生物醫(yī)學(xué)文本挖掘研究熱點(diǎn)分析

，，

隨著生物醫(yī)學(xué)科學(xué)的飛速發(fā)展，生物醫(yī)學(xué)領(lǐng)域的實(shí)驗(yàn)數(shù)據(jù)和文獻(xiàn)數(shù)量急劇增加。常用的檢索方式通常會(huì)消耗大量時(shí)間，并且需要對(duì)檢索詞進(jìn)行仔細(xì)篩選及恰當(dāng)組合。文本挖掘是通過計(jì)算機(jī)發(fā)現(xiàn)以前未知的新信息，即在現(xiàn)有文獻(xiàn)資源中自動(dòng)提取相關(guān)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(xué)數(shù)據(jù)庫中提取相關(guān)知識(shí)進(jìn)行研究進(jìn)而提出新的實(shí)驗(yàn)假設(shè)，得到新的科學(xué)結(jié)論，因此文本挖掘在生物科學(xué)領(lǐng)域具有很大的應(yīng)用價(jià)值。以檢索詞“text mining”在 PubMed檢索(2015年 6月 9日)相關(guān)文獻(xiàn)，結(jié)果顯示文獻(xiàn)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(xué)領(lǐng)域中正處在飛速發(fā)展中，是當(dāng)前的研究熱點(diǎn)。

基于以上原因，我們運(yùn)用共詞分析的方法，對(duì) 2000年1月至 2015年 3月MEDLINE數(shù)據(jù)庫收錄的有關(guān)文本挖掘在生物醫(yī)學(xué)領(lǐng)域應(yīng)用的論文中的高頻主題詞進(jìn)行了共現(xiàn)聚類分析，總結(jié)出當(dāng)前國際上文本挖掘在生物醫(yī)學(xué)領(lǐng)域應(yīng)用的研究熱點(diǎn)，并對(duì)其進(jìn)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(xué)領(lǐng)域文本挖掘研究文獻(xiàn)。MEDLINE是國際上生物醫(yī)學(xué)領(lǐng)域的權(quán)威數(shù)據(jù)庫，迄今收錄文獻(xiàn)達(dá)2 400萬篇，通過該數(shù)據(jù)庫可以檢測(cè)到含有確切關(guān)鍵詞的文獻(xiàn)[2]。采用檢索策略為：“text mining”[tiab] AND ((“2000/01/01”[PDAT] :“2015/03/31”[PDAT]) AND medline[sb])，共得到 879篇相關(guān)文獻(xiàn)記錄。

以 xml格式將全部相關(guān)文獻(xiàn)記錄套錄下來，運(yùn)用文獻(xiàn)計(jì)量學(xué)統(tǒng)計(jì)分析軟件BICOMB[3]抽取和統(tǒng)計(jì)以上文獻(xiàn)中的主要主題詞及副主題詞及每個(gè)詞在以上全部文獻(xiàn)中的出現(xiàn)頻次，按照它們的出現(xiàn)頻次由高到低進(jìn)行排序，選取其中出現(xiàn)頻次高于13次的 40個(gè)主題詞/副主題詞作為高頻主題詞(表1)。

表1 PubMed中與文本挖掘有關(guān)的高頻主題詞/副主題詞(n=40，頻次≥13)

由于這些文獻(xiàn)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(xué)文本挖掘有關(guān)，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(xué)領(lǐng)域中的應(yīng)用情況。

對(duì)所有高頻主題詞做進(jìn)一步處理，統(tǒng)計(jì)每一個(gè)高頻詞在文獻(xiàn)中的出現(xiàn)情況，形成高頻詞-文獻(xiàn)矩陣，輸入到gCLUTO軟件，采用系統(tǒng)聚類法對(duì)所得相似矩陣進(jìn)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(guān)系，分析這些高頻主題詞能夠獲得生物醫(yī)學(xué)領(lǐng)域文本挖掘研究的熱點(diǎn)。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(xiàn)，縱軸代表進(jìn)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(guān)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(guān)系，總結(jié)出每一類主題詞所代表的研究熱點(diǎn)，即當(dāng)前醫(yī)學(xué)領(lǐng)域文本挖掘研究的熱點(diǎn)。例如，主題詞 Natural Language Processing(自然語言處理)和 Periodicals as Topic(期刊作為主題)距離較近，關(guān)系密切，首先聚成一類；Artificial Intelligence(人工智能)再與前面兩個(gè)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(guān)系就能得出它們所代表的類團(tuán)含義標(biāo)簽，綜合各個(gè)類別的類標(biāo)簽可以得出當(dāng)前醫(yī)學(xué)領(lǐng)域文本挖掘研究的熱點(diǎn)。其次，利用 gCLUTO軟件計(jì)算各類成員對(duì)聚類貢獻(xiàn)率的指標(biāo)(描述度Descriptive和區(qū)分度 Descriminating)，選取對(duì)每一類形成貢獻(xiàn)最大的來源文獻(xiàn)作為表示該類內(nèi)容的類標(biāo)簽文獻(xiàn)，通過文獻(xiàn)內(nèi)容進(jìn)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(duì)近2000-2015年 MEDLINE收錄的生物醫(yī)學(xué)領(lǐng)域文本挖掘研究文獻(xiàn)的高頻主題詞和副主題詞進(jìn)行共現(xiàn)聚類分析(圖1)，我們將該領(lǐng)域的研究熱點(diǎn)分為以下3大方面，14個(gè)主題。

