生物医学出版物中基于云的短语挖掘与用户定义短语类协会的分析
February 23rd, 2019
我们提供了一个协议和相关的编程代码以及元数据示例, 以支持基于云的短语类别关联的自动标识, 该关联代表了生物医学文献中用户选择的知识领域中的独特概念。该协议量化的短语类别关联可促进在选定的知识领域进行深入分析。
我们的协议为构建一个基于云的短语挖掘平台，供用户定义的实体类别关联，以评估蛋白质、基因组或化学品与特定疾病的关联，提供了分步措施。与手动实体类别关联评估相比，该技术的主要优点是提高了效率，增强了可访问性，并可用于广泛的生物医学研究应用。用户可以在生物医学出版物中或与特定关键字关联的文本文档中选择感兴趣的实体和类别。
新用户可以遵循我们的协议和手稿中提供的参考，并且他们可以在我们的 GitHub 存储库中引发技术问题。对此事项的可视化演示为如何执行协议提供了更清晰的清晰度，并鼓励实现新的文本挖掘工具。若要创建文本立方体，请先下载最新的可用医学主题标题或网格树。
网状树 2018 的代码为 MESHTree2018。bin，并且应输入到输入目录中。使用一个或多个网格描述符定义感兴趣的类别，并收集类别的网格 ID。
保存"类别"中的textcube_config。json 文件在配置目录中，并在用空格分隔的行中添加网格 ID 的收集的类别。将类别文件另存为类别。
输入目录中的 txt。此算法自动选择所有后代网格描述符。确保网格 2pmid 。
json 在数据目录中。如果网格树在输入目录中使用不同的名称进行更新，请确保在输入数据路径中正确表示run_textcube。py 文件。
若要创建称为文本多维数据集的文档结构，请输入 python run_textcube。py 在终端中为每个类别创建文档集合。单个文档可能属于多个类别。
完成文本多维数据集创建步骤后，请确保 PMID 表的单元格以 textcube_cell2pmid.json） 名保存在数据目录中。单元格映射表的 PMID 将保存在数据目录中，作为 textcube_pmid2cell.json。单元格的所有后代网格项的集合将保存在数据目录中，作为 meshterms_per_cat.json。
文本多维数据集数据统计信息作为数据列表保存在数据textcube_stat.txt。然后，转到日志目录以读取日志消息textcube_log。txt， 以防此过程失败。
如果该过程成功完成，则文本多维数据集创建中的调试消息将在日志文件中打印出来。对于实体计数，创建用户定义的实体，将一个实体及其缩写放在一行中，由垂直线符号分隔。将实体文件另存为实体。
txt 在输入目录中，并确保弹性搜索服务器正在运行。如果弹性搜索服务器中存在名为 PubMed 的索引数据库，请确认是否存在textcube_pmid2cell。json 文件在数据目录中，并输入 python run_entitycount。
py 在终端中执行实体计数操作。当索引数据库中的所有文档以及每个文档中的实体数都已计算，并且已收集了其中找到实体的 PMID 时，将最终结果保存为实体计数。txt 和 entityfound_pmid2cell。
json 在数据目录中。然后，打开日志目录以读取日志中的日志entitycount_log。txt， 以防此过程失败。
如果该过程成功完成，实体计数的调试消息将在日志文件中打印出来。确保所有输入数据都在数据目录中。这些是元数据更新的输入数据。
若要准备元数据集合，请输入 python run_metadata_update。py 在终端中更新元数据。元数据更新完成后，请确保metadata_pmid2pcount。
杰森和metadata_cell2pmidjson 文件保存在数据目录中。转到日志目录以读取日志中的日志metadata_update_log。
txt 文件，以防此过程失败。如果该过程成功完成，元数据更新的调试消息将在日志文件中打印出来。对于上下文感知语义在线分析处理分数计算，请确认是否存在metadata_pmid2pcount。
杰森和metadata_cell2pmidjson 文件在数据目录中。这些是分数计算的输入数据。
输入 python run_caseolap_score。py 在终端中执行基于用户定义的类别的实体的上下文感知语义在线分析处理分数计算。分数是正直、受欢迎和独特性的产物。
完成分数计算后，确认结果已保存在结果目录中。然后，访问日志目录以读取日志中的日志caseolab_score_log。txt 文件，以防此过程失败。
如果该过程成功完成，caseolab 分数计算的调试消息将在日志文件中打印出来。使用从四个婴儿、儿童、青少年和成人年龄组子类别获得的元数据和统计数据，可以显示文本立方体单元格之间的文档数比较。在这里，成人子类别包含所有细胞中的最高数量，成人和青少年子类别共享文档数最高，并且包含此代表性分析感兴趣的实体。
评估蛋白质年龄组关联作为上下文感知语义在线分析处理分数，能够确定与婴儿、儿童、青少年和成人子类别相关的前10种蛋白质。在这里，获得的元数据和营养和代谢疾病子类别的统计数据显示。亚类别代谢疾病包含的文件几乎是营养紊乱的三倍。
代谢疾病和营养失调子类别有7，101个共享文件。值得注意的是，这些文件包括代表研究感兴趣的实体。超过一半的蛋白质在亚类别之间共享，代谢疾病子类别中几乎一半的相关蛋白质是该子类别所独有的，而营养紊乱的亚类别只表现出少数独特的蛋白质。
独立和不同的类别，以及实体的所有同义词和缩写的集合将提供最佳结果。由于实体类别关联是作为数值呈现的，这为实现缺少的学习技术（如聚类和原则组件分析）打开了大门。这种技术有助于在这些关联中发现隐藏或以前未识别的关系，为更深入地了解生物过程铺平道路。
概览
本文介绍了一个构建基于云的短语挖掘平台的协议，该平台便于将生物医学实体与特定疾病相关联。该方法提高了生物医学研究的效率和可访问性。
关键研究组成部分
科学领域
- 生物医学文献分析
- 文本挖掘技术
- 实体-类别关联
背景
- 手动评估实体-类别关联耗时。
- 短语挖掘工具可以提高研究效率。
- 基于云的平台使得文本挖掘资源的访问更广泛。
- 协议可以指导新用户实施这些工具。
研究目的
- 自动化识别短语-类别关联。
- 提供分析生物医学文献的系统方法。
- 提高研究人员使用短语挖掘工具的可用性。
使用的方法
- 从生物医学出版物创建文本立方体的逐步协议。
- 使用医学主题词表（MeSH）来定义类别。
- 实现Python脚本用于数据处理和分析。
- 日志记录和调试机制以确保过程可靠性。
主要结果
- 成功创建文本立方体以进行文档分类。
- 使用MeSH描述符自动将实体映射到类别。
- 为各个年龄组生成元数据和统计信息。
- 比较不同子类别之间的文档数量。
结论
- 该协议显著简化了实体-类别关联的过程。
- 基于云的工具提高了生物医学研究人员的可访问性。
- 未来的应用可能包括在各种生物医学领域进行更广泛的分析。
常见问题
Executive Industry Relevance
Automating entity-category association in biomedical literature accelerates target validation by reducing manual curation bottlenecks. The cloud-based CaseOLAP pipeline enables scalable, reproducible quantification of phrase-category relationships, supporting data-driven hypothesis generation in early discovery. This enhances predictive confidence in target selection and streamlines portfolio triage through objective, quantitative outputs.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables systematic interrogation of therapeutic hypotheses by quantifying associations between entities (e.g., proteins, genes, chemicals) and disease categories.
