Горнодобывающей промышленности фраза облачной и анализа определяемых пользователем фразы Категория ассоциации в биомедицинских публикаций
23 февраля 2019 г.
Мы представляем протокол и связанного программного кода, а также образцы метаданных для поддержки облачной автоматической идентификации фразы Категория ассоциации, представляющие уникальные концепции в домене выбранного знания пользователя в биомедицинских литературе. Фраза Категория Ассоциация количественно этот протокол может облегчить в глубине анализа в домене выбранного знаний.
Наш протокол предусматривает пошаговую меру для создания облачной платформы для добычи фраз для ассоциации категорий лиц, определяемых пользователем, для оценки связи белков, геномов или химических веществ с конкретными заболеваниями. Основными преимуществами этого метода являются его повышение эффективности по сравнению с ручной оценкой ассоциации категорий сущностей, повышение доступности и использование инструментов для добычи фраз для широкого применения биомедицинских исследований. Пользователи могут выбирать организации и категории, представляющие интерес в биомедицинских публикациях, или в текстовых документах, связанных с конкретными ключевыми словами.
Новые пользователи могут следовать нашему протоколу и ссылкам, представленным в рукописи, и они могут поднимать технические вопросы в нашем репозитории GitHub. Визуальная демонстрация этого вопроса добавляет больше ясности в то, как выполнять протокол, и поощряет внедрение новых инструментов для анализа текста. Чтобы создать текстовый куб, сначала загрузите последние доступные заголовки медицинских предметов или сетчатое дерево.
Код для сетчатого дерева 2018 является MESHTree2018. бен, и должны быть введены в каталог ввода. Определите категории интересов с помощью одного или нескольких сетчатых дескрипторов и соберите сетчатые документы для категории.
Сохраните названия категорий в textcube_config. файл json в каталоге config и добавьте собранные категории сетчатых ID в строку, отделенную пространством. Сохранить файл категории в категориях.
txt в каталоге входов. Этот алгоритм автоматически выбирает все дескрипторы сетки потомка. Убедитесь, что mesh2pmid.
json находится в каталоге данных. Если дерево сетки было обновлено с другим именем в каталоге входных данных, убедитесь, что это правильно представлено в пути входных данных в run_textcube. py файл.
Чтобы создать структуру документа под названием text-cube, введите python run_textcube. py в терминале для создания коллекции документов для каждой категории. Один документ может подпадать под несколько категорий.
После завершения шага создания текстового куба убедитесь, что ячейка в таблице PMID сохраняется в каталоге данных, как textcube_cell2pmid.json. PMID в таблице отображения ячееок сохраняется в каталоге данных, как textcube_pmid2cell.json. Собрание всех терминов сетки потомка для ячейки сохраняется в каталоге данных как meshterms_per_cat.json.
А статистика текстовых кубов данных сохраняется в каталоге данных textcube_stat.txt. Затем перейдите в каталог журналов, чтобы прочитать сообщения журнала в textcube_log. txt, в случае, если этот процесс не удается.
Если процесс будет успешно завершен, сообщения отладки создания текстового куба будут распечатаны в файле журнала. Для подсчета сущностей создайте объекты, определяемые пользователем, размещая одну сущность и ее аббревиатуры в одну строку, отделенную символом вертикальной линии. Сохранить файл сущности как сущности.
txt в каталоге входных данных и убедитесь, что сервер Elasticsearch работает. Если индексированная база данных под названием PubMed присутствует на сервере Elasticsearch, подтвердите наличие textcube_pmid2cell. json файл в каталоге данных, и введите python run_entitycount.
py в терминале для выполнения операции подсчета сущности. Если все документы из базы данных индекса и количество сущностей в каждом документе были подсчитаны, а PMID, в которых были найдены сущности, были собраны, сохраните окончательные результаты в качестве номера сущности. txt и entityfound_pmid2cell.
json в каталоге данных. Затем откройте каталог журналов для чтения журнальных сообщений в entitycount_log. txt, в случае, если этот процесс не удается.
Если процесс будет успешно завершен, сообщения отладки счета сущности будут распечатаны в файле журнала. Убедитесь, что все входные данные находятся в каталоге данных. Это входные данные для обновления метаданных.
Чтобы подготовить коллекцию метаданных, введите питона run_metadata_update. py в терминале для обновления метаданных. Как только обновление метаданных будет завершено, убедитесь, что metadata_pmid2pcount.
Json и metadata_cell2pmid. файлы json сохраняются в каталоге данных. Перейдите в каталог журналов, чтобы прочитать сообщения журнала в metadata_update_log.
txt файл, в случае, если этот процесс не удается. Если процесс будет успешно завершен, отладка сообщений обновления метаданных будет распечатана в файле журнала. Для расчета оценки оценки семантической онлайн-аналитической обработки контекста подтвердите наличие metadata_pmid2pcount.
