的方法，對2000年1月至2015年3月MEDLINE數(shù)據(jù)庫收錄的有關(guān)文本挖掘在生物醫(yī)學(xué)領(lǐng)域應(yīng)用的論文中的高頻主題詞進行了共現(xiàn)聚類分析，總結(jié)出當(dāng)前國際上文本挖掘在生物醫(yī)學(xué)領(lǐng)域應(yīng)用的研究熱點，并對其進行分析。

1資料與方法

數(shù)據(jù)樣本為MEDLINE數(shù)據(jù)庫收錄的生物醫(yī)學(xué)領(lǐng)域文本挖掘研究文獻。MEDLINE是國際上生物醫(yī)學(xué)領(lǐng)域的權(quán)威數(shù)據(jù)庫，迄今收錄文獻達(dá)2400萬篇，通過該數(shù)據(jù)庫可以檢測到含有確切關(guān)鍵詞的文獻［2］。采用檢索策略為:“textmining”［tiab］AND((“2000/01/01”［PDAT］:“2015/03/31”［PDAT］)ANDmedline［sb］)，共得到879篇相關(guān)文獻記錄。以xml格式將全部相關(guān)文獻記錄套錄下來，運用文獻計量學(xué)統(tǒng)計分析軟件BICOMB［3］抽取和統(tǒng)計以上文獻中的主要主題詞及副主題詞及每個詞在以上全部文獻中的出現(xiàn)頻次，按照它們的出現(xiàn)頻次由高到低進行排序，選取其中出現(xiàn)頻次高于13次的40個主題詞/副主題詞作為高頻主題詞(表1)。由于這些文獻的篇名或摘要中含有“文本挖掘”被檢出，且被收錄于MEDLINE，其主要內(nèi)容都與生物醫(yī)學(xué)文本挖掘有關(guān)，因此得到的主題詞和副主題詞可反映文本挖掘在生物醫(yī)學(xué)領(lǐng)域中的應(yīng)用情況。對所有高頻主題詞做進一步處理，統(tǒng)計每一個高頻詞在文獻中的出現(xiàn)情況，形成高頻詞－文獻矩陣，輸入到gCLUTO軟件，采用系統(tǒng)聚類法對所得相似矩陣進行聚類分析，聚類分析的結(jié)果可以反映出這些高頻詞之間的親疏關(guān)系，分析這些高頻主題詞能夠獲得生物醫(yī)學(xué)領(lǐng)域文本挖掘研究的熱點。聚類結(jié)果如圖1所示，其中橫軸代表PubMed數(shù)據(jù)庫中文獻，縱軸代表進行聚類的主題詞/副主題詞。如果兩詞聚集到一起的距離短，說明它們的關(guān)系越密切［4］。首先，根據(jù)每一類高頻主題詞的含義以及這些主題詞之間的語義關(guān)系，總結(jié)出每一類主題詞所代表的研究熱點，即當(dāng)前醫(yī)學(xué)領(lǐng)域文本挖掘研究的熱點。例如，主題詞NaturalLanguageProcessing(自然語言處理)和PeriodicalsasTopic(期刊作為主題)距離較近，關(guān)系密切，首先聚成一類;ArtificialIntelli-gence(人工智能)再與前面兩個詞合成一類，這一類再與MEDLINE組成的一類再聚成一大類，以此類推。通過分析這些主題詞的語義關(guān)系就能得出它們所代表的類團含義標(biāo)簽，綜合各個類別的類標(biāo)簽可以得出當(dāng)前醫(yī)學(xué)領(lǐng)域文本挖掘研究的熱點。其次，利用gCLUTO軟件計算各類成員對聚類貢獻率的指標(biāo)(描述度Descriptive和區(qū)分度Descriminating)，選取對每一類形成貢獻最大的來源文獻作為表示該類內(nèi)容的類標(biāo)簽文獻，通過文獻內(nèi)容進一步闡釋該研究方向的具體內(nèi)容。

2結(jié)果與分析

通過對近2000－2015年MEDLINE收錄的生物醫(yī)學(xué)領(lǐng)域文本挖掘研究文獻的高頻主題詞和副主題詞進行共現(xiàn)聚類分析(圖1)，我們將該領(lǐng)域的研究熱點分為以下3大方面，14個主題。

2．1文本挖掘的基本技術(shù)

2．1．1關(guān)于基因名稱識別的研究

該類所含的主題詞有Genes;TerminologyasTopics;Vocabulary，Controlled。研究內(nèi)容如根據(jù)詞表對基因符號消歧，評價生物醫(yī)學(xué)命名體識別的各種標(biāo)準(zhǔn)［5－8］，整合多種資源以規(guī)范基因名稱等。

