生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件

1、生物醫(yī)學(xué)文本挖掘及其應(yīng)用生物醫(yī)學(xué)文本挖掘及其應(yīng)用生物醫(yī)學(xué)文本挖掘及其應(yīng)用目的介紹生物信息學(xué)文本挖掘工具文本挖掘不再是信息專業(yè)的領(lǐng)域生物醫(yī)學(xué)文本挖掘及其應(yīng)用生物醫(yī)學(xué)文本挖掘及其應(yīng)用生物醫(yī)學(xué)文本目的介紹生物信息學(xué)文本挖掘工具文本挖掘不再是信息專業(yè)的領(lǐng)域目的介紹生物信息學(xué)文本挖掘工具例子：二者關(guān)系進(jìn)行性多灶性白質(zhì)腦?。╬rogressive multifocal leukoencephalopathy，PML） 抗體antibodiesMonoclonal antibodies，efalizumab（依法珠單克隆抗體） 例子：二者關(guān)系自然語(yǔ)言處理讓計(jì)算機(jī)替我們看文獻(xiàn)吧！比較難：計(jì)算機(jī)需要專門的知識(shí)才

2、能讀懂文本。自然語(yǔ)言處理（Natural Language Processing ，NLP）：專門訓(xùn)練計(jì)算機(jī)掌握這種知識(shí)的學(xué)科。生物醫(yī)學(xué)文本挖掘（Biomedical text mining ）是一個(gè)專門處理生物學(xué)、醫(yī)學(xué)和化學(xué)文本的分支學(xué)科。也叫BioNLP有些人把NLP當(dāng)做text mining的同義詞。自然語(yǔ)言處理讓計(jì)算機(jī)替我們看文獻(xiàn)吧！Biomedical text 生物醫(yī)學(xué)文本的格式多種多樣：病歷科研論文序列注釋公共健康指南文本的內(nèi)容多樣化，如習(xí)慣用語(yǔ)臨床有臨床上的行話實(shí)驗(yàn)室有自己對(duì)蛋白的命名方式這種差異造成了文本挖掘應(yīng)用往往面向特定類型的文本。尤其是對(duì)Medline文摘記錄的分析。易

3、獲取免費(fèi)5Biomedical text 生物醫(yī)學(xué)文本的格式多種多樣：基本概念（1）術(shù)語(yǔ)（Term）：專門領(lǐng)域里的名稱。術(shù)語(yǔ)集（terminology）：術(shù)語(yǔ)的集合。生物醫(yī)學(xué)文本中到處是術(shù)語(yǔ)，是醫(yī)學(xué)知識(shí)的基本構(gòu)件。如各種細(xì)胞的名稱，蛋白質(zhì)、醫(yī)學(xué)設(shè)備、疾病、基因突變、化學(xué)物質(zhì)名、蛋白質(zhì)域的名稱。名稱如此重要， 需要在文本中識(shí)別之，這個(gè)工作稱為生物醫(yī)學(xué)文獻(xiàn)中的命名體識(shí)別（NER,Named Entity Recognition ）?；靖拍睿?）術(shù)語(yǔ)（Term）：專門領(lǐng)域里的名稱。基本概念（2）盡管術(shù)語(yǔ)的定義似乎很明確，但是很難精確定義。early progressive multifocal l

4、eukoencephalopathyRefer toearly progressive multifocal leukoencephalopathy progressive multifocal leukoencephalopathymultifocal leukoencephalopathyLeukoencephalopathy基本概念（2）盡管術(shù)語(yǔ)的定義似乎很明確，但是很難精確定義?；靖拍睿?）Terminology:手工構(gòu)建的，因此是受控的。HUGO：基因術(shù)語(yǔ)集ICD：國(guó)際疾病分類法。Gene Ontology：基因本體。不僅僅是術(shù)語(yǔ)列表，還包括：術(shù)語(yǔ)表+同義詞=thesaurus 術(shù)

