基于生物醫學文獻的蛋白質關系發現

摘要：實驗提出了一種基于詞頻統計的蛋白質關系知識發現方法，該方法首先通過生物命名實體識別技術識別出蛋白質實體，然后統計共出現頻率，形成候選實體對，從而發現最有可能的實體關聯。

關鍵詞：知識發現；生物命名實體識別；實體關聯

中圖分類號：TP274 文獻標識碼：A文章編號：1009-3044(2008)34-1719-02

Knowledge Discovery of Protein Based on Biomedical Literature

PENG Chun-yan， ZHANG Hui， BAO Ling-yu， CHEN Chang-ping

(School of Computer Science and Technology， Southwest University of Science and Technology， Mianyang 621002， China)

Abstract: A method of protein knowledge discovery based on word frequency is proposed which firstly identify the protein entity by the bio-entity recognition.，then form the candidate-entity by processing co-cucurrent statistic，finally discovery the most possible entity relation.

Key words: knowledge discovery; bio-entity recognition; entity relation

1 引言

分子生物學研究的飛速發展，使生物醫學文獻呈指數級增長。如此多的文獻資源，為科研人員運用數據挖掘和文本挖掘技術，發現隱含的、有價值的知識提供了有利的條件。

由于大多數的生物信息都保存在文本中，因此對生物醫學的研究一般采用文本挖掘技術。文本挖掘是一個交叉的研究領域，它涉及了數據挖掘、信息檢索、自然語言處理等多個研究領域的內容。利用文本挖掘技術，可以發現許多有用的信息。一些科研人員利用文本挖掘工具，發現了許多對人類有用的知識， 例如：魚肝油可治療雷諾式癥[1] 、蛋白質之間的相互作用等。另外，從生物醫學文獻中抽取蛋白質(基因)相互作用關系對蛋白質知識網絡的建立、蛋白質關系預測以及輔助新藥的研制等都具有重要的意義。

2 相關研究

生物醫學的知識發現，一般針對文獻進行研究。基于文獻的知識發現，主要有基于統計、關聯規則、信息測度和基于語義的方法。

華盛頓大學的Swanson 教授[1]提出了基于單詞的詞頻統計方法。首先統計出共出現的單詞的頻率，然后對文獻集進行分析。通過這種方法，Swanson 發現了許多對人類有益的知識。例如，魚肝油對于雷諾氏癥的治療作用，鎂的缺失會引起偏頭痛，某些病毒可以成為潛在的生化武器等等，這些發現都得到了臨床上的證實。

Hristovski[2]將關聯規則挖掘引入了基于文獻的知識發現。他將生物文獻看作數據庫中的事務，而用來代表文獻內容的詞則看作是規則中的項，通過設置支持度閾值和置信度閾值來產生關聯的詞匯。

Wren[3]認為詞匯間具有信息的關聯。他使用互信息方法來計算詞的關聯度，通過互信息值的大小來表示關聯的強度。他的方法具有領域無關的特性，可以用來推廣到很多的研究領域。

Weeber[4]等人設計了一個文本挖掘工具DAD 系統。它利用自然語言處理系統MetaMap 將文獻中的語句映射為UMLS本體中的生物概念，用概念來取代詞匯作為知識發現的基礎。該方法實現了語義層次上的知識發現。他們利用DAD 系統找出了生姜潛在的醫療作用。

在關聯規則挖掘中，有效閾值的設定很困難。如果閾值設置的過低，會產生大量的候選規則，而設置的過高，則有可能過濾掉許多有意義的規則。另外，基于語義的方法，需要構建領域本體，這需要許多專業人士的共同參與。

因此，本文在Swanson 的理論基礎提出了一種基于命名實體的詞頻統計方法，該方法通過實體提取、句子分析等過程發現蛋白質之間潛在的關系。該方法閾值的設定對實驗結果影響不大，而且不需要領域專家的參與。