2．1．2文本分類中高維特征的處理問題

該類包含ArtificialIntelligence，Algorithms，PatternRecognition，Automated/methods等主題詞。研究內(nèi)容如利用Turku系統(tǒng)增強生物醫(yī)學(xué)事件抽取的新的特征選擇策略，Swanson的ABC研究中定量計算B詞的模型，如何把文本和手工構(gòu)建通路聯(lián)系起來［9－12］。

2．1．3文本挖掘中標(biāo)引注釋問題

該類包括的主題詞有NaturalLanguageProcessing;InformationStorageandRetrieval/methods;PeriodicalsasTopic;Databases，Bibliographic;AbstractingandIndexingasTopic/methods。如用于生物文本挖掘語義注釋的語料庫GENIA，對文章中圖例進行標(biāo)引和分類的系統(tǒng)，從全文中抽取生物學(xué)信息的工具。以上都涉及到文本挖掘語料的庫建設(shè)，需要事先注釋好的語料庫［13－16］。

2．1．4文本挖掘初級階段的輔助工具

該類包括DatabaseManagementSystems，MED-LINE，User－ComputerInterface等主題詞。研究內(nèi)容如通過Web服務(wù)進行文本處理的Whatizit系統(tǒng)，對MEDLINE/PubMed文獻記錄自動挖掘的輔助性工具MedKit，文本中自動標(biāo)記基因、蛋白質(zhì)和其他實體名字的開源工具ABNER，支持生物本體開發(fā)與分析的API:ONTO－PERL。其中，基于Web文本分析工具Whatizit是一種基于服務(wù)器的，用于分析文獻(如任何科學(xué)出版物或MEDLINE摘要)中所含信息的模塊，它可以辨認(rèn)術(shù)語并將其與生物醫(yī)學(xué)數(shù)據(jù)庫(如UniProtKb/Swiss－Prot)中相應(yīng)的條目和基因本體概念鏈接起來［17－19］。

2．2文本挖掘在生物信息學(xué)研究中的應(yīng)用

2．2．1系統(tǒng)生物學(xué)的知識管理

涉及的主題詞有SystemsBiology/methods;GeneExpressionProfiling/methods，KnowledgeBases。研究內(nèi)容如以高通量siRNA監(jiān)測作為生物系統(tǒng)擾動和與復(fù)合物監(jiān)測并存靶向通路的辨認(rèn)的方法應(yīng)用于轉(zhuǎn)化醫(yī)學(xué)的通用和可視化驅(qū)動的框架，藥物基因組學(xué)領(lǐng)域中的關(guān)系抽取，用于分析、整合和可視化人類轉(zhuǎn)錄組學(xué)［20－23］、蛋白質(zhì)組學(xué)和代謝組學(xué)的Web系統(tǒng)生物學(xué)工具。

2．2．2生物學(xué)網(wǎng)絡(luò):蛋白質(zhì)相互作用網(wǎng)絡(luò)的構(gòu)建和分析

涉及的主題詞有ProteinInteractionMapping/methods、Models，Biological和SignalTransduction/physiology。研究內(nèi)容如利用文本挖掘的結(jié)果來構(gòu)建PPI網(wǎng)絡(luò)，生物網(wǎng)絡(luò)推理和分析信息融合平臺Bio-CAD;還有學(xué)者開發(fā)出基于網(wǎng)絡(luò)－上下文的文獻檢索系統(tǒng)(NcDocReSy)作為Cytoscape的插件，可以通過間接相關(guān)的文獻幫助用戶手工構(gòu)建網(wǎng)絡(luò)，該系統(tǒng)結(jié)合了用生物學(xué)網(wǎng)絡(luò)檢索文獻和根據(jù)網(wǎng)絡(luò)拓?fù)鋪砼判驒z索到的文獻［24－27］。

2．2．3通過文本挖掘獲得蛋白質(zhì)相互作用網(wǎng)絡(luò)圖，并對該圖中節(jié)點間的關(guān)系進行語義上的注釋

涉及Proteins/metabolism，ProteinInteractionMapping，Semantics等主題詞。研究內(nèi)容如利用上下文模型和句子格式對基因提名加以規(guī)范并提取相互作用，把文獻挖掘和從各種來源的相互作用證據(jù)結(jié)合起來構(gòu)建鼠蛋白相互作用網(wǎng)絡(luò)，語言特征在從PubMed中抽取相互作用時的有用程度，以及從文獻中抽取人類蛋白質(zhì)因果關(guān)系的挖掘工具PPInterFinder［28－31］。

