基于機器學習的蛋白質命名實體識別和相互作用關系抽取的研究.pdf

1、由于生物醫(yī)學文獻不斷增加，生物醫(yī)學文本挖掘領域的相關研究逐漸活躍開來。生物醫(yī)學文本挖掘的意義不僅在于生物信息的管理上，更重要的是在于生物文獻中的知識發(fā)現(xiàn)和利用，從而增進對生物醫(yī)學現(xiàn)象和問題的了解及認識。本文主要從生物醫(yī)學命名實體識別和生物醫(yī)學實體關系抽取兩方面開展研究工作，具體內容如下：
　　 生物醫(yī)學命名實體識別是判斷并辨別生物醫(yī)學領域中出現(xiàn)的專有名詞，如：細胞、基因、藥物、疾病、組織、RNA和蛋白質等名稱。本文提出了基于詞典

2、和多分類器疊加法的蛋白質／基因實體識別方法BNERTagger。該方法分成三個主要步驟：第一步是預處理，主要是去停用詞、去標點符號、小寫轉換以及詞性標注等；第二步是詞典匹配，主要是采用現(xiàn)有的蛋白質和基因名稱詞典進行匹配，并作為特征輸入到多分類器中；第三步是多分類器疊加處理，主要是利用多種機器學習的方法進行實體識別。BNERTagger中的多分類器疊加法是對已有的多分類器投票法的改進，且利用已有的生物醫(yī)學詞典提高了方法的查準率。計算實驗反

3、映了，我們的方法獲得了89.9％的查準率和89.1%的查全率，高于已有的方法。
　　 生物醫(yī)學實體關系抽取的目的是從生物醫(yī)學文本中識別實體，進而抽取實體之間的關系。在生物醫(yī)學實體關系中具有重要地位的是蛋白質相互作用關系抽取，本文研究的是蛋白質磷酸化作用關系的抽取，磷酸化信息抽取是將蛋白質激酶、磷酸基（或稱磷酸位點）和蛋白質底物等信息從文本中抽取出來。本文提出了兩個蛋白質磷酸化作用關系抽取方法，分別是基于機器學習和規(guī)則的方法，以及

4、基于詞典擴展的改進方法。兩種方法主要思路是，首先利用自然語言處理技術對文本進行預處理，然后使用基于多分類器疊加的BNERTagger方法進行蛋白質實體命名的識別，其中的改進方法還利用了磷酸化數據庫Phospho.ELM來構造詞典。計算實驗反映了，兩種方法取得的結果都好于已有方法，其中改進的方法獲得了92.7%的查準率和82.5%的查全率。
　　 本文的創(chuàng)新和貢獻主要有：1）提出了一種基于詞典和多分類器疊加的蛋白質／基因實體命名識