[發(fā)明專利]一種從生物醫(yī)學(xué)文本中挖掘蛋白質(zhì)亞細(xì)胞定位信息的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810436260.1
• 申請(qǐng)日: 2018-05-09
• 公開（公告）號(hào): CN108846257B
• 公開（公告）日: 2021-08-24
• 發(fā)明（設(shè)計(jì)）人: 王順芳;鄧琳;房園;郭磊;曹子成
• 申請(qǐng)（專利權(quán)）人: 云南大學(xué)
• 主分類號(hào): G16B40/00
• 分類號(hào): G16B40/00;G06F40/295
• 代理公司: 云南凌云律師事務(wù)所 53207
• 代理人: 董建國

本發(fā)明公開一種從生物醫(yī)學(xué)文本中挖掘蛋白質(zhì)亞細(xì)胞定位信息的方法。首先，通過對(duì)源文本進(jìn)行預(yù)處理，識(shí)別源文本中的蛋白質(zhì)命名實(shí)體。同時(shí)，對(duì)源文本中的亞細(xì)胞位置的關(guān)鍵詞進(jìn)行識(shí)別，利用自建的亞細(xì)胞位置信息字典在每個(gè)文檔中進(jìn)行關(guān)鍵詞匹配，進(jìn)而在文本數(shù)據(jù)中對(duì)亞細(xì)胞位置的關(guān)鍵詞進(jìn)行提取。其次，將包含命名實(shí)體與位置信息共現(xiàn)的句子進(jìn)行篩選，得到蛋白質(zhì)命名實(shí)體和亞細(xì)胞位置信息共現(xiàn)的句子數(shù)據(jù)集。然后，將提取出來的特征向量化，構(gòu)建特征集合。最后使用以疊加式的方法組合單個(gè)分類器所構(gòu)成的集成分類器來構(gòu)建分類模型，并將該分類模型應(yīng)用到目標(biāo)生物醫(yī)學(xué)文本挖掘。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)挖掘技術(shù)領(lǐng)域，特別涉及一種基于文本挖掘技術(shù)的蛋白質(zhì)亞細(xì)胞定位信息的提取方法。

技術(shù)背景

生物醫(yī)學(xué)文本挖掘是文本挖掘和生物醫(yī)學(xué)領(lǐng)域相結(jié)合的新型交叉學(xué)科，其內(nèi)容是在現(xiàn)有生物醫(yī)學(xué)文獻(xiàn)基礎(chǔ)上，利用文本挖掘技術(shù)進(jìn)行知識(shí)發(fā)現(xiàn)。近年來，生物文獻(xiàn)以指數(shù)級(jí)別的速度增長，這些非結(jié)構(gòu)化的文本中蘊(yùn)含了大量的生物醫(yī)學(xué)實(shí)驗(yàn)數(shù)據(jù)和成果。在生物醫(yī)學(xué)文獻(xiàn)中發(fā)現(xiàn)知識(shí)的意義在于，研究人員可以利用新發(fā)現(xiàn)的知識(shí)探究生命科學(xué)中的一些本質(zhì)關(guān)系，例如基因和疾病的關(guān)系、基因和細(xì)胞的關(guān)系，甚至基因間的相互關(guān)系，從而便于研究人員可以更好地診斷、治療甚至預(yù)防目前技術(shù)難以攻克的疾病。然而，呈指數(shù)級(jí)增長趨勢(shì)的文獻(xiàn)數(shù)量使得生物學(xué)家難以通過人工查找的方式迅速發(fā)現(xiàn)知識(shí)。所以，為了避免頻繁、重復(fù)的人工操作，利用計(jì)算機(jī)處理大量生物醫(yī)學(xué)文獻(xiàn)是解決這一問題的重要途徑。

生物醫(yī)學(xué)文本挖掘相關(guān)研究內(nèi)容分別有生物醫(yī)學(xué)命名實(shí)體識(shí)別、同義詞與縮略語識(shí)別、生物醫(yī)學(xué)實(shí)體關(guān)系抽取、生物醫(yī)學(xué)文獻(xiàn)分類、生物醫(yī)學(xué)實(shí)體名稱規(guī)范化等。而在生物醫(yī)學(xué)實(shí)體關(guān)系抽取的問題中，現(xiàn)有的研究大多側(cè)重于采用文本挖掘手段從文本中挖掘蛋白質(zhì)相互作用關(guān)系及基因與疾病關(guān)聯(lián)關(guān)系。