5、語(yǔ)表+術(shù)語(yǔ)之間的關(guān)系=taxonomies, ontology一旦一段文本與其中一個(gè)詞表對(duì)應(yīng)上，就和其他資源建立起聯(lián)系了?；靖拍睿?）Terminology:手工構(gòu)建的，因此是受控人工標(biāo)引手工匹配Medline abstractsMedical Subject Headings (MeSH)Leukoencephalopathy,progressive multifocal 9人工標(biāo)引手工匹配Medline abstractsMedic1010gene normalization自動(dòng)匹配：recognizing names of genesMedline abstractsmapping t

6、hem to their corresponding gene identifiers (e.g., Entrez Gene ID)11gene normalization自動(dòng)匹配：recogniHGNC database of human gene names HUGO Gene Nomenclature CommitteeHGNC database of human gene na網(wǎng)上在線檢索的基因名稱信息網(wǎng)上在線檢索的基因名稱信息1414下載的基因名稱信息下載的基因名稱信息NER的原理文本（PubMed Abstracts）軟件名稱（基因名，蛋白質(zhì)名）詞表NER的原理文本（PubMed

7、Abstracts）軟件名稱詞表之間的聯(lián)系詞表太多，又創(chuàng)建了詞表，把術(shù)語(yǔ)集匹配起來(lái)，詞表之詞表，超級(jí)詞表。metaBioThesaurus：多個(gè)詞表中蛋白質(zhì)的同義詞 Unified Medical Language System(UMLS)：一體化醫(yī)學(xué)語(yǔ)言系統(tǒng)，120多個(gè)詞表，4百萬(wàn)個(gè)術(shù)語(yǔ)。詞表之間的聯(lián)系詞表太多，又創(chuàng)建了詞表，把術(shù)語(yǔ)集匹配起來(lái)，詞表1818生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件術(shù)語(yǔ)識(shí)別工具Whatizit：識(shí)別多種術(shù)語(yǔ)，通過(guò)網(wǎng)頁(yè)。Abner：?jiǎn)螜C(jī)版，識(shí)別5種術(shù)語(yǔ)：蛋白、DNA、RNA、細(xì)胞株、細(xì)胞類型。

8、更專指的術(shù)語(yǔ)識(shí)別工具：PepBank ：用于肽類LSAT：用于alternative transcripts 提高 PubMed檢索效果：semedico , novo|seekGoPubMed/GoGene術(shù)語(yǔ)識(shí)別工具Whatizit：識(shí)別多種術(shù)語(yǔ)，通過(guò)網(wǎng)頁(yè)。24242525A（Whatizit）：蛋白-藍(lán)色，疾病-深紅，基因本體-淺紅，化學(xué)物質(zhì)-深紅，物種-紅色B（ABNER）：蛋白和細(xì)胞株C（BIOCreAtIvE metaserver ）A（Whatizit）：蛋白-藍(lán)色，疾病-深紅，基因本體-淺發(fā)現(xiàn)關(guān)系識(shí)別術(shù)語(yǔ)之后，下一步自然是尋找術(shù)語(yǔ)之間的關(guān)系。發(fā)現(xiàn)關(guān)系的最簡(jiǎn)單途徑就是共現(xiàn)：在同一

9、段文字中同時(shí)出現(xiàn)的兩個(gè)術(shù)語(yǔ)可能有關(guān)聯(lián)。例如，某種蛋白質(zhì)與一種疾病總是在同一文摘中出現(xiàn)，有理由假設(shè)該蛋白與疾病的某個(gè)方面有關(guān)。共現(xiàn)的次數(shù)越多，越有意義。可以定量排序，通過(guò)統(tǒng)計(jì)處理排除偶然的關(guān)聯(lián)。27發(fā)現(xiàn)關(guān)系識(shí)別術(shù)語(yǔ)之后，下一步自然是尋找術(shù)語(yǔ)之間的關(guān)系。27關(guān)聯(lián)度假設(shè)有t1和t2兩個(gè)詞共現(xiàn)，最簡(jiǎn)單的信度指標(biāo)就是含有這兩個(gè)詞的文章數(shù)c（t1t2），但是要標(biāo)準(zhǔn)化，去掉兩個(gè)詞各自出現(xiàn)頻次對(duì)共現(xiàn)次數(shù)的影響。點(diǎn)間互信息p為文章數(shù)除以文章總數(shù)。關(guān)聯(lián)度假設(shè)有t1和t2兩個(gè)詞共現(xiàn)，最簡(jiǎn)單的信度指標(biāo)就是含有這關(guān)系抽?。汗铂F(xiàn)GoDisease：輸入leukoencephalopathy, progressive mu