圖1 文本挖掘研究高頻主題詞的共現(xiàn)聚類圖

2.1 文本挖掘的基本技術(shù)

2.1.1 關(guān)于基因名稱識(shí)別的研究

該類所含的主題詞有 Genes；Terminology as Topics；Vocabulary, Controlled。研究內(nèi)容如根據(jù)詞表對(duì)基因符號(hào)消歧，評(píng)價(jià)生物醫(yī)學(xué)命名體識(shí)別的各種標(biāo)準(zhǔn)[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Artificial Intelligence，Algorithms，Pattern Recognition，Automated/methods等主題詞。研究內(nèi)容如利用Turku系統(tǒng)增強(qiáng)生物醫(yī)學(xué)事件抽取的新的特征選擇策略，Swanson的 ABC研究中定量計(jì)算 B詞的模型，如何把文本和手工構(gòu)建通路聯(lián)系起來[9-12]。

2.1.3 文本挖掘中標(biāo)引注釋問題

該類包括的主題詞有 Natural Language Processing；Information Storage and Retrieval/methods；Periodicals as Topic；Databases, Bibliographic；Abstracting and Indexing as Topic/methods。如用于生物文本挖掘語義注釋的語料庫GENIA，對(duì)文章中圖例進(jìn)行標(biāo)引和分類的系統(tǒng)，從全文中抽取生物學(xué)信息的工具。以上都涉及到文本挖掘語料的庫建設(shè)，需要事先注釋好的語料庫[13-16]。

2.1.4 文本挖掘初級(jí)階段的輔助工具

該類包括Database Management Systems，MEDLINE，User-Computer Interface等主題詞。研究內(nèi)容如通過 Web服務(wù)進(jìn)行文本處理的 Whatizit系統(tǒng)，對(duì) MEDLINE/PubMed文獻(xiàn)記錄自動(dòng)挖掘的輔助性工具 MedKit，文本中自動(dòng)標(biāo)記基因、蛋白質(zhì)和其他實(shí)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(wù)器的，用于分析文獻(xiàn)(如任何科學(xué)出版物或 MEDLINE摘要)中所含信息的模塊，它可以辨認(rèn)術(shù)語并將其與生物醫(yī)學(xué)數(shù)據(jù)庫(如 UniProtKb/Swiss-Prot)中相應(yīng)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(xué)研究中的應(yīng)用

2.2.1 系統(tǒng)生物學(xué)的知識(shí)管理

涉及的主題詞有 Systems Biology/methods；Gene Expression Profiling/methods，Knowledge Bases。研究內(nèi)容如以高通量 siRNA監(jiān)測(cè)作為生物系統(tǒng)擾動(dòng)和與復(fù)合物監(jiān)測(cè)并存靶向通路的辨認(rèn)的方法應(yīng)用于轉(zhuǎn)化醫(yī)學(xué)的通用和可視化驅(qū)動(dòng)的框架，藥物基因組學(xué)領(lǐng)域中的關(guān)系抽取，用于分析、整合和可視化人類轉(zhuǎn)錄組學(xué)[20-23]、蛋白質(zhì)組學(xué)和代謝組學(xué)的 Web系統(tǒng)生物學(xué)工具。

2.2.2 生物學(xué)網(wǎng)絡(luò)：蛋白質(zhì)相互作用網(wǎng)絡(luò)的構(gòu)建和分析

涉及的主題詞有Protein Interaction Mapping/methods、Models,Biological和Signal Transduction/physiology。研究內(nèi)容如利用文本挖掘的結(jié)果來構(gòu)建PPI網(wǎng)絡(luò)，生物網(wǎng)絡(luò)推理和分析信息融合平臺(tái) BioCAD；還有學(xué)者開發(fā)出基于網(wǎng)絡(luò)-上下文的文獻(xiàn)檢索系統(tǒng)(NcDocReSy)作為 Cytoscape的插件，可以通過間接相關(guān)的文獻(xiàn)幫助用戶手工構(gòu)建網(wǎng)絡(luò)，該系統(tǒng)結(jié)合了用生物學(xué)網(wǎng)絡(luò)檢索文獻(xiàn)和根據(jù)網(wǎng)絡(luò)拓?fù)鋪砼判驒z索到的文獻(xiàn)[24-27]。