2．2．4利用文本挖掘進行的蛋白質(zhì)功能研究

涉及的主題詞有Databases，Protein;Proteins/chemistry。研究內(nèi)容如基于Web的蛋白質(zhì)序列功能注釋工具ProFat，利用圖雙字相關(guān)自動抽取蛋白質(zhì)點突變，PPI與文本挖掘集成用于蛋白質(zhì)功能預(yù)測;用整合后的全局相關(guān)評分改善PPI對排序［32－35］等。

2．2．5文本挖掘方法在生物信息學(xué)中應(yīng)用的概述

它涉及到DataMining/methods;ComputationalBiology/methods;Databases，Genetic等主題詞。文本挖掘是生物信息學(xué)的重要研究方法之一，有助于構(gòu)建基因數(shù)據(jù)庫和知識庫。研究內(nèi)容如從自文本中抽取事實的研究，文本挖掘是否能用成倍提高手工構(gòu)建基因產(chǎn)品的效率。在OMIM中檢索臨床綱要的CSI－OMIM系統(tǒng)，利用PharmGKB訓(xùn)練文本挖掘方法以在藥物基因組研究中確認(rèn)潛在基因靶標(biāo)的研究［36－39］。

2．2．6圍繞PubMed的挖掘系統(tǒng)和工具

涉及到的主題詞有Software，Internet，PubMed。本類所研究系統(tǒng)和工具與文獻挖掘的輔助工具相似，都是基于文獻數(shù)據(jù)庫開發(fā)的工具，但是輔助工具關(guān)注的是MEDLINE數(shù)據(jù)庫，而本類則關(guān)注其網(wǎng)絡(luò)版，因此更具有網(wǎng)絡(luò)應(yīng)用的性質(zhì)。眾多工具不再是輔助性的文本處理工具，而是針對PubMed的檢索和挖掘工具，尤其是基于Web的PubMed檢索工具，如GeneView，PPInterFinder等。與挖掘有關(guān)的工具則有書目分析工具，如PipelinePilot就是一種基于Web的PubMed書目分析工具等，可以進行交互式的文本挖掘［31，40－42］。以上6個主題也可以歸為一個大類，即在生物信息學(xué)研究中的應(yīng)用，側(cè)重系統(tǒng)生物學(xué)的挖掘分析，即通過蛋白質(zhì)相互作用網(wǎng)絡(luò)的分析來預(yù)測蛋白質(zhì)的功能。這是文本挖掘當(dāng)前在生物醫(yī)學(xué)應(yīng)用的主流，也是文本挖掘在生物醫(yī)學(xué)應(yīng)用中的重中之重。

2．3文本挖掘在事實抽取中的應(yīng)用

2．3．1如何從文本中抽取事實(關(guān)系)，即從文獻中發(fā)現(xiàn)醫(yī)學(xué)知識的方法學(xué)研究

涉及Databases，F(xiàn)actual;Publications;BiomedicalResearch等主題詞。研究內(nèi)容如利用文本挖掘給文獻打分和排序，以改善毒理基因組學(xué)比較數(shù)據(jù)庫中藥物－基因－疾病關(guān)系的建立;利用用戶定制的支持互操作格式的Web服務(wù)來處理生物學(xué)文獻;無監(jiān)督文本挖掘方法抽取生物醫(yī)學(xué)文獻中的關(guān)系等［43－46］。

2．3．2利用文本挖掘幫助文獻檢索和整理，滿足用戶信息需求的研究

涉及主題詞有ComputationalBiology，InformationStorageandRetrieval。文本挖掘應(yīng)用于生物信息學(xué)的信息檢索，如利用生物醫(yī)學(xué)本體改善生物醫(yī)學(xué)文獻聚類效果，利用計算機跟蹤知識與內(nèi)容，利用文本挖掘開展人類重要疾病的整合基因組分析，藥物開發(fā)中的信息需求與文本挖掘的作用等［47－50］。2．3．3利用文本挖掘方法(尤其是文獻計量學(xué)方法)構(gòu)建藥物－基因－疾病等調(diào)節(jié)網(wǎng)絡(luò)該類主題詞有DataMining和GeneRegulatoryNetworks。研究內(nèi)容如利用文本挖掘方法幫助構(gòu)建E．coliK－12菌株中OxyR蛋白的調(diào)節(jié)作用和生長條件的數(shù)據(jù)庫，文獻計量學(xué)網(wǎng)絡(luò)重建應(yīng)用程序和服務(wù)器Biblio－MetReS，比較性毒理基因組學(xué)數(shù)［51－54］據(jù)庫中藥物－基因－疾病網(wǎng)絡(luò)的文本挖掘和手工構(gòu)建等。2．3．4臨床記錄中各種信息(特別是時間信息)的抽取涉及到MedicalInformatics/methods，ElectronicHealthRecords等主題詞。該研究內(nèi)容如從臨床記錄中抽取時間關(guān)系而生成患者時間軸，結(jié)合使用規(guī)則和機器學(xué)習(xí)方法從患者出院小結(jié)中抽取時間關(guān)系的TEMPTING系統(tǒng)，從臨床文本中自動抽取巴士指數(shù)的研究，對瑞士語臨床文本的線索斷言分類，為pyConTextSwe系統(tǒng)開發(fā)詞匯表等［55－58］。以上4類的共同特征是偏重從文本中抽取事實，尤其是與藥物和毒理(藥物副作用)有關(guān)的事實抽取方法的研究，同時也涉及到基因等信息。

