<4D F736F F F696E74202D20C3E6CFF2C9FACEEFD2BDD1A7C1ECD3F2B5C4CEC4B1BECDDABEF2BCBCCAF5D1D0BEBF205BBCE6C8DDC4A3CABD5D>

Size: px

Start display at page:

Download "<4D F736F F F696E74202D20C3E6CFF2C9FACEEFD2BDD1A7C1ECD3F2B5C4CEC4B1BECDDABEF2BCBCCAF5D1D0BEBF205BBCE6C8DDC4A3CABD5D>"

押蹄左
5 years ago
Views:

1 大连理工大学信息检索实验室在生物医学文本挖掘领域的研究工作介绍杨志豪大连理工大学计算机学院 1

2 教师 : 7 人大连理工大学信息检索实验室林鸿飞教授博士生 : 10 硕士生 : 40 网站 : 邮箱 : irlab@dlut.edu.cn 2

3 研究领域基于语义的搜索引擎 ( 垂直搜索和移动搜索 ) 基于文本的情感计算 ( 观点挖掘和情感分析 ) 面向生物医学领域的文本挖掘 3

4 研究背景我们的工作未来的研究方向报告大纲 4

5 生物医学文献呈指数级增长研究背景 Medline: 收录生物医学文献摘要 2100 万篇以上, 每天添加篇丰富的生物医学知识蕴藏在海量的文本中的文本中 5

6 MEDLINE 文摘数量呈指数级增长 6

7 生物医学文本挖掘的实例 Swanson 1986 发现鱼油 ( fish oil ) 和雷诺氏病 ( Raynaud s ) 的潜在关联 Platelet aggregation Raynaud's Fish oil may help syndrome Vasoconstriction Fish oil treat Raynaud's syndrome blood viscosity 7

8 生物医学文本挖掘中的主要研究问题 8

9 我们的工作自然语言处理技术 + 机器学习 + 领域知识我们的研究包括 : 生物命名实体识别和标准化实体关系抽取自动文摘假设发现蛋白质网络络合物抽取 9

10 生物命名实体识别识别医学文献中的各种实体 ( 疾病生理表征基因 / 蛋白质化合物 / 药物 ) 高级文本挖掘任务的重要基础工作 The TCF-1 alpha binding site was also required for TCR alpha enhancer activity in transcriptionally active extracts from Jurkat but not HeLa cells, confirming that TCF-1 alpha is a T-cell-specific transcription factor. 10

11 生物命名实体识别的难点描述性的命名习惯 : 许多生物实体命名是描述性的, 如 47 kda sterol regulatory element binding factor, 名字较长这样很难确定生物实体名的边界非标准的命名习惯 : 生物实体可能有多种拼写形式, 如 Nacetylcysteine N-acetyl-cysteine 和 NAcetylCysteine 都是指同一生物实体功能无关的基因蛋白质还可能出现同名的情况缩写 : 在生物医学文献中, 缩写大量使用, 也很不规范, 如 Interleukin i 2 的缩写 IL2 是根据音节的得到的, 而 palate 的缩写 PAL 是根据音节的得到的包含关系 : 生物实体名可以是其他生物实体名的子串, 如 epidermal growth factor 和 epidermal growth factor receptor 是两个不同的生物实体 11

12 特征耦合泛化策略我们提出了一种新的半监督机器学习方法 - 特征耦合泛化策略实例区分特征 (Example-distinguishing i features, EDFs) 如 bigram=il 2 类别区分特征 (Class-distinguishing features, CDFs) 如模式 : Xgene Xproteins, X 特征的耦合程度 (Feature coupling degree, FCD) EDF-CDF 对的相关度量在海量的未标数据中自动学习得到这两类特征的耦合程度, 并将其转化为新的特征 12

13 方法的优势可以很大程度的提升经典方法中效果不好的特征, 解决数据稀疏问题 ; 可以很容易的处理大规模未标数据, 容易理解, 易于实现, 不受具体分类器的限制等 BMC Bioinformatics o 审稿人评价 The overall ideas discussed in this paper present an interesting contribution to the fields of text mining i for bioinformatics i i and machine learning in general. it would be great contribution to the community, 13

