生物醫(yī)學(xué)文本挖掘及其在基因調(diào)控信息分析中的應(yīng)用.pdf

1、當(dāng)前基因調(diào)控領(lǐng)域研究信息以指數(shù)級(jí)增長(zhǎng)，一方面帶給研究人員海量的研究數(shù)據(jù)，同時(shí)也給研究資源的選擇帶來(lái)了很大的困難：如何方便地查詢基因調(diào)控相關(guān)的數(shù)據(jù)庫(kù)、工具和文獻(xiàn)；如何及時(shí)了解最新的研究信息；如何快速選取文獻(xiàn)成為急需解決的三大問(wèn)題。與此同時(shí)數(shù)據(jù)挖掘技術(shù)也獲得了飛速的發(fā)展，使用機(jī)器學(xué)習(xí)方法對(duì)生物數(shù)據(jù)文本進(jìn)行數(shù)據(jù)挖掘已經(jīng)成為一種生物信息學(xué)研究的一種新方法，尤其是文本挖掘中更成為研究的熱門(mén)，這同時(shí)也為我們解決上述問(wèn)題提供了有效的方法。 本

2、課題針對(duì)上述情況，根據(jù)文本挖掘的需求設(shè)計(jì)實(shí)現(xiàn)了頻繁序列算法，并提出了該算法在文獻(xiàn)選擇和文本分類(lèi)等多方面的應(yīng)用，開(kāi)發(fā)了用于信息提取和文本挖掘的頻繁序列算法系統(tǒng)(FSAS)；同時(shí)結(jié)合文本挖掘技術(shù)分別建立了基因調(diào)控信息資源庫(kù)(GRIS)和基因調(diào)控信息智能檢索系統(tǒng)(InfoAgerlt)。 文本分類(lèi)是文本挖掘中最主要的部分，其核心問(wèn)題在于如何實(shí)現(xiàn)分詞和提取文本特征?；蛘{(diào)控研究領(lǐng)域的發(fā)展日新月異，新詞、新技術(shù)不斷涌現(xiàn)，傳統(tǒng)的基于詞庫(kù)的分

3、詞算法無(wú)法適應(yīng)這一變化。本課題實(shí)現(xiàn)的頻繁序列算法可以在無(wú)字典情況下挖掘出文本中的頻繁長(zhǎng)詞和新詞。本算法挖掘出的長(zhǎng)詞，比單個(gè)詞更能體現(xiàn)文本的主要意義，所以可以用來(lái)幫助研究人員了解文獻(xiàn)的主要內(nèi)容，從而實(shí)現(xiàn)對(duì)所需文獻(xiàn)的閱讀選擇。同時(shí)，這些詞經(jīng)過(guò)選擇后可以方便地生成文本特征向量，為文本分類(lèi)服務(wù)，本課題利用FSAS系統(tǒng)提取的文本特征，結(jié)合SVM技術(shù)，對(duì)基因調(diào)控相關(guān)的文獻(xiàn)進(jìn)行了分類(lèi)實(shí)驗(yàn)，多次分類(lèi)結(jié)果的平均準(zhǔn)確率達(dá)到80﹪以上。另外，F(xiàn)SAS對(duì)一定量

4、的基因調(diào)控相關(guān)文獻(xiàn)進(jìn)行分析后，也可以構(gòu)建該領(lǐng)域的相關(guān)詞庫(kù)。 基因調(diào)控信息資源庫(kù)(GRIS)收集了目前我們已知的網(wǎng)絡(luò)上的基因調(diào)控相關(guān)的數(shù)據(jù)庫(kù)、分析工具和文獻(xiàn)檢索資源。通過(guò)GRIS系統(tǒng)，研究人員可以方便地檢索到所關(guān)心的各類(lèi)基因調(diào)控信息資源。對(duì)于海量的基因調(diào)控信息相關(guān)文獻(xiàn)，可以通過(guò)FSAS，挖掘出該文獻(xiàn)中的頻繁長(zhǎng)詞，進(jìn)而通過(guò)這些詞來(lái)確定該文獻(xiàn)的主要研究?jī)?nèi)容，研究人員只需要查閱這些長(zhǎng)詞就可以了解文獻(xiàn)主題，從而快速方便的獲取所需的研究文獻(xiàn)

5、。面向基因調(diào)控信息領(lǐng)域的信息代理系統(tǒng)(InfoAgernt)是一個(gè)雙層的Client/Server結(jié)構(gòu)，它建立在界面代理、用戶興趣學(xué)習(xí)代理、信息獲取代理和文檔檢索代理等多代理之上，能夠通過(guò)系統(tǒng)及用戶自定義的數(shù)據(jù)源，利用Sockets技術(shù)爬行網(wǎng)絡(luò)，及時(shí)獲取當(dāng)前國(guó)際上基因調(diào)控研究相關(guān)的最新技術(shù)、進(jìn)展和新聞等信息。同時(shí)該系統(tǒng)還實(shí)現(xiàn)了基于用戶興趣的調(diào)控信息智能檢索。本系統(tǒng)的實(shí)現(xiàn)可以幫助用戶及時(shí)了解當(dāng)前國(guó)際國(guó)內(nèi)基因調(diào)控信息的研究進(jìn)展，從而大大減輕