基于大规模文本的蛋白质交互关系自动提取研究计算机科学与技术专业论文.docxVIP

承诺书 本人声明所呈交的硕士学位论文是本人在导师指导下进 行的研究工作及取得的研究成果。除了文中特别加以标注和致 谢的地方外，论文中不包含其他人已经发表或撰写过的研究成 果，也不包含为获得南京航空航天大学或其他教育机构的学位 或证书而使用过的材料。 本人授权南京航空航天大学可以将学位论文的全部或部 分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。 （保密的学位论文在解密后适用本承诺书） 作者签名： 日 期： 南京 南京航空航天大学硕士学位论文 基于 基于大规模文本的蛋白质交互关系自动提取研究 i i PAGE PAGE iv 摘 要 蛋白质作为生命活动的体现者并非孤立存在，而是通过相互的交互作用完成细胞中的大部 分过程。蛋白质交互（Protein-Protein Interaction，PPI）网络的建立一直是研究生物过程关注的 核心问题。因而由领域专家手工收集的 PPI 数据库纷纷建立。然而，随着生物医学文献的迅速 增长，手工收集 PPI 信息远远不能满足研究的需要。目前，大量 PPI 信息仍隐藏在各种生物医 学文献中。如何从这些文本中自动挖掘出 PPI 信息对于 PPI 网络的建立有着重要的意义。 本论文从实际构建 PPI 网络的需求出发，针对目前蛋白质交互关系识别主要以单句为依据、 依赖人工标注而导致训练集规模小等不足，提出了基于大规模文本的蛋白质交互关系自动提取 两种方法。两种方法直接以目标蛋白质对为研究对象，以大规模文本为依据，对 PPI 的判定建 立在更多的信息的基础上，直接利用已有的 PPI 数据库建立训练集而避免了人工标注的额外负 担。其中一种方法采用了基于特征向量的机器学习方法，重点比较了四种对向量的特征进行加 权和特征选择方案，实验取得了 75.89%的 F-Score 值。另外一种方法在关系相似性研究的框架 下建立蛋白质之间的本质联系。从单词、短语结构、依赖关系三个角度抽取特征，建立向量空 间模型来表示一对蛋白质之间的关系，最后根据两个向量之间的相似性对关系作出判断。并取 得了 75.02%的 F-Score 值。 关键词：蛋白质交互关系，大规模文本，特征提取，向量空间模型，关系相似性 ABSTRACT As the embodiment of life activities,proteins are not isolated.They complete the most of process of cells through the mutual interactions.The establishment of the protein-protein interaction(PPI) network has been the core issues of the research on biological process.Many databases of PPIs have been built by the domain experts.However,with the rapid growth of biomedical literature,manually collecting the complete PPI information is not realistic.At present,a large number of PPI information is still scattered in various biomedical literature.It is very important to automatically mine PPI information from the text for the establishment of PPI network. In order to meet the needs of constructing PPI network and address the problem of current PPI identification systems using single sentences as evidence,and often suffering from the heavy burden of manual annotation,in this thesis,two methods of automatic identification of PPI by searching large scale text are proposed.PPIs are identified based on clues extracted from large-scale text