- Operational Value: Reduces manual effort in literature review through automated, high-throughput processing of biomedical texts at 100,000 words/second.
- Strategic Value: Supports target prioritization by providing reproducible, numerical scores for entity-category links, aiding in go/no-go decisions.
Screening & Assay Development
- Scientific Value: Generates standardized, quantitative association scores that can inform assay design by highlighting biologically relevant entity-disease pairs.
- Operational Value: Produces consistent, reusable outputs (e.g., CaseOLAP scores, metadata mappings) that facilitate cross-project comparison and platform reuse.
- Strategic Value: Enables early identification of promising targets through scalable analysis of large publication corpora, improving screening readiness.
Translational & Preclinical Research
- Scientific Value: Facilitates translational continuity by linking discovery-phase entity associations to preclinical validation through context-aware semantic analysis.
- Operational Value: Generates structured data (e.g., text-cube, metadata files) that support integration with downstream analytical workflows.
- Strategic Value: Aids risk-adjusted advancement decisions by revealing patterns in entity-disease relationships across biological contexts (e.g., age groups, disease subtypes).
Pipeline & Workflow Integration
The CaseOLAP pipeline fits within the discovery continuum from early hypothesis generation to lead identification, enabling scalable analysis of biomedical literature to inform target selection and validation strategies.
- Discovery Biology: Supports hypothesis testing and pathway clarification by quantifying how frequently entities co-occur with disease-relevant categories in scientific texts.
- Screening: Enhances assay readiness by producing standardized, reproducible entity-category association scores suitable for compound screening prioritization.
- Analytics: Delivers numerical outputs (CaseOLAP scores) and statistical integrations (clustering, dimensionality reduction) that enable objective comparison of biological conditions.
- Translational Research: Connects discovery insights to preclinical work by enabling cross-category comparisons (e.g., age groups, disease subtypes) that reflect biological relevance.
- Enterprise Reuse: Functions as a reusable, cloud-based capability for literature analysis across multiple projects, reducing redundant effort and promoting standardization.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target validation by transforming qualitative literature associations into quantitative, reproducible metrics.
- Operational Value: Ensures standardization and scalability through automated text processing, indexing, and scoring in a cloud environment.
- Strategic Value: Improves capital efficiency by reducing time spent on manual curation and enabling faster, data-informed decision-making.
- Portfolio Impact: Supports risk-adjusted prioritization by providing objective scores that help distinguish high-confidence targets from spurious associations.
Implementation Considerations
- Requires expertise in biomedical text mining, Python scripting, and Elasticsearch configuration.
- Depends on access to a cloud-computing environment and running Elasticsearch server for indexing and search operations.
- Necessitates standardization of input formats (e.g., MeSH descriptors, entity files) across teams to ensure reproducible results.
- Involves adaptation considerations when applying the protocol to different entity types (e.g., proteins vs. chemicals) or category systems beyond MeSH.
- Limited by the quality and completeness of input text data and predefined category definitions, which directly affect score accuracy and interpretability.