14 生物命名实体标准化基因标准化的目的为生物医学文献中提到的基因和蛋白质名确定其在数据库中对应的唯一标识符, 从而建立起这些实体与生物学数据库之间的联系挑战标准化任务面临着语义方面的挑战, 因为它需要对基因所表达的真实含义进行检测, 给出基因的标准形式 14

15 消歧目的 : 确定一个歧义词的哪一种语义在当前的上下文中被使用我们的方法 : 利用基因名的上下文信息和基因标识符的扩展语义信息上下文信息 : 将基因名所在摘要建立 bag-of-words 模型扩展语义信息 : 将与每个基因标识符相关的 MedLine 摘要合并在一起生成摘要描述信息 ; 基因本体描述信息计算余弦相似度 k Sim ( D, D ) cos n W * W 1k 2k 1 n n 2 2 W1 k W2k k 1 k 1 ( )( )

16 生物医学文献中的关系抽取生物实体如疾病药物基因蛋白质间的关系对整个生物知识网络的建立生物体关系的预测新药的研制等均具有重要的意义当前对基因蛋白质的研究是生命科学的研究重点, 因此以抽取出生物医学文献中的蛋白质 ( 基因 ) 交互关系为目的的关系抽取系统有着很高的应用价值 16

17 蛋白质交互 (PPI) 关系抽取抽取 PPI 关系对蛋白质知识网络的建立蛋白质关系的预测以及新药的研制随着生物医学文献数量的迅速增长, 很难依靠人工抽取蛋白质关系信息 The expression of rsfa is under the control of both sigma(f) and sigma(g) 17

18 蛋白质交互 (PPI) 关系抽取已有方法 : 基于自然语言处理 (NLP) 的方法基于模板的方法基于机器学习的方法我们提出的方法 : 基于多核学习的方法基于层叠泛化的结果融合 18

19 基于多核学习的方法机器学习的方法中, 基于核的方法是一种特征抽取的有效方法它保持对象的原始表达形式, 通过计算一对实体的核函数的值使用这些对象基于词特征的核树核图核核的融合 19

20 基于词特征的核词特征两个无序的词集 ( 两个实体之间和周围的词的集合 ) 距离特征两个蛋白质实体之间的词个数关键词特征实体名之间或者周围存在着暗指蛋白质关系的词 ( bind interact 等 ) 20

21 树核 N j K (, ) (, ) C T T n n n N, n N

22 图核图核通过比较目的关系之间的相同节点实现两输入图的相似度计算 22

23 图核图矩阵 G 计算了任何一对蛋白质关系对各个顶点之间的所有路径的权重和 T n T 1 n 11 G L A L L (( I A) I) L A 图的邻接矩阵 n* n L * n l 图的标签矩阵图核计算两个图矩阵的相似度 kgg (, ') GG' L L i 1 j 1 ij ij 23

24 核的融合不同的核方法从不同方面计算了两个句子的相似度, 融合这些相似度可以避免遗漏重要的特征 24

25 系统集成生物医学领域资源 UMLS MESH GO UniProt 可视化界面文本结构分析特征提取实体名识别标准化实体相互作用关系提取 Medline 文摘实体相互作用关系网络蛋白质知识发现 25

26 系统集成 26

27 系统集成研究成果 PPIExtractor: A Protein-Protein Interaction Extractor t for Biomedical Literature t 被将于 2012 年 10 月在美国费城举办的 BIBM2012(the 2012 IEEE International Conference on Bioinformatics and Biomedicine) 会议录取为 Regular Paper( 录取率为 19.93% ) 审稿专家评价 : Based on the findings presented, the proposed PPI extraction tool can be a useful resource for biologists and biomedical researchers. The tool is available online and will be of great interest to the BIBM community Overall, this work will make an excellent contribution. 27

28 其他相关工作关于 H1N1 的假设发现研究生物医学领域的自动文摘基于哈希子图核的蛋白质关系抽取基于多核的 Drug-drug 关系抽取生物医学领域的事件抽取基于监督学习的蛋白质网络络合物抽取 28

