生物醫(yī)學文本挖掘研究熱點

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)果和對應的類標簽文獻，分析當前生物醫(yī)學文本挖掘研究的熱點。結(jié)果顯示，當前文本挖掘在生物醫(yī)學領域應用的主要研究熱點為文本挖掘的基本技術研究、文本挖掘在生物信息學領域里的應用、文本挖掘在藥物相關事實抽取中的應用3個方面。

［關鍵詞］文本挖掘;生物醫(yī)學研究;研究熱點

隨著生物醫(yī)學科學的飛速發(fā)展，生物醫(yī)學領域的實驗數(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篩選及恰當組合。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)學數(shù)據(jù)庫中提取相關知識進行研究進而提出新的實驗假設，得到新的科學結(jié)論，因此文本挖掘在生物科學領域具有很大的應用價值。以檢索詞“textmining”在PubMed檢索(2015年6月9日)相關文獻，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)學領域中正處在飛速發(fā)展中，是當前的研究熱點?；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)庫收錄的有關文本挖掘在生物醫(yī)學領域應用的論文中的高頻主題詞進行了共現(xiàn)聚類分析，總結(jié)出當前國際上文本挖掘在生物醫(yī)學領域應用的研究熱點，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)學領域文本挖掘研究文獻。MEDLINE是國際上生物醫(yī)學領域的權威數(shù)據(jù)庫，迄今收錄文獻達2400萬篇，通過該數(shù)據(jù)庫可以檢測到含有確切關鍵詞的文獻［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篇相關文獻記錄。以xml格式將全部相關文獻記錄套錄下來，運用文獻計量學統(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)學文本挖掘有關，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)學領域中的應用情況。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系，分析這些高頻主題詞能夠獲得生物醫(yī)學領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系，總結(jié)出每一類主題詞所代表的研究熱點，即當前醫(yī)學領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系就能得出它們所代表的類團含義標簽，綜合各個類別的類標簽可以得出當前醫(yī)學領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(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)學領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

2．1．1關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)學命名體識別的各種標準［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建通路聯(lián)系起來［9－12］。

2．1．3文本挖掘中標引注釋問題

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引和分類的系統(tǒng)，從全文中抽取生物學信息的工具。以上都涉及到文本挖掘語料的庫建設，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是一種基于服務器的，用于分析文獻(如任何科學出版物或MEDLINE摘要)中所含信息的模塊，它可以辨認術語并將其與生物醫(yī)學數(shù)據(jù)庫(如UniProtKb/Swiss－Prot)中相應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研究中的應用

2．2．1系統(tǒng)生物學的知識管理

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)擾動和與復合物監(jiān)測并存靶向通路的辨認的方法應用于轉(zhuǎn)化醫(yī)學的通用和可視化驅(qū)動的框架，藥物基因組學領域中的關系抽取，用于分析、整合和可視化人類轉(zhuǎn)錄組學［20－23］、蛋白質(zhì)組學和代謝組學的Web系統(tǒng)生物學工具。

2．2．2生物學網(wǎng)絡:蛋白質(zhì)相互作用網(wǎng)絡的構建和分析

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)果來構建PPI網(wǎng)絡，生物網(wǎng)絡推理和分析信息融合平臺Bio-CAD;還有學者開發(fā)出基于網(wǎng)絡－上下文的文獻檢索系統(tǒng)(NcDocReSy)作為Cytoscape的插件，可以通過間接相關的文獻幫助用戶手工構建網(wǎng)絡，該系統(tǒng)結(jié)合了用生物學網(wǎng)絡檢索文獻和根據(jù)網(wǎng)絡拓撲來排序檢索到的文獻［24－27］。

2．2．3通過文本挖掘獲得蛋白質(zhì)相互作用網(wǎng)絡圖，并對該圖中節(jié)點間的關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)合起來構建鼠蛋白相互作用網(wǎng)絡，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)功能預測;用整合后的全局相關評分改善PPI對排序［32－35］等。