3 方法描述

本文實現了一個蛋白質知識發現系統。該系統使用Medline中隨機生成的2000篇摘要進行分析。系統首先對語料進行蛋白質實體識別，形成蛋白質實體列表，然后對句中的每個蛋白質實體對進行共出現頻率統計，進而生成候選實體對，最后找出最高出現頻率的實體對，從而發現最可能的實體關聯。該系統的框架如圖1所示。

3.1 蛋白質實體識別

在對生物醫學領域的文本挖掘中，實體識別的目的是對文本中的專業詞匯，包括基因、蛋白質、DNA和RNA等加以確認和分類。對蛋白質的知識發現，第一步就是進行蛋白質實體的識別。實驗采用了一種基于條件隨機域的生物實體識別方法，該方法以Mallet工具為基礎，并增加了單詞的數字、字母、以及距離依賴特性。

3.2 共出現頻率分析

文獻挖掘有不同層次的分析單元，如單詞、短語、句子、摘要或者全文。對于實體共出現頻率而言，以句子為最大分析單元式最合理的選擇。如果兩個實體對象同時出現在一個句子中，那么就稱為實體共出現，而這兩個實體稱為共出現實體。通過文本挖掘方法處理大批的文獻，提取得到共出現實體，統計它們的總數并計算出實體共出現頻率。如果兩個實體對象的共出現頻率很高，表明這兩個實體對象經常被同時提及，這暗示著這兩個實體對象之間存在關聯的可能性較高。相反，如果實體對象的功出現頻率很低，那么這兩個實體對象之間存在關聯的可能性就較低。

實驗主要針對蛋白質實體，因此只討論蛋白質—蛋白質實體的共出現頻率。

3.3 關系挖掘

通過計算共出現實體在所有句子中的出現頻率，提取關聯實體。根據設定不同的最低共出現頻率閾值，得到不同可靠程度的存在關聯的實體數據，從而發現最有可能存在關聯的蛋白質—蛋白質實體對象。

4 實驗

4.1 實驗數據集

本實驗以從MEDLINE中隨機新選的2000篇摘要為語料，實驗數據統計見表1。

表1 數據集

■

4.2 實驗結果

實驗采用條件隨機域模型進行實體識別，通過計算共出現頻率形成候選實體對。實驗結果詳見表2。其中，“過濾”指忽略低于指定頻率的共出現實體，在這里，指定頻率為5。

表2 實驗結果

■

5 結束語

隨著數據挖掘和文本挖掘技術的進步，生物醫學文獻挖掘在生物信息中的應用越來越廣泛。以知識發現為目的的文獻挖掘 可以分為提取知識、整合知識以及推導知識。文獻挖掘在尋找蛋白質相互作用、發現疾病相關的基因以及注釋基因功能等方面得到了廣泛應用。本文首先識別出蛋白質實體，形成實體列表，然后統計共出現頻率，形成候選實體對，從而發現最有可能的實體關聯。

實驗采用基于實體識別的共出現頻率統計模型，該方法過程簡單，不需要領域專家的直接參與。由于實體在句中具有特定的語義，因此，如果模型能夠融合部分語義特征，進行實體關聯動詞統計，進而進行共出現頻率與關聯動詞相結合的分析。這是我們今后的研究方向。

參考文獻：

[1] Swanson D R，Fish O.Raynaud’s syndrome，and undiscovered public knowledge[J].Perspectives in Biology and Medicine，1986(31):526-557.

[2] Hristovski D，Stare J，Peterlin B，et al.Supporting Discovery in Medicine by Association Rule Mining in Medline and UMLS[J].Medinfo，2001，10(2):1344-1348.

[3] Wren J D.Knowledge discovery by automated identification and ranking of implicit relationships[J].Bioinformatics，2004，20(3):389-398.

[4] Wren J D.Knowledge discovery by automated identification and ranking of implicit relationships[J].Bioinformatics，2004，20(3):389-398.

[5] Weeber M ，Klein H，Lolkje T W，et al.Using concepts in literature–based discovery :Simulating Swanson’s Raynaud - fish- oil and migraine - magnesium discoveries[J].Journal of the American Society for Information Science and Technology，2001，52(7):548-557.