基于数据挖掘技术知识服务体系.docVIP

基于数据挖掘技术的知识服务体系 ——以生命科学领域内GOPubMed为例 谢岩岩1，2 孙继林1 1中国科学院国家科学图书馆，北京，100190 2中国科学院上海生命科学信息中心,上海 200031 摘要：随着生物文献的急剧增长，找到相关文献进行数据挖掘成为新的重点和难点，GOPubMed基于GO和MeSH搜索PubMed，通过标引和分类，可以有效地提高查找相关文献的准确率。GOPubMed的实现为图书馆进行知识服务提供了一种参考模式：通过各类数据库的关联整合，运用本体和主题词表等对其进行数据挖掘，达到知识扩展和知识发现。 关键词：GOPubMed；GO；术语提取；实体识别; 知识服务 Knowledge Service system on Data Mining：GOPubMed in life sciences Xie Yanyan Sun Jilin L ibrary of Chinese Academy of Sciences, Beijing 100190 Shanghai Intelligence Center for life Sciences, CAS, Shanghai 200031 ABSTRACT：The biomedical literature grows at a tremendous rate. Finding relevant literature is an important and difficult problem. We introduce GOPubMed, a web server which allows users to explore PubMed search results with the Gene Ontology (GO), a hierarchically structured vocabulary for molecular biology. It gives an overview of the literature abstracts by categorizing abstracts according to the GO and thus allowing users to quickly navigate through the abstracts by category. Key words：GOPubMed；GO；Term Extract；Entity Recognition；Knowledge Service 随着生物文献数量的急剧增长，文献间的知识挖掘和管理成为用户的另一难点。利用现有数据库已可以实现蛋白质互作、生物循环路径发现等研究目地，但是传统的基于关键词的文献检索存在两种不足：①用户需要具备很强的专业知识搜索技能，才能选取合适的关键词和逻辑表达式达到检索目的；②检索结果呈线性排列，用户很难发现结果之间的复杂关系，无法进行深一步的知识挖掘；而且一般情况下，用户只是点击排名靠前的文献，因此排序靠后但有价值的文献会被遗漏。 本文将介绍一个基于本体构建的网络搜索引擎GOPubMed[1]，GOPubMed是基于PubMed的检索工具。当用户将检索词提交给PubMed后，GOPubMed会接收PubMed的检索结果，利用GO (gene ontology，GO—基因本体)和MeSH (医学主题词表)对检索结果进行提炼，从中提取GO术语和MeSH主题词，对检索结果进行聚类和关联，并提供相关文献、作者、研究机构、国家或地区的可视化结果，有以下优点：①提供基于基因本体的摘要分类概览，帮助用户实现分类摘要的快速导航；②自动提供与提问相关的GO术语；③与文献相关的GO概念在文献摘要中有所标识，保证用户及时查看验证文献内容分类；④使用GOPubMed搜索PubMed时，会出现相关的GO术语定义及解释。 1生命科学数据库背景知识[2] 随着生命科学的不断发展，各种专业数据库（基因序列库、蛋白质序列库等）和文献数据库（如PubMed）之间的关联和挖掘成为新的需求。GOPubMed主要以基因、蛋白序列数据库和生物医学文献数据库为基础，经过数据挖掘，提供知识服务。 1.1 GenBank基本信息 GenBank是一个核苷酸序列数据库，每条核苷酸序列都有编码区（CDS）的特征注释，还包括其氨基酸的翻译。利用这些核苷酸的记录信息，生物学家可以进行遗传生物学、分子生物学、疾病等各项生物学的基础研究，因此，GenBank是生物学家使用的重要的专业数据库之一。 1.2蛋白质序列数据库 蛋白质序列数据库是记录已知蛋白质的序列信息的数据库。访问该类数据库，利用蛋白的Accession Number，作者姓名，物种，以及该基因或蛋白的名字等文本术语来搜索蛋白序列记录，（在GenP