朱斐等提出了“一種利用文本數(shù)據(jù)構(gòu)建蛋白質(zhì)相互作用網(wǎng)絡(luò)的方法”（2015年5月27日公布的，公布號(hào)為：CN104657626）公開了一種利用文本數(shù)據(jù)構(gòu)建蛋白質(zhì)相互作用網(wǎng)絡(luò)的方法。薛涵凜等提出了“一種基于雙向LSTM和CRF的命名實(shí)體識(shí)別方法”（2018年1月30日公布的，公布號(hào)為：CN107644014），通過對(duì)現(xiàn)有的傳統(tǒng)命名實(shí)體識(shí)別算法進(jìn)行的改進(jìn)優(yōu)化，有效提取文本特征信息并且能夠在不同語言的實(shí)體識(shí)別。李滿生等提出的“蛋白質(zhì)相互作用信息的文本挖掘研究進(jìn)展 ”（中國科學(xué)，2010年）總結(jié)出了基于生物文本挖掘蛋白質(zhì)相互作用信息的一般流程；

然而，蛋白質(zhì)及其自身所在的亞細(xì)胞位置也是一組重要關(guān)系。蛋白質(zhì)是構(gòu)成細(xì)胞的主要成分之一，對(duì)生物體的生命活動(dòng)有重要且多樣的作用。而蛋白質(zhì)自身所處的亞細(xì)胞位置在很大程度上決定了蛋白質(zhì)的功能。蛋白質(zhì)在核糖體中合成后經(jīng)蛋白質(zhì)分選信號(hào)引導(dǎo)后如果沒有被轉(zhuǎn)運(yùn)到特定的亞細(xì)胞，將會(huì)對(duì)細(xì)胞功能造成極大影響。因此，蛋白質(zhì)亞細(xì)胞定位是解釋蛋白質(zhì)功能的重要信息來源，是研究蛋白質(zhì)功能的基礎(chǔ)。文獻(xiàn)數(shù)目巨大且增長迅速，人們通過手工閱讀文獻(xiàn)往往難以及時(shí)、高效地發(fā)現(xiàn)最新的蛋白質(zhì)亞細(xì)胞定位信息。單純依靠手工閱讀來獲取最新的蛋白質(zhì)亞細(xì)胞定位信息是不現(xiàn)實(shí)的。使用文本挖掘技術(shù)搜集蛋白質(zhì)亞細(xì)胞定位數(shù)據(jù)，自動(dòng)提取蛋白質(zhì)亞細(xì)胞定位信息，能有效提高研究人員獲取最新信息的效率。本發(fā)明結(jié)合文本挖掘技術(shù)和以疊加式的方法組合單個(gè)分類器所構(gòu)成的集成分類器來構(gòu)建分類模型，實(shí)質(zhì)就是要從文本中挖掘出蛋白質(zhì)亞細(xì)胞定位信息。

發(fā)明內(nèi)容

基于上述存在的問題，本發(fā)明提供一種從生物醫(yī)學(xué)文本中挖掘蛋白質(zhì)亞細(xì)胞定位信息的方法。通過對(duì)源文本進(jìn)行預(yù)處理，識(shí)別源文本中的蛋白質(zhì)命名實(shí)體。同時(shí)，對(duì)源文本中的亞細(xì)胞位置的關(guān)鍵詞進(jìn)行識(shí)別，利用自己構(gòu)建的亞細(xì)胞位置字典在每個(gè)文檔中進(jìn)行關(guān)鍵詞匹配，進(jìn)而在文本數(shù)據(jù)中對(duì)亞細(xì)胞位置的關(guān)鍵詞進(jìn)行提取。其次，將包含命名實(shí)體與位置信息共現(xiàn)的句子進(jìn)行篩選，得到蛋白質(zhì)命名實(shí)體和亞細(xì)胞位置信息共現(xiàn)的句子數(shù)據(jù)集。然后，將提取出來的特征向量化，構(gòu)建特征集合。最后使用疊加式的方法組合單個(gè)分類器的預(yù)測(cè)結(jié)果，提高分類器的預(yù)測(cè)能力。

本發(fā)明的目的在于提供一種從生物醫(yī)學(xué)文本中挖掘蛋白質(zhì)亞細(xì)胞定位信息的方法，其具體技術(shù)方案包括以下步驟：