10、ltifocalmh關(guān)系抽取：共現(xiàn)GoDisease：返回結(jié)果：所有提及PML的文摘中的基因。 出現(xiàn)次數(shù)越多的基因，越可能與PML有關(guān)聯(lián)。如果某基因在PML中不成比例地高于其他疾病，則該基因可能與PML有特殊關(guān)系。返回結(jié)果：關(guān)系抽取：確切關(guān)系明確描述的關(guān)系：比共現(xiàn)更好的證據(jù)。例如： We describe a PML in a 67-year-old woman with a destructive polyarthritis（多關(guān)節(jié)炎） associated with anti-JO1 antibodies treated with corticosteroids PML與抗-JO1抗體有明

11、確關(guān)系。 將這種關(guān)系簡(jiǎn)化為三元體：兩個(gè)名詞+一個(gè)動(dòng)詞。PML is associated with anti-JO1 antibodies識(shí)別動(dòng)詞：詞性標(biāo)注：part-of-speech (POS) tagger三元體表述因其簡(jiǎn)單而功能強(qiáng)大，但是忽略了文章中的重要的細(xì)節(jié)。比如有些證據(jù)是來(lái)自于臨床病例報(bào)告。關(guān)系抽?。捍_切關(guān)系明確描述的關(guān)系：比共現(xiàn)更好的證據(jù)。Semantic Knowledge RepresentationSKR：是基于UMLS進(jìn)行自然語(yǔ)言處理、提取文獻(xiàn)中概念的系列在線工具。Semantic Knowledge Representat其中MetaMap是SKR系統(tǒng)的核心組件。MM

12、Tx是完成MetaMap功能的Java工具包，它進(jìn)行的分析是語(yǔ)義層次上的分析。其中MetaMap是SKR系統(tǒng)的核心組件。MMTx是完成MeMetaMap工作原理MetaMap工作原理MetaMap工作原理：切分“ocular complication of myasthenia gravis” （重癥肌無(wú)力的眼部并發(fā)癥）“ocular complication”和“of myasthenia gravis”“ocular complication”分為“mod（ocular），head（complication）MetaMap工作原理：切分“ocular complicaMetaMap工作原理

13、：產(chǎn)生變形體Ocularadj，0=”Eyenoun,2=”s”同義詞Eyesnoun,3=”si”同義詞的復(fù)數(shù)Opticadj,4=”ss”同義詞的同義詞Ophthalmicadj,4=”ss”同義詞的同義詞Ophthalmianoun,7=”ssd”同義詞的同義詞的變形Oculusnoun,3=”d”變形Oculinoun,4=”di”同義詞的復(fù)數(shù)MetaMap工作原理：產(chǎn)生變形體Ocularadj，生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件檢索候選詞及候選詞的評(píng)價(jià)檢索超級(jí)詞表，檢索到包含有至少一個(gè)變形體的候選字串集合。計(jì)算出與輸入的短語(yǔ)詞相匹配的候選詞，然后用4種指標(biāo)的加權(quán)平均組成的語(yǔ)言學(xué)評(píng)價(jià)函數(shù)，計(jì)

14、算輸入短語(yǔ)與候選詞之間的匹配程度：中心度：即包含中心詞；變形情況：距離倒數(shù)的平均值；覆蓋面和內(nèi)斂度：測(cè)量候選詞與文本的匹配程度和有多少個(gè)片段按照匹配程度排列這些候選詞。檢索候選詞及候選詞的評(píng)價(jià)檢索超級(jí)詞表，檢索到包含有至少一個(gè)變生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件關(guān)系抽?。篜PIprotein-protein interactions (PPI)：文本挖掘的重頭戲利用三元體表達(dá)，構(gòu)建PPI網(wǎng)絡(luò)，節(jié)點(diǎn)是蛋白質(zhì)，動(dòng)詞為邊。分析文本挖掘出來(lái)的PPI網(wǎng)絡(luò)時(shí)，應(yīng)當(dāng)注意閱讀和理解支撐信息。例如，蛋白質(zhì)間相互作用可以是直接的，也可以是間接的，取決于動(dòng)詞直接動(dòng)詞有to bind, to stabilize, to p