Json и metadata_cell2pmid. json файлы в каталоге данных. Это входные данные для расчета баллов.
Введите питон run_caseolap_score. py в терминале для выполнения контекст-осведомленного семантического онлайн-аналитического расчета оценки сущностей на основе определяемых пользователем категорий. Оценка является продуктом целостности, популярности и отличительности.
Как только расчет баллов завершен, подтвердите, что результаты сохраняются в каталоге результатов. Затем доступ к каталогу журналов для чтения журнальных сообщений в caseolab_score_log. txt файл, в случае, если этот процесс не удается.
Если процесс будет успешно завершен, сообщения отладки расчета баллов caseolab будут распечатаны в файле журнала. Используя полученные метаданные и статистические данные из четырех подкатегорий возрастной группы младенцев, детей, подростков и взрослых, можно отобрать количество документов среди клеток текстового куба. Здесь подкатегория для взрослых содержит наибольшее число во всех клетках, при этом подкатегории для взрослых и подростков имеют наибольшее количество общих документов и содержат сущность, представляющие интерес для этого репрезентативного анализа.
Оценка ассоциации возрастных групп белка как контекст-знать семантические онлайн аналитической обработки оценка, топ 10 белков, связанных с младенцем, ребенком, подростком и взрослыми подкатегорий смогли быть определены. Здесь показаны полученные метаданные и статистические данные по подкатегории пищевых и метаболических заболеваний. Подкатегориоболическое заболевание содержит почти в три раза больше документов, чем подкатегория нарушений питания.
Подкатегории метаболических заболеваний и нарушений питания имеют 7 101 общие документы. Примечательно, что эти документы включали организацию, заинтересованную в репрезентативном исследовании. Более половины всех белков делятся между подкатегориями, при этом почти половина всех связанных белков в подкатегории метаболических заболеваний уникальна для этой подкатегории, и с подкатегорией нарушений питания, выставляют лишь несколько уникальных белков.
Независимые и отдельные категории, а также коллекция всех синонимов и сокращений сущности обеспечит наилучшие результаты. Поскольку ассоциация категорий сущностей представлена в качестве численного значения, это открывает двери для внедрения недостающих методов обучения, таких как кластеризация и анализ принципиальных компонентов. Этот метод облегчает открытие скрытых или ранее неопознанных отношений в рамках этих ассоциаций, прокладывая путь для более глубокого понимания биологических процессов.
Обзор
В данной статье представлен протокол создания облачной платформы для майнинга фраз, которая упрощает установление связей между биомедицинскими объектами и конкретными заболеваниями. Этот подход повышает эффективность и доступность биомедицинских исследований.
Основные компоненты исследования
Область науки
- Анализ биомедицинской литературы
- Методы интеллектуального анализа текста (text mining)
- Ассоциация сущностей и категорий
Теоретическое обоснование
- Ручная оценка ассоциаций между объектами и категориями требует больших временных затрат.
- Инструменты извлечения фраз позволяют повысить эффективность исследований.
- Облачные платформы обеспечивают более широкий доступ к ресурсам по текстовому майнингу.
- Протоколы могут помочь новым пользователям при внедрении этих инструментов.
Цель исследования
- Автоматизировать идентификацию ассоциаций между фразами и категориями.
- Обеспечить систематический подход к анализу биомедицинской литературы.
- Повысить удобство использования инструментов извлечения фраз для исследователей.
Используемые методы
- Пошаговый протокол создания текстового куба на основе биомедицинских публикаций.
- Использование медицинских предметных рубрик (MeSH) для определения категорий.
- Применение скриптов на языке Python для обработки и анализа данных.
- Механизмы логирования и отладки для обеспечения надежности процесса.
Основные результаты
- Успешное создание текстового куба для категоризации документов.
- Автоматизированное сопоставление сущностей с категориями с использованием дескрипторов MeSH.
- Генерация метаданных и статистики для различных возрастных групп.
- Сравнение количества документов по различным подкатегориям.
Выводы
- Данный протокол значительно упрощает процесс сопоставления сущностей с категориями.
- Облачные инструменты повышают доступность для исследователей в области биомедицины.
- Будущие области применения могут включать более широкий анализ в различных биомедицинских доменах.
Часто задаваемые вопросы
Практическая значимость для промышленности
Автоматизация ассоциаций между сущностями и категориями в биомедицинской литературе ускоряет валидацию мишеней за счет устранения узких мест, связанных с ручной курацией. Облачный конвейер CaseOLAP обеспечивает масштабируемое и воспроизводимое количественное определение взаимосвязей между фразами и категориями, поддерживая генерацию гипотез на основе данных на ранних этапах поиска. Это повышает прогностическую достоверность при выборе мишеней и оптимизирует сортировку портфеля за счет объективных количественных результатов.
