文本数据的生物信息学模型和在前列腺癌中的应用研究.pdf

文本数据的生物信息学模型及在前列腺癌中的应用研究 中文摘要 文本数据的生物信息学模型及在前列腺癌中的应用研究 中文摘要 大量的生物文本为生物医学研究提供了丰富的资源。但由于文本数量巨大，无法 通过人工处理来获取信息。文本挖掘能从现有的文献中自动地挖掘感兴趣的信息。借 助于文本挖掘，可以从文献数据库检索需要的生物医学文本；这些非结构化的文本包 含了大量的研究成果和实验数据，文本挖掘可以找出其中蕴含的重要信息和知识；在 所发现的信息的基础上，研究人员可以进一步生成假设、进行推断和预测、指导实验 和更深入的研究。 癌症已经成为影响人类健康的主要恶性疾病之一，对癌症的预防、诊断和治疗是 一个重要的研究热点。以文本形式存在的大量癌症相关的文献和实验数据为生物医学 研究提供了宝贵的资料。许多研究者借助于文本挖掘在处理文本数据方面的优势，将 癌症研究和文本挖掘相结合，使用文本挖掘技术发现新的知识，以促进生物医学的深 入研究。 本文综述了文本挖掘的各项子任务、一般处理流程、常用数据集和工具，介绍了 目前文本挖掘在癌症中的应用研究，具体包括： 1) 介绍了文本挖掘的相关概念、各项子任务以及处理流程； 2) 细述了一些常用的文本挖掘工具和语料，分析比较了这些工具的优缺点和适 用领域； 3) 分析总结了基于文本挖掘的癌症系统生物学研究常规流程； 4) 指出了文本挖掘存在的不足，面临的挑战，并针对性地提出了解决思路以供 研究者参考。 要从这些海量数据中挖掘信息，找出文本中包含的生物词汇是关键。命名实体识 别的目的是从文本中识别出指定类型的实体名字，如基因、蛋白等。命名体识别是进 一步挖掘信息的基础。从计算建模的角度来看，生物命名体识别可以看成是一个序列 分割问题，得到了广泛的研究。然而，由于生物词汇在词汇构造、语法、词形、语义、 上下文等多方面均有特殊性，因此，很多通用的命名体识别系统在识别生物词汇时表 现不佳。 在机器学习的方法中，支持向量机（Support Vector Machine，SVM）在解决小规 模的、非线性的、高维的问题时表现较好。SVM 在关系提取、关系预测和模式识别 等方面有着大量的应用。机器学习的另一种方法条件随机场（Conditional Random I 中文摘要 文本数据的生物信息学模型及在前列癌腺中的应用研究 Field ，CRF ）是为了解决最大熵马尔可夫模型中存在的标注偏置问题而引入的，是一 种连续的优化最大熵模型。CRF 擅长于解决序列标记问题。然而，在实际应用中， SVM 和CRF 具有很多不足和限制条件。SVM 最初只适用于二分类问题而CRF 可以 用于多分类问题；虽然CRF 通常需要较多的计算时间和空间，但很适用于解决序列 数据的标记问题，具有较高的稳定性。通过分析发现，SVM 和CRF 具有一定的互补 性，结合二者能相互促进，获得更好的结果。 本文将生物命名体识别视为一个包含多个步骤的任务。首选确定候选的单词是否 为一个生物单词；由于这个过程是一个二分类问题，因此可以使用SVM 来很好地完 成。如果判断的结果是一个生物单词，则再使用CRF 来确定这个单词属于哪种类别。 然后将SVM 和CRF 的结果进行合并，最后，利用一系列的算法进行修正。具体包括： 1) 根据生物单词的特性，使用所提出的2 条规则，找出由于上下文的不同而造 成不一致； 2) 提出了 1 条规则用于保证找出的词汇包含尽可能多的生物单词，并在此基础 上提出了词汇长度最大化算法，以确保得到最完整的生物词汇； 3) 针对SVM 和CRF 结合后可能出现的结果不一致现象，提出了最大双向概率 的方法以分析结果。双向概率包括了向前概率和向后概率两部分。向前概率 给出了在前一个状态的基础上向前输出的各种情况的概率；向后概率给出了 在后一个状态的基础上向后输出的各种情况的概率。本文取二者结合的最大 值所对应的状态作为结果。 本文