15、hosphorylate間接的動(dòng)詞有to induce, to trigger, to block。 文獻(xiàn)中描述的蛋白質(zhì)相互作用的不同性質(zhì)部分地反映了所采用的實(shí)驗(yàn)方法和相互作用本身的性質(zhì)。常用的捕獲文本變異的方法就是把各種表達(dá)方式辨認(rèn)出來(lái)，并寫下捕獲這些變異的規(guī)則。捕獲磷酸化的模式，應(yīng)當(dāng)依次含有：一種酶的名字磷酸化的動(dòng)詞一種基質(zhì)的名字關(guān)系抽?。篜PIprotein-protein intera發(fā)現(xiàn)關(guān)系的工具FACTA：Medline文本中概念共現(xiàn)情況。MedGene 和BioGene：利用共現(xiàn)發(fā)現(xiàn)基因優(yōu)先級(jí)別。Endeavour 和G2D 利用文本和其他數(shù)據(jù)源分析基因優(yōu)先級(jí)別。 PolySea

16、rch利用啟發(fā)式加權(quán)技術(shù)，給不同的共現(xiàn)不同的權(quán)重。Anni使用文本輪廓測(cè)量術(shù)語(yǔ)之間的關(guān)系。 iHOP：挖掘PPI最流行的工具。 RLIMS-P 利用語(yǔ)言模式發(fā)現(xiàn)磷酸化過(guò)程中的激酶、基質(zhì)和磷酸。 E3Miner發(fā)現(xiàn)泛素化，包括上下文信息。發(fā)現(xiàn)關(guān)系的工具FACTA：Medline文本中概念共現(xiàn)情況。生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件GoDisease+iHOP+CytoscapeGoDisease+iHOP+Cytoscape發(fā)現(xiàn)：DiscoveryBesides finding relationships, text miners are also interested in discovering

17、relationships Swanson：undiscovered public knowledge【見例子1】發(fā)現(xiàn)：Discovery文本挖掘的應(yīng)用實(shí)例Swanson關(guān)聯(lián)研究及其工具Arrowsmith 的使用Bitola的使用用文獻(xiàn)輪廓挖掘微陣列表達(dá)數(shù)據(jù)Damien ChaussabelMedlineR文本挖掘的應(yīng)用實(shí)例Swanson關(guān)聯(lián)研究及其工具背景與意義發(fā)表文獻(xiàn)研究深入知識(shí)分裂fragmentation of scientific knowledge文獻(xiàn)量窮經(jīng)皓首并老死不相往來(lái)背景與意義發(fā)表文獻(xiàn)研究深入知識(shí)分裂文獻(xiàn)量窮經(jīng)皓首并老死不相往Don R. Swanson的研究跨學(xué)科間一定

18、存在著潛在的未被發(fā)現(xiàn)的關(guān)聯(lián)文獻(xiàn)間隱性的關(guān)聯(lián)如何發(fā)現(xiàn)隱性關(guān)聯(lián)？尋找非相關(guān)互補(bǔ)性文獻(xiàn)text-based informaticsliterature-based discoveryDon R. Swanson的研究跨學(xué)科間一定存在著潛在的未Don R. Swanson的研究?jī)煞N互補(bǔ)的文獻(xiàn)：一類文獻(xiàn)（AB）：攝入A可能導(dǎo)致某種生理改變B另一類文獻(xiàn)（BC）：B作用于某種疾病C即A作用于C。兩種非相關(guān)的文獻(xiàn)：兩種文獻(xiàn)從沒有或很少被共同引用并且也不相互引用?；パa(bǔ)性和非相關(guān)性描述了在公開信息中存在著未被發(fā)現(xiàn)的有價(jià)值信息的模型結(jié)構(gòu)。Don R. Swanson的研究?jī)煞N互補(bǔ)的文獻(xiàn)：Medline文獻(xiàn)集合Don