3結(jié)論

通過對14個主題的高頻主題詞進行梳理，可以看到文本挖掘在生物醫(yī)學(xué)領(lǐng)域應(yīng)用主要在3個方面。一是文本挖掘的基本技術(shù)研究。研究內(nèi)容從語料庫建設(shè)中的標(biāo)引注釋問題到文本分類中的特征提取，一直到這些技術(shù)在基因名稱的命名體識別中的應(yīng)用，最后涉及到可以在命名體識別等基本技術(shù)上幫助文本挖掘的工具。文本挖掘基本技術(shù)研究未來的發(fā)展應(yīng)更加注重采用規(guī)范化和標(biāo)準(zhǔn)化的工具。二是文本挖掘在生物信息學(xué)領(lǐng)域里的應(yīng)用。該研究方向側(cè)重于將挖掘方法應(yīng)用到系統(tǒng)生物學(xué)分析中，如在轉(zhuǎn)化醫(yī)學(xué)、藥物基因組學(xué)、人類轉(zhuǎn)錄組學(xué)、蛋白質(zhì)組學(xué)和代謝組學(xué)等領(lǐng)域中的應(yīng)用，利用免費而權(quán)威的PubMed文獻數(shù)據(jù)庫開發(fā)挖掘系統(tǒng)和工具。其中通過蛋白質(zhì)相互作用網(wǎng)絡(luò)分析來預(yù)測蛋白質(zhì)的功能是當(dāng)前文本挖掘在生物醫(yī)學(xué)領(lǐng)域應(yīng)用中的重中之重。另外，對生物學(xué)網(wǎng)絡(luò)(尤其是蛋白質(zhì)相互作用PPI網(wǎng)絡(luò))的屬性分析已經(jīng)成為一種新的生長點。其中通過對文本挖掘獲得文獻網(wǎng)絡(luò)，由此獲得蛋白質(zhì)功能的信息，并將其與生物整合起來的研究也是值得注意的新動向。三是文本挖掘在相關(guān)事實抽取中的應(yīng)用。文本挖掘也常用于從文本中抽取事實，尤其是與藥物、毒理(藥物副作用)、疾病有關(guān)的事實抽取方法的研究，同時也涉及到基因信息研究。包括對從文獻中發(fā)現(xiàn)醫(yī)學(xué)知識的具體技術(shù)的探討，如構(gòu)建各種生物醫(yī)學(xué)相關(guān)的數(shù)據(jù)庫和知識庫，Web服務(wù)器處理文獻;利用文本挖掘技術(shù)幫助用戶文獻檢索和整理文獻也是當(dāng)前引起廣泛關(guān)注的服務(wù)。此外，在文本挖掘算法上比較突出的方向是利用文本挖掘方法以及文獻計量學(xué)方法構(gòu)建藥物－基因－疾病等調(diào)節(jié)網(wǎng)絡(luò)，以及有關(guān)臨床記錄中各種信息(特別是時間信息)的抽取問題。綜上所述，生物醫(yī)學(xué)文本挖掘研究熱點主要集中在文本挖掘基本方法和技術(shù)研究、生物信息學(xué)中的應(yīng)用和在藥物相關(guān)研究中的應(yīng)用，未來發(fā)展方向應(yīng)當(dāng)是以詞表標(biāo)準(zhǔn)、復(fù)雜網(wǎng)絡(luò)分析等方法為主。

【參考文獻】

［1］王浩暢，趙鐵軍．生物醫(yī)學(xué)文本挖掘技術(shù)的研究與進展［J］．中文信息學(xué)報，2008，22(3):89－98．

［2］崔雷，劉偉，閆雷，等．文獻數(shù)據(jù)庫中數(shù)目信息共現(xiàn)挖掘系統(tǒng)的開發(fā)［J］．現(xiàn)代圖書情報技術(shù)，2008(8):70－75．

［3］張丹曄，崔雷．PBL教學(xué)模式的研究熱點分析［J］．醫(yī)學(xué)教育探索，2010，9(8):1053－1057．

作者：史航 高雯珺 崔雷