29 未来的工作进一步提高实体识别步提高实体识别关系抽取等方法的性能非结构化信息与结构化数据的集成与生物医学专家展开合作 29

30 资助项目基于信息抽取技术的蛋白质相互作用网络构建及蛋白质复合物识别研究, 国家自然科学基金资助面上项目 ( 编号 : ), 2011 年 1 月年 12 月面向生物医学领域的文本挖掘技术, 国家自然科学基金资助面上项目 ( 编号 : ),2007 年 1 月年 12 月 30

31 代表性论文 Zhihao Yang, Yuan Lin, Jiajin Wu, Nan Tang, Hongfei Lin, Yanpeng Li. Ranking SVM for Multiple Kernels Output Combination in Protein-Protein Interaction Extraction from Biomedical Literature, PROTEOMICS, 2011,11(19): IF Yanpeng Li, Xiaohua Hu, Hongfei Lin and Zhihao Yang. A Framework for Semi-supervised Feature Generation and its Applications in Biomedical Literature Mining, IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2011,8(2): IF Yijia zhang,hongfei Lin, Zhihao Yang. Hash Subgraph Pairwise Kernel for Protein Protein Interaction Extraction IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2012,9(4): IF Yue Shang, Yanpeng Li, Hongfei Lin, and Zhihao Yang. Enhancing biomedical text summarization using semantic relation extraction PLoS One 2011; 6(8):e23862 IF

32 代表性论文 Yanpeng Li, Xiaohua Hu, Hongfei Lin and Zhihao Yang. Learning an enriched representation from unlabeled data for protein-protein interaction extraction, BMC Bioinformatics 2010, 11(Suppl 2):S7 IF Yanpeng Li, Hongfei Lin, Zhihao Yang. Incorporating rich background knowledge for gene named entity classification and recognition, BMC Bioinformatics 2009, 10:223 IF Zhihao Yang, Hongfei Lin, Yanpeng Li,BioPPISVMExtractor:A Protein-Protein Interaction Extractor for Biomedical Literature Using SVM and Rich Feature Sets,Journal of Biomedical Informatics, Elsevier, 2010,43 (1): IF Zhihao Yang, Nan Tang, Xiao Zhang, Hongfei Lin, Yanpeng Li, Zhiwei Yang, Multiple Kernel Learning in Protein-Protein Interaction Extraction from Biomedical Literature, Artificial Intelligence in Medicine, 2011,51(3): IF

33 代表性论文 Bo Xu, Hongfei Lin, ZhiHao Yang, Ontology integration to identify protein complex in protein interaction networks,proteome Science 2011, 9(Suppl 1):S7 IF 2.49 Zhihao Yang, Hongfei Lin, Yanpeng Li, Exploiting the contextual cues for bio-entity name recognition in biomedical literature, Journal of Biomedical Informatics, 2008,41(4): IF Zhihao Yang, Hongfei Lin, Yanpeng Li, Exploiting the performance of dictionary-based d bio-entity name recognition in biomedical literature, Computational Biology and Chemistry, 2008,32(4): IF Zhihao Yang, Hongfei Lin and Baodong Wu, BioPPIExtractor :A Protein-Protein Interaction Extraction System for Biomedical Literature, Expert Systems with Applications, 2009,36(2P1): IF

34 演示系统实体识别蛋白质关系抽取蛋白质网络络合物抽取 34

35 谢谢! 35

1. 课程负责人情况姓名蒋效宇性别男出生年月基本信息最终学历研究生职称副教授电话学位博士职务无传真研究方向 MIS 系统整合电子

1. 课程负责人情况姓名蒋效宇性别男出生年月基本信息最终学历研究生职称副教授电话学位博士职务无传真研究方向 MIS 系统整合电子北京服装学院精品课程建设立项申报表课程名称管理信息系统所属部门商学院课程类型理论课 ( 不含实践 ) 理论课 ( 含实践 ) 实验 ( 践 ) 课所属一级学科名称所属二级学科名称课程负责人管理科学与工程管理信息系统蒋效宇申报日