19、 R. Swanson的研究潛在的聯(lián)系 雷諾氏病文獻(xiàn)食用魚油文獻(xiàn)血液粘稠度紅細(xì)胞脆性 血液粘稠度紅細(xì)胞脆性 Don R. Swanson的研究潛在的聯(lián)系 雷諾氏病食用魚閉合式的知識(shí)發(fā)現(xiàn)閉合式的知識(shí)發(fā)現(xiàn)生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件ARROWSMITH 3.0 ARROWSMITH 3.0 48224822生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件Asthma famous？Asthma famous？哮喘名人哮喘名人SYK：脾酪氨酸激酶SYK：脾酪氨酸激酶SYK：脾酪氨酸激酶過(guò)敏性鼻炎Syk inhibitors as treatment for all

20、ergic rhinitis.2008【SYK抑制劑治療過(guò)敏性鼻炎】An intranasal Syk-kinase inhibitor (R112) improves the symptoms of seasonal allergic rhinitis in a park environment.2005【鼻內(nèi)SYK抑制劑（R112）改善公園里過(guò)敏性鼻炎癥狀】痛風(fēng)Crystal-induced neutrophil activation. IX. Syk-dependent activation of class Ia phosphatidylinositol 3-kinase.2007【晶

21、體誘發(fā)的中性粒細(xì)胞活化：Ia類磷脂酰肌醇3激酶的SYK依賴性活化】Crystal-induced neutrophil activation. VII. Involvement of Syk in the responses to monosodium urate crystals.2001【晶體誘發(fā)的中性粒細(xì)胞活化：SYK參與對(duì)尿酸鈉晶體反應(yīng)的程度】SYK：脾酪氨酸激酶過(guò)敏性鼻炎Syk inhibitors 過(guò)敏性鼻炎SYK痛風(fēng)過(guò)敏性鼻炎痛風(fēng)抑制劑治療中性粒細(xì)胞活化晶體誘發(fā)PI3KSYK過(guò)敏性鼻炎SYK痛風(fēng)過(guò)敏性鼻炎痛風(fēng)抑制劑治療中性粒細(xì)胞活生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件B：基因和分子序列等語(yǔ)

22、義類型B：基因和分子序列等語(yǔ)義類型TOLL receptorTOLL receptor可作為生物武器的潛在病毒能夠成為生物武器：致病性，傳播性。同時(shí)涉及到病毒這兩個(gè)特性的文章卻特別少。A：病毒毒力遺傳方面（virulence- genetic）C：病毒疾病傳播力病毒的昆蟲媒介傳播（insect vectors）空氣傳播（air）在空氣中的穩(wěn)定性（stability of viruses in air）通過(guò)與A和C有共同聯(lián)系B找出更多符合條件的病毒。將得到的文獻(xiàn)經(jīng)過(guò)一些系列的處理，Arrowsmith列出了三個(gè)有意義的B-LIST（病毒的集合），通過(guò)進(jìn)一步的統(tǒng)計(jì)學(xué)分析和查閱文獻(xiàn)，最終找出相對(duì)有意

23、義的病毒（B） 可作為生物武器的潛在病毒能夠成為生物武器：致病性，傳播性。同發(fā)現(xiàn)科研機(jī)構(gòu)間潛在的合作方向 潛在合作方向美國(guó)斯坦福大學(xué)哥倫比亞大學(xué)醫(yī)學(xué)信息學(xué)研究領(lǐng)域發(fā)現(xiàn)科研機(jī)構(gòu)合作與交流的題目結(jié)果：更好地體現(xiàn)：相似點(diǎn)（可以合作之處）和不同點(diǎn)（可以相互交流、學(xué)習(xí)之處）內(nèi)容詳細(xì)、明確：能體現(xiàn)出研究所使用的具體方法和側(cè)重點(diǎn) 發(fā)現(xiàn)科研機(jī)構(gòu)間潛在的合作方向 潛在合作方向開放式的知識(shí)發(fā)現(xiàn)開放式的知識(shí)發(fā)現(xiàn)BITOLA 輸入單個(gè)的概念（疾病A），找到該概念的第一層相關(guān)概念并加以歸類（藥物B）。從第一層相關(guān)概念（藥物B）出發(fā)，找到它們的相關(guān)概念，并加以歸類（基因C）。檢驗(yàn)基因和疾病是否有關(guān)聯(lián)。如果沒有，該基因與疾