2.2.3 通過文本挖掘獲得蛋白質(zhì)相互作用網(wǎng)絡(luò)圖，并對(duì)該圖中節(jié)點(diǎn)間的關(guān)系進(jìn)行語義上的注釋

涉及Proteins/metabolism，Protein Interaction Mapping，Semantics等主題詞。研究內(nèi)容如利用上下文模型和句子格式對(duì)基因提名加以規(guī)范并提取相互作用，把文獻(xiàn)挖掘和從各種來源的相互作用證據(jù)結(jié)合起來構(gòu)建鼠蛋白相互作用網(wǎng)絡(luò)，語言特征在從 PubMed中抽取相互作用時(shí)的有用程度，以及從文獻(xiàn)中抽取人類蛋白質(zhì)因果關(guān)系的挖掘工具 PPInter Finder[28-31]。

2.2.4 利用文本挖掘進(jìn)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(guān)自動(dòng)抽取蛋白質(zhì)點(diǎn)突變，PPI與文本挖掘集成用于蛋白質(zhì)功能預(yù)測(cè)；用整合后的全局相關(guān)評(píng)分改善 PPI對(duì)排序[32-35]等。

2.2.5 文本挖掘方法在生物信息學(xué)中應(yīng)用的概述

它涉及到 Data Mining /methods；Computational Biology /methods；Databases, Genetic等主題詞。文本挖掘是生物信息學(xué)的重要研究方法之一，有助于構(gòu)建基因數(shù)據(jù)庫和知識(shí)庫。研究內(nèi)容如從自文本中抽取事實(shí)的研究，文本挖掘是否能用成倍提高手工構(gòu)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(xùn)練文本挖掘方法以在藥物基因組研究中確認(rèn)潛在基因靶標(biāo)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(xiàn)挖掘的輔助工具相似，都是基于文獻(xiàn)數(shù)據(jù)庫開發(fā)的工具，但是輔助工具關(guān)注的是 MEDLINE數(shù)據(jù)庫，而本類則關(guān)注其網(wǎng)絡(luò)版，因此更具有網(wǎng)絡(luò)應(yīng)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(duì) 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(guān)的工具則有書目分析工具，如Pipeline Pilot就是一種基于 Web的 PubMed書目分析工具等，可以進(jìn)行交互式的文本挖掘[31，40-42]。

以上 6個(gè)主題也可以歸為一個(gè)大類，即在生物信息學(xué)研究中的應(yīng)用，側(cè)重系統(tǒng)生物學(xué)的挖掘分析，即通過蛋白質(zhì)相互作用網(wǎng)絡(luò)的分析來預(yù)測(cè)蛋白質(zhì)的功能。這是文本挖掘當(dāng)前在生物醫(yī)學(xué)應(yīng)用的主流，也是文本挖掘在生物醫(yī)學(xué)應(yīng)用中的重中之重。

2.3 文本挖掘在事實(shí)抽取中的應(yīng)用

2.3.1 如何從文本中抽取事實(shí)(關(guān)系)，即從文獻(xiàn)中發(fā)現(xiàn)醫(yī)學(xué)知識(shí)的方法學(xué)研究

涉及 Databases, Factual；Publications；Biomedical Research等主題詞。研究內(nèi)容如利用文本挖掘給文獻(xiàn)打分和排序，以改善毒理基因組學(xué)比較數(shù)據(jù)庫中藥物-基因-疾病關(guān)系的建立；利用用戶定制的支持互操作格式的 Web服務(wù)來處理生物學(xué)文獻(xiàn)；無監(jiān)督文本挖掘方法抽取生物醫(yī)學(xué)文獻(xiàn)中的關(guān)系等[43-46]。

2.3.2 利用文本挖掘幫助文獻(xiàn)檢索和整理，滿足用戶信息需求的研究

涉及主題詞有 Computational Biology，Information Storage and Retrieval。文本挖掘應(yīng)用于生物信息學(xué)的信息檢索，如利用生物醫(yī)學(xué)本體改善生物醫(yī)學(xué)文獻(xiàn)聚類效果，利用計(jì)算機(jī)跟蹤知識(shí)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(xiàn)計(jì)量學(xué)方法)構(gòu)建藥物-基因-疾病等調(diào)節(jié)網(wǎng)絡(luò)

