生物医学文本挖掘研究热点分析

为了解生物医学文本挖掘的研究现状和评估未来的发展方向,以美国国立图书馆 PubMed中收录的 2000年 1月-2015年3月发表的生物医学文本挖掘研究文献记录为样本来源,提取文献记录的主要主题词进行频次统计后截取高频主题词,形成高频主题词-论文矩阵,根据高频主题词在同一篇论文中的共现情况对其进行聚类分析,根据高频主题词聚类分析结果和对应的类标签文献,分析当前生物医学文本挖掘研究的热点。结果显示,当前文本挖掘在生物医学领域应用的主要研究热点为文本挖掘的基本技术研究、文本挖掘在生物信息学领域里的应用、文本挖掘在药物相关事实抽取中的应用3个方面。     

生物医学文本知识发现的研究进展

目前,如何解决海量文本信息与知识增长缓慢的矛盾,以可信的方式发现文本中有用的模式是一项严峻的挑战。本文就国际上有关文本挖掘在生物医学领域的应用进行阐述。概念识别和发现关系研究已经取得丰硕成果,而元数据挖掘正处于起步阶段。利用元数据进行生物医学文本挖掘以及建立知识库是现阶段文本知识发现的重要任务。     

基于重现的无词典分词方法在中文生物医学文本挖掘中的应用

在对文本挖掘和中文分词方法进行概述的基础上,结合中文生物医学文本的特点,提出基于重现的无词典分词方法在构建医学文献相关性数据库、发现医学新名词、预测新兴研究趋势和基于文献的知识发现中的应用设想.     

文本挖掘在基因组注释中的应用

为了解生物医学文本挖掘技术在基因组注释方面的基本应用,以Web of Science（WOS）数据库中收录的关于生物医学文本挖掘技术在基因组注释方面的基本应用的文献作为来源文献,利用书目共现分析软件提取文献中的高被引论文,形成来源文献——高被引文献词篇矩阵,利用聚类软件对高被引论文进行同被引聚类分析,最后得到生物医学文本挖掘技术在基因组注释方面的基本应用,主要包括权威工具的使用、文本挖掘工具和算法的开发、文本挖掘工具的检验。     

生物医学实体关系抽取的研究

人类基因组计划使生物医学的研究取得了前所未有的成就,在研究结果中得到了大量的生物医学实体,如基因、蛋白质、器官、疾病和药物等,但这些生物实体之间存在什么样的关系仍不完全清楚.作为生物医学研究成果载体的文献呈指数增长,已成为科研人员获取知识的瓶颈.文本挖掘能够解决信息超载问题,故对生物医学实体关系的挖掘流程和评价指标进行介绍,对生物医学文本挖掘在研究生物实体关系抽取中采用的基于统计的方法、基于自然语言处理的方法和基于模式匹配的方法进行了阐述,对各种方法进行了综合比较,同时介绍了国内外相关研究.     

文本挖掘在生物医学领域中的应用及其系统工具

系统介绍了生物医学文本挖掘的具体流程和文本挖掘技术在生物医学领域中的应用情况,并着重从自然语言处理和本体、命名实体识别、关系抽取、文本分类与聚类、共现分析、系统工具及评价、可视化等方面分别做了阐述.     

文本挖掘在生物学中的应用

文本挖掘是利用数据挖掘技术在大量的文本集合中发现隐含的知识的过程。近年来许多研究人员利用计算机技术对生物医学文献全文或摘要进行了分析，现综述各项研究中所采用的文本挖掘技术。文本挖掘的任务包括在大量文本中进行信息抽取、语词识别、发现知识间的关联等，还包括提高大分子序列同源查找的效率，进行细胞定位等复杂的目标。     

利用文本挖掘进行药物重新定位的步骤与工具

文本挖掘技术为药物重新定位提供了新思路,不断出现的新数据库以及相应工具,为利用文本挖掘技术进行药物重新定位提供了越来越多便利。介绍了一些使用文本挖掘方法进行药物重新定位研究的方法和工具及成功应用这些方法和工具的范例,以便为对此领域感兴趣的研究人员提供参考。     