24、病有潛在的聯(lián)系而且并沒有文獻(xiàn)報(bào)道。提示：與疾病、生理學(xué)反應(yīng)或者其他表型相關(guān)的新基因、藥物或者神經(jīng)科學(xué)。BITOLA 輸入單個(gè)的概念（疾病A），找到該概念的第一層BITOLABITOLA生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件syksyk生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件內(nèi)容Swanson關(guān)聯(lián)研究及其工具Arrowsmith 的使用Bitola的使用用文獻(xiàn)輪廓挖掘微陣列表達(dá)數(shù)據(jù)Damien ChaussabelMedlineR內(nèi)容Swanson關(guān)聯(lián)研究及其工具運(yùn)用文獻(xiàn)輪廓挖掘微陣列表達(dá)數(shù)據(jù)Mining

25、microarray expression data by literature profilingDamien ChaussabelMedlineR運(yùn)用文獻(xiàn)輪廓挖掘微陣列表達(dá)數(shù)據(jù)Mining microarDamien ChaussabelAlan SherImmunobiology Section, Laboratory of Parasitic Diseases, National Institute of Allergy and Infectious Diseases, National Institutes of Health, Bethesda, MD 20892, USAGeno

26、me Biology 2002, 3(10):RESEARCH0055. Damien ChaussabelAlan SherImm目標(biāo)建立一種挖掘技術(shù)該技術(shù)以對(duì)文獻(xiàn)輪廓literature profiling的分析為基礎(chǔ)文獻(xiàn)輪廓：對(duì)于某一個(gè)主題（如某基因）而言，有相關(guān)文獻(xiàn)集合對(duì)于該基因的文獻(xiàn)集合，分析某些單詞在文摘中出現(xiàn)的頻次。目標(biāo)建立一種挖掘技術(shù)文獻(xiàn)輪廓基因B基因C基因A相關(guān)文獻(xiàn)主題詞1 頻次主題詞2 頻次主題詞3 頻次 主題詞n 頻次文獻(xiàn)輪廓基因B基因C基因A相關(guān)文獻(xiàn)主題詞1 頻次研究步驟檢索文獻(xiàn)分析文本過(guò)濾數(shù)據(jù)聚類分析研究步驟檢索文獻(xiàn)1.檢索文獻(xiàn)從基因開始，分別找到與各種基因相關(guān)的論文

27、標(biāo)題中含有基因名字的論文。人類基因命名委員會(huì)(Human Gene Nomenclature Committee, HGNC)：官方名稱、縮寫、別名1.檢索文獻(xiàn)從基因開始，分別找到與各種基因相關(guān)的論文生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件1.檢索文獻(xiàn)建立數(shù)據(jù)庫(kù)包括HGNC定義的10，500多種已知的人類基因 用PubMed查詢格式的URL，例如： protein kinase C etaPRKCH ti OR PKC-L ti OR PRKCL ti OR protein kinase C eta ti)上述紀(jì)錄按照GenBank和Locus Link的ID排列該數(shù)據(jù)庫(kù)可以作為Excel表格下載1.檢索

28、文獻(xiàn)建立數(shù)據(jù)庫(kù)1.檢索文獻(xiàn)選70種基因，每一種基因的相關(guān)文獻(xiàn)以XML格式下載用Excel的宏命令抽取文摘，另存作為文本分析樣本Papers on Gene 70Papers on Gene 3Papers on Gene 2Papers on Gene 11.檢索文獻(xiàn)選70種基因，每一種基因的相關(guān)文獻(xiàn)以XML格式下2.分析文本對(duì)于每一個(gè)基因的相關(guān)紀(jì)錄的內(nèi)容，分析文摘中單詞出現(xiàn)的情況?！綯F】統(tǒng)計(jì)文摘中含有特定單詞的文獻(xiàn)數(shù)。【DF】例如：對(duì)于GADD45B基因的相關(guān)文獻(xiàn)，有18.7%的文摘中含有單詞“Proliferation”。Abstracts on Gene 12.分析文本對(duì)于每一個(gè)基因的