Стратегическое применение в биофармацевтических исследованиях и разработках
Ранний поиск и валидация мишени
- Научная ценность: обеспечивает систематическую проверку терапевтических гипотез путем количественной оценки связей между объектами (например, белками, генами, химическими веществами) и категориями заболеваний.
- Операционная ценность: сокращает трудозатраты при обзоре литературы за счет автоматизированной высокопроизводительной обработки биомедицинских текстов со скоростью 100,000 слов/секунду.
- Стратегическая ценность: способствует приоритизации мишеней, предоставляя воспроизводимые числовые показатели связей между объектами и категориями, что помогает в принятии решений о целесообразности дальнейшей разработки (go/no-go decisions).
Скрининг и разработка анализа
- Научная ценность: позволяет получать стандартизированные количественные показатели ассоциации, которые помогают в разработке анализа, выделяя биологически значимые пары «объект-заболевание».
- Операционная ценность: обеспечивает получение согласованных, многократно используемых результатов (например, показателей CaseOLAP, сопоставлений метаданных), что облегчает сравнение между проектами и повторное использование платформы.
- Стратегическая ценность: обеспечивает раннее выявление перспективных мишеней за счет масштабируемого анализа больших корпусов публикаций, что повышает готовность к проведению скрининга.
Трансляционные и доклинические исследования
- Научная ценность: способствует трансляционной преемственности путем связывания ассоциаций объектов на этапе поиска с доклинической валидацией посредством контекстно-зависимого семантического анализа.
- Операционная ценность: генерирует структурированные данные (например, текстовые кубы, файлы метаданных), которые поддерживают интеграцию с последующими аналитическими рабочими процессами.
- Стратегическая ценность: помогает принимать решения о продвижении с учетом рисков, выявляя закономерности в отношениях между объектами и заболеваниями в различных биологических контекстах (например, возрастные группы, подтипы заболеваний).
Интеграция конвейеров и рабочих процессов
Конвейер CaseOLAP вписывается в непрерывный процесс исследований — от ранней генерации гипотез до идентификации ведущих соединений, обеспечивая масштабируемый анализ биомедицинской литературы для обоснования стратегий выбора и валидации мишеней.
- Поисковая биология: поддерживает проверку гипотез и уточнение путей за счет количественной оценки частоты совместного появления объектов с категориями, имеющими отношение к заболеванию, в научных текстах.
- Скрининг: повышает готовность к проведению анализов путем создания стандартизированных, воспроизводимых показателей ассоциации «объект-категория», подходящих для приоритизации скрининга соединений.
- Аналитика: предоставляет числовые результаты (показатели CaseOLAP) и статистические интеграции (кластеризация, снижение размерности), которые позволяют проводить объективное сравнение биологических условий.
- Трансляционные исследования: связывает результаты поисковых исследований с доклинической работой, обеспечивая возможность межcategory-сравнений (например, возрастных групп, подтипов заболеваний), отражающих биологическую значимость.
- Корпоративное повторное использование: функционирует как многократно используемый облачный инструмент для анализа литературы в рамках нескольких проектов, сокращая избыточные трудозатраты и способствуя стандартизации.
Операционное и корпоративное воздействие
- Научная ценность: Повышает достоверность прогнозирования при валидации мишеней путем преобразования качественных литературных связей в количественные воспроизводимые показатели.
- Операционная ценность: Обеспечивает стандартизацию и масштабируемость за счет автоматизированной обработки, индексации и скоринга текстов в облачной среде.
- Стратегическая ценность: Повышает эффективность использования капитала за счет сокращения времени на ручной отбор данных и обеспечения более быстрого принятия решений на основе данных.
- Влияние на портфель: Поддерживает приоритизацию с учетом рисков, предоставляя объективные баллы, которые помогают отличить высокодостоверные мишени от ложных ассоциаций.
Особенности реализации
- Требуются экспертные знания в области интеллектуального анализа биомедицинских текстов, написания скриптов на Python и настройки Elasticsearch.
- Необходим доступ к облачной вычислительной среде и запущенный сервер Elasticsearch для выполнения операций индексации и поиска.
- Требуется стандартизация входных форматов (например, дескрипторов MeSH, файлов сущностей) между исследовательскими группами для обеспечения воспроизводимости результатов.
- При применении протокола к различным типам сущностей (например, белкам в сравнении с химическими веществами) или системам категорий, отличным от MeSH, потребуются соответствующие адаптации.
- Возможности метода ограничены качеством и полнотой входных текстовых данных, а также точностью определений предварительно заданных категорий, что напрямую влияет на точность и интерпретируемость полученных баллов.