該類主題詞有 Data Mining和Gene Regulatory Networks。研究內(nèi)容如利用文本挖掘方法幫助構(gòu)建 E.coli K-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(xiàn)計(jì)量學(xué)網(wǎng)絡(luò)重建應(yīng)用程序和服務(wù)器 Biblio-MetReS，比較性毒理基因組學(xué)數(shù)[51-54]據(jù)庫中藥物-基因-疾病網(wǎng)絡(luò)的文本挖掘和手工構(gòu)建等。

2.3.4 臨床記錄中各種信息(特別是時(shí)間信息)的抽取

涉及到Medical Informatics /methods，Electronic Health Records等主題詞。該研究內(nèi)容如從臨床記錄中抽取時(shí)間關(guān)系而生成患者時(shí)間軸，結(jié)合使用規(guī)則和機(jī)器學(xué)習(xí)方法從患者出院小結(jié)中抽取時(shí)間關(guān)系的 TEMPTING系統(tǒng)，從臨床文本中自動(dòng)抽取巴士指數(shù)的研究，對(duì)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(shí)，尤其是與藥物和毒理(藥物副作用)有關(guān)的事實(shí)抽取方法的研究，同時(shí)也涉及到基因等信息。

3 結(jié)論

通過對(duì) 14個(gè)主題的高頻主題詞進(jìn)行梳理，可以看到文本挖掘在生物醫(yī)學(xué)領(lǐng)域應(yīng)用主要在 3個(gè)方面。一是文本挖掘的基本技術(shù)研究。研究內(nèi)容從語料庫建設(shè)中的標(biāo)引注釋問題到文本分類中的特征提取，一直到這些技術(shù)在基因名稱的命名體識(shí)別中的應(yīng)用，最后涉及到可以在命名體識(shí)別等基本技術(shù)上幫助文本挖掘的工具。文本挖掘基本技術(shù)研究未來的發(fā)展應(yīng)更加注重采用規(guī)范化和標(biāo)準(zhǔn)化的工具。

二是文本挖掘在生物信息學(xué)領(lǐng)域里的應(yīng)用。該研究方向側(cè)重于將挖掘方法應(yīng)用到系統(tǒng)生物學(xué)分析中，如在轉(zhuǎn)化醫(yī)學(xué)、藥物基因組學(xué)、人類轉(zhuǎn)錄組學(xué)、蛋白質(zhì)組學(xué)和代謝組學(xué)等領(lǐng)域中的應(yīng)用，利用免費(fèi)而權(quán)威的PubMed文獻(xiàn)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(luò)分析來預(yù)測(cè)蛋白質(zhì)的功能是當(dāng)前文本挖掘在生物醫(yī)學(xué)領(lǐng)域應(yīng)用中的重中之重。另外，對(duì)生物學(xué)網(wǎng)絡(luò)(尤其是蛋白質(zhì)相互作用PPI網(wǎng)絡(luò))的屬性分析已經(jīng)成為一種新的生長點(diǎn)。其中通過對(duì)文本挖掘獲得文獻(xiàn)網(wǎng)絡(luò)，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(dòng)向。

三是文本挖掘在相關(guān)事實(shí)抽取中的應(yīng)用。文本挖掘也常用于從文本中抽取事實(shí)，尤其是與藥物、毒理(藥物副作用)、疾病有關(guān)的事實(shí)抽取方法的研究，同時(shí)也涉及到基因信息研究。包括對(duì)從文獻(xiàn)中發(fā)現(xiàn)醫(yī)學(xué)知識(shí)的具體技術(shù)的探討，如構(gòu)建各種生物醫(yī)學(xué)相關(guān)的數(shù)據(jù)庫和知識(shí)庫，Web服務(wù)器處理文獻(xiàn)；利用文本挖掘技術(shù)幫助用戶文獻(xiàn)檢索和整理文獻(xiàn)也是當(dāng)前引起廣泛關(guān)注的服務(wù)。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(xiàn)計(jì)量學(xué)方法構(gòu)建藥物-基因-疾病等調(diào)節(jié)網(wǎng)絡(luò)，以及有關(guān)臨床記錄中各種信息(特別是時(shí)間信息)的抽取問題。

綜上所述，生物醫(yī)學(xué)文本挖掘研究熱點(diǎn)主要集中在文本挖掘基本方法和技術(shù)研究、生物信息學(xué)中的應(yīng)用和在藥物相關(guān)研究中的應(yīng)用，未來發(fā)展方向應(yīng)當(dāng)是以詞表標(biāo)準(zhǔn)、復(fù)雜網(wǎng)絡(luò)分析等方法為主。