29、相關(guān)紀(jì)錄的內(nèi)容，分析文摘中單詞出3.過(guò)濾數(shù)據(jù)每一種基因有幾萬(wàn)條記錄。對(duì)文獻(xiàn)中發(fā)現(xiàn)的每一個(gè)單詞，標(biāo)上其出現(xiàn)的頻次數(shù)。這些單詞大多數(shù)對(duì)發(fā)現(xiàn)基因信息沒有用途：沒有特異性：if, because, cell, identified 很少使用：在很少的文獻(xiàn)中出現(xiàn)。第三類單詞：在某一種基因的文摘中出現(xiàn)頻率高【TF】。在所有文獻(xiàn)中出現(xiàn)頻率（基準(zhǔn)率）低【DF】?？梢蕴峁┗虻南嚓P(guān)信息。3.過(guò)濾數(shù)據(jù)每一種基因有幾萬(wàn)條記錄。對(duì)文獻(xiàn)中發(fā)現(xiàn)的每一個(gè)單詞RANTESY軸上的點(diǎn)為與RANTES基因相關(guān)的單詞，在25%以上的論文中出現(xiàn)過(guò)。隨機(jī)選取基因，計(jì)算這些詞的出現(xiàn)率，計(jì)算這些詞在不同基因文獻(xiàn)中出現(xiàn)的平均值。如果基因足夠

30、的話，單詞的平均出現(xiàn)率趨于穩(wěn)定。出現(xiàn)率低于5%的單詞傳遞有關(guān)該基因的重要信息。如infection, secreted, chemokine 等。RANTESY軸上的點(diǎn)為與RANTES基因相關(guān)的單詞，在253.過(guò)濾數(shù)據(jù)基準(zhǔn)率：在所有已知的人類基因中隨機(jī)抽取基因（250種）統(tǒng)計(jì)單詞出現(xiàn)頻率的平均值3.過(guò)濾數(shù)據(jù)基準(zhǔn)率：3.數(shù)據(jù)過(guò)濾單詞過(guò)濾的標(biāo)準(zhǔn)：通過(guò)設(shè)定基準(zhǔn)率（5%），去掉在全部科技文獻(xiàn)中經(jīng)常出現(xiàn)的單詞每一個(gè)單詞在每一種基因上的出現(xiàn)率與基準(zhǔn)率的差值25%通過(guò)兩個(gè)基因過(guò)濾的單詞：一個(gè)單詞只有在至少2個(gè)以上的基因中共現(xiàn)才在確定基因關(guān)系方面有用。70個(gè)基因，25，000種單詞，只保留下來(lái)101種。可以調(diào)

31、整單詞過(guò)濾的閾值：下調(diào)閾值，增加了噪音，檢索到更多的單詞。3.數(shù)據(jù)過(guò)濾單詞過(guò)濾的標(biāo)準(zhǔn)：3.數(shù)據(jù)過(guò)濾3.數(shù)據(jù)過(guò)濾4.聚類分析通過(guò)單詞出現(xiàn)情況，給具有同樣的文獻(xiàn)分布特征的基因進(jìn)行分組。經(jīng)過(guò)幾輪過(guò)濾之后，確定了單詞表，將該表用于建立一個(gè)單詞-基因矩陣。矩陣中對(duì)應(yīng)的是每一種基因和單詞出現(xiàn)值。采用基因聚類分析的軟件：Cluster/TreeView 4.聚類分析通過(guò)單詞出現(xiàn)情況，給具有同樣的文獻(xiàn)分布特征的基因聚類分析聚類分析4.聚類分析藍(lán)色：nuclear factors橙色：receptor-ligand pair綠色：interferon-related紅色：chemokines紫色：MHC cla

32、ss I antigen-presentation pathway黃色陰影：?jiǎn)卧~在文摘中出現(xiàn)的水平4.聚類分析藍(lán)色：nuclear factors紅色：che4.聚類分析基因的功能分組明顯與免疫反應(yīng)有關(guān)。藍(lán)色：控制炎癥反應(yīng)和細(xì)胞凋亡的轉(zhuǎn)錄因子，這些基因和TNF (the inflammatory mediator tumor necrosis factor), death 或者 apoptosis同時(shí)出現(xiàn)較多。 綠色：最大的一組基因，與interferon 有關(guān)(也叫 IFN和IFN-alpha,)。STATs基因是干擾素信號(hào)傳導(dǎo)專門需要的因子。 紅色：專門面向趨化因子（chemokines）

