基于文本关系相似性的蛋白质交互关系识别-计算机科学与技术专业论文.docxVIP

南京航空航天大学硕士学位论文 南京航空航天大学硕士学位论文 基于文本关系相似性的蛋白质交互关系识别 基于文本关系相似性的蛋白质交互关系识别 摘 要 蛋白质交互(Protein-Protein Interaction, PPI)信息是生物学研究的重要内容之一。目前通过生 物学实验发现的 PPI 信息主要以非结构化文本的形式保存在生物文献当中，生物学家试图从这 些文献中手工地识别出 PPI 并将其录入关系数据库，用以建立可利用的知识网络。然而随着生 物学科技文献的日益激增，通过手工方式来搜集蛋白质交互信息显然难以满足实际的应用需求。 因而研究如何从生物医学文献中自动识别 PPI 对于生物医学的发展具有重要的意义。 目前 PPI 识别效果较好的基于机器学习的方法大多以单个句子作为识别的依据，这种方法 忽略了蛋白质交互的上下文信息难以对交互特征进行全面的把握，还有就是需要对训练集句子 中的每对蛋白质都进行标注，训练集的缺乏使得其难以满足 PPI 自动识别的要求。为了解决以 上这些问题，本文则在关系相似性框架下以大规模文本为依据，首先建立了基本的关系相似性 (Relational Similarity, RS)模型，实验比较了此模型下多种相似性度量策略，权值表示对识别结 果的影响，最终得出了比较合理的衡量关系相似性的函数以及权重表示方法，实验结果表明以 余弦距离衡量关系相似性以及二值权重表示所建立的基本 RS 模型识别精确度及召回率均较高 （75%左右）且两者之间相对均衡。我们采用此 RS 模型做初始判断，然后基于大规模语料 PubMed 计算出单词特征间的语义相似性建立单词相似性模型；最后针对基本 RS 模型在关系相 似性计算过程中忽略了特征单词间语义关联性的缺陷，在基本 RS 模型的基础上通过权值调整， 特征聚类（添加聚类簇特征，以聚类簇为特征）三种方案引入单词相似性模型做改进从而最终 提高 PPI 系统的识别精度。实验结果表明，单词相似性的引入进一步提高了识别系统的 F 值， 三种方案改进后的模型识别有交互的蛋白质对相对于基本模型依次提高了 2.03%，1.59%，2.47% 识别无交互的蛋白质对依次提高 2.96%，1.73%，2.94%。 关键词：蛋白质交互，关系相似性，单词相似性，向量空间模型，K 近邻分类，层次聚类 i PAGE PAGE iv PAGE PAGE iii ABSTRACT Information on protein-protein interactions (PPIs) is an important content of biological research. Currently, PPIs found by biomedical experiments are mainly stored in literature in the form of unstructured text. Biologists are trying to identify the PPIs existed in these documents manually and input them in a relational database which can be used to establish knowledge networks. However, with the rapid growing of the biology scientific literature, the manual way to collect PPIs is clearly time-consuming and difficult to meet the actual demands. Therefore, studying how to identify PPIs from biological literature automatically has import significance for the development of biological research. Current machine learning-based protein-protein interaction identification systems make decisions solely on evidence within a single sentence. This method is difficult to comprehensively grasp the characteristics of the interaction and offer suffer from small training set. To r