2．2．5文本挖掘方法在生物信息學中應用的概述

它涉及到DataMining/methods;ComputationalBiology/methods;Databases，Genetic等主題詞。文本挖掘是生物信息學的重要研究方法之一，有助于構建基因數(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訓練文本挖掘方法以在藥物基因組研究中確認潛在基因靶標的研究［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，但是輔助工具關注的是MEDLINE數(shù)據(jù)庫，而本類則關注其網(wǎng)絡版，因此更具有網(wǎng)絡應用的性質(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，即在生物信息學研究中的應用，側(cè)重系統(tǒng)生物學的挖掘分析，即通過蛋白質(zhì)相互作用網(wǎng)絡的分析來預測蛋白質(zhì)的功能。這是文本挖掘當前在生物醫(yī)學應用的主流，也是文本挖掘在生物醫(yī)學應用中的重中之重。

2．3文本挖掘在事實抽取中的應用

2．3．1如何從文本中抽取事實(關系)，即從文獻中發(fā)現(xiàn)醫(yī)學知識的方法學研究

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比較數(shù)據(jù)庫中藥物－基因－疾病關系的建立;利用用戶定制的支持互操作格式的Web服務來處理生物學文獻;無監(jiān)督文本挖掘方法抽取生物醫(yī)學文獻中的關系等［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。文本挖掘應用于生物信息學的信息檢索，如利用生物醫(yī)學本體改善生物醫(yī)學文獻聚類效果，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(尤其是文獻計量學方法)構建藥物－基因－疾病等調(diào)節(jié)網(wǎng)絡該類主題詞有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，文獻計量學網(wǎng)絡重建應用程序和服務器Biblio－MetReS，比較性毒理基因組學數(shù)［51－54］據(jù)庫中藥物－基因－疾病網(wǎng)絡的文本挖掘和手工構建等。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系而生成患者時間軸，結(jié)合使用規(guī)則和機器學習方法從患者出院小結(jié)中抽取時間關系的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)學領域應用主要在3個方面。一是文本挖掘的基本技術研究。研究內(nèi)容從語料庫建設中的標引注釋問題到文本分類中的特征提取，一直到這些技術在基因名稱的命名體識別中的應用，最后涉及到可以在命名體識別等基本技術上幫助文本挖掘的工具。文本挖掘基本技術研究未來的發(fā)展應更加注重采用規(guī)范化和標準化的工具。二是文本挖掘在生物信息學領域里的應用。該研究方向側(cè)重于將挖掘方法應用到系統(tǒng)生物學分析中，如在轉(zhuǎn)化醫(yī)學、藥物基因組學、人類轉(zhuǎn)錄組學、蛋白質(zhì)組學和代謝組學等領域中的應用，利用免費而權威的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)絡分析來預測蛋白質(zhì)的功能是當前文本挖掘在生物醫(yī)學領域應用中的重中之重。另外，對生物學網(wǎng)絡(尤其是蛋白質(zhì)相互作用PPI網(wǎng)絡)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，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事實抽取中的應用。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)學知識的具體技術的探討，如構建各種生物醫(yī)學相關的數(shù)據(jù)庫和知識庫，Web服務器處理文獻;利用文本挖掘技術幫助用戶文獻檢索和整理文獻也是當前引起廣泛關注的服務。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方法構建藥物－基因－疾病等調(diào)節(jié)網(wǎng)絡，以及有關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)學文本挖掘研究熱點主要集中在文本挖掘基本方法和技術研究、生物信息學中的應用和在藥物相關研究中的應用，未來發(fā)展方向應當是以詞表標準、復雜網(wǎng)絡分析等方法為主。

【參考文獻】

［1］王浩暢，趙鐵軍．生物醫(yī)學文本挖掘技術的研究與進展［J］．中文信息學報，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，2008(8):70－75．

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

作者：史航 高雯珺 崔雷