33、。紫色：基因全部是I類MHC抗體表達(dá)通路基因。這些基因?qū)ｉT編碼把蛋白降解為肽的蛋白。根據(jù)抽取詞所表示的概念可以發(fā)現(xiàn)有價(jià)值的信息，用于快速探索和評(píng)估復(fù)雜數(shù)據(jù)集中的生物學(xué)意義。4.聚類分析基因的功能分組明顯與免疫反應(yīng)有關(guān)。4.聚類分析4.聚類分析聚類分析聚類分析單詞出現(xiàn)模式的分析單詞出現(xiàn)模式的分析不同關(guān)聯(lián)程度的基因組通過(guò)文獻(xiàn)分布特征發(fā)現(xiàn)的關(guān)聯(lián)一組基因在功能上的關(guān)聯(lián)程度不同關(guān)聯(lián)程度的基因組通過(guò)文獻(xiàn)分布特征發(fā)現(xiàn)的關(guān)聯(lián)用文獻(xiàn)輪廓挖掘鼻咽癌微陣列表達(dá)數(shù)據(jù)黃仲曦，姚開泰(第一軍醫(yī)大學(xué)病理教研室腫瘤研究所)目的：探索鼻咽癌異常信號(hào)通路。方法：根據(jù)鼻咽癌微陣列表達(dá)譜，采用基于文獻(xiàn)輪廓的數(shù)據(jù)挖掘方法。從Medli

34、ne文獻(xiàn)數(shù)據(jù)庫(kù)中提取與基因相關(guān)的文獻(xiàn)并分析詞的頻率，再根據(jù)重復(fù)發(fā)生和共發(fā)生的過(guò)濾標(biāo)準(zhǔn)提取功能相關(guān)的詞。最后根據(jù)詞的發(fā)生頻率對(duì)基因進(jìn)行功能聚類。結(jié)果：基因表達(dá)譜的112個(gè)差異表達(dá)基因聚成16組功能類別：4組暗示EBV感染、6組顯示鼻咽癌變過(guò)程、2組參與能量代謝、1組提示蛋白的異常磷酸化、2組與其它疾病相關(guān)、1組與肌肉組織活性相關(guān)。腫瘤發(fā)生發(fā)展過(guò)程中常見的P53和Rb信號(hào)通路的異常在本研究中則未發(fā)現(xiàn)。結(jié)論：鼻咽癌的發(fā)生發(fā)展可能由特殊的信號(hào)通路引起。用文獻(xiàn)輪廓挖掘鼻咽癌微陣列表達(dá)數(shù)據(jù)黃仲曦，姚開泰(第一軍醫(yī)大用文獻(xiàn)輪廓挖掘大腸癌轉(zhuǎn)移芯片表達(dá)譜黃仲曦，孫青，丁彥青，姚開泰(第一軍醫(yī)大學(xué)病理教研室腫瘤研究所)目的：尋找新的大腸癌轉(zhuǎn)移相關(guān)基因。方法：根據(jù)大腸癌轉(zhuǎn)移芯片的表達(dá)譜，采用基于文獻(xiàn)輪廓的數(shù)據(jù)挖掘方法，從Medline文獻(xiàn)數(shù)據(jù)庫(kù)中提取基因的相關(guān)文獻(xiàn)并分析詞的頻率，再基于重復(fù)發(fā)生和共發(fā)生的過(guò)濾標(biāo)準(zhǔn)提取功能相關(guān)的詞，最后基于詞的發(fā)生頻率對(duì)基因進(jìn)行功能聚類，進(jìn)一步結(jié)合文獻(xiàn)及已有的分子生物學(xué)檢測(cè)結(jié)果進(jìn)行分析。結(jié)果：發(fā)現(xiàn)兩個(gè)新的可能與大腸癌轉(zhuǎn)移相關(guān)的基因TlAM1和NM23H1。用文獻(xiàn)輪廓挖掘大腸癌轉(zhuǎn)移芯片表達(dá)譜黃仲曦，孫青，丁彥青，姚開GenCLIPGenCLIP生物醫(yī)學(xué)文本挖掘及其應(yīng)用課件文本挖掘的過(guò)程命名體