文本挖掘在药物靶位研究中的应用

针对国外药物靶位研究的相关文献,使用BICOMB2.01软件、gCLUTO软件进行了高被引论文的同被引聚类分析,通过对各类高被引论文及其对应的重要来源文献的标题和摘要进行语义分析,发现该领域当前研究的主要热点包括文本挖掘在预测药物靶位研究中的总体趋势、理论基础、主要方法和主要资源4个方面。     

用文本挖掘方法发现药物的副作用

分析了用文本挖掘方法探测药物副作用的必要性及可行性,从挖掘流程、挖掘/提取方法、结果评价和现有工具软件4个方面总结了用文本挖掘技术提取药物副作用的研究现状及尚未解决的问题和未来发展趋势。     

文本挖掘在中医药文献分析中的应用

文本挖掘能从海量的中医药文献中发现知识以促进中医临床研究和中药研发。本文总结现有研究指出文本分类和信息抽取是中医药文献知识发现的关键技术,指出中医药文本分类、非关联知识发现和中医药文献信息抽取为三个主要研究方向,并论述了三个研究领域中需解决的关键问题和研究方向,最后展望文本挖掘在中医药学科的应用前景,指出非关联文献知识将成为中西医结合研究的热点。     

基于MeJo模型的病原微生物潜在药物挖掘

建立一种基于中频词的知识发现模型——MeJo模型,以肺炎链球菌相关文献为对象,应用该模型进行病原微生物潜在药物的挖掘。结果表明MeJo模型可用于挖掘病原微生物相关的潜在药物,为医学研究和疾病防治提供参考。     

医疗机构中药制剂向中药新药转化的探讨

笔者分析了医疗机构制剂在新药开发中的优势,指出医疗机构中药制剂研发中存在临床评价不规范、医疗机构自身新药开发能力较低、缺少良好的合作研发平台及知识产权保护问题等问题。针对上述问题,笔者提出三点建议：一是规范临床研究,建立信息数据库;二是医疗机构、科研机构和药品生产企业联合创建良好的新药研发平台;三是加强知识产权及研究者利益的保护。全文为医疗结构在新的药品注册法规体系下,促进医疗机构中药制剂向新药转化提供一些思路。     

电子健康挖掘研究述评

从药物副作用挖掘、疾病爆发监控、消费者健康词汇表构建、缩写消歧和拼写错误检测以及情感分析和观点分析5个应用领域,对电子健康挖掘研究进行系统介绍,以期对国内相关研究起到一定的促进作用.     

新药研究开发的进展与展望

综述了近年来国际国内新药研究开发的最新进展和重要成就,提出了加速我国新药研究的若干思考,并对２１世纪初期新药研究开发的一些发展趋势进行了展望。     

Toward creation of a cancer drug toxicity knowledge base: automatically extracting cancer drug–side effect relationships from the literature

Objective

A comprehensive and machine-understandable cancer drug–side effect (drug–SE) relationship knowledge base is important for in silico cancer drug target discovery, drug repurposing, and toxicity predication, and for personalized risk–benefit decisions by cancer patients. While US Food and Drug Administration (FDA) drug labels capture well-known cancer drug SE information, much cancer drug SE knowledge remains buried the published biomedical literature. We present a relationship extraction approach to extract cancer drug–SE pairs from the literature.

Data and methods

We used 21 354 075 MEDLINE records as the text corpus. We extracted drug–SE co-occurrence pairs using a cancer drug lexicon and a clean SE lexicon that we created. We then developed two filtering approaches to remove drug–disease treatment pairs and subsequently a ranking scheme to further prioritize filtered pairs. Finally, we analyzed relationships among SEs, gene targets, and indications.

Results

We extracted 56 602 cancer drug–SE pairs. The filtering algorithms improved the precision of extracted pairs from 0.252 at baseline to 0.426, representing a 69% improvement in precision with no decrease in recall. The ranking algorithm further prioritized filtered pairs and achieved a precision of 0.778 for top-ranked pairs. We showed that cancer drugs that share SEs tend to have overlapping gene targets and overlapping indications.

Conclusions

The relationship extraction approach is effective in extracting many cancer drug–SE pairs from the literature. This unique knowledge base, when combined with existing cancer drug SE knowledge, can facilitate drug target discovery, drug repurposing, and toxicity prediction.