Frase di Cloud-Based Mining e analisi dell'associazione di categoria-frase definita dall'utente in pubblicazioni biomediche
23 febbraio 2019
Vi presentiamo un protocollo e codice di programmazione associato, nonché esempi di metadati per supportare un'identificazione automatizzata basata su cloud dell'associazione di categoria di frasi che rappresentano concetti unici nel dominio selezionato conoscenza utente nella letteratura biomedica. L'associazione di frase-categoria quantificata dal presente protocollo può facilitare un'analisi approfondita del dominio di conoscenza selezionato.
Il nostro protocollo fornisce una misura passo-passo per la creazione di una piattaforma di estrazione di frasi basata sul cloud per l'associazione di categorie di entità definite dall'utente, per valutare l'associazione di proteine, genomi o sostanze chimiche con malattie specifiche. I principali vantaggi di questa tecnica sono la sua migliore efficienza rispetto alla valutazione manuale dell'associazione delle categorie di entità, una maggiore accessibilità e l'uso di strumenti di estrazione di frasi per diffuse applicazioni di ricerca biomedica. Gli utenti possono selezionare entità e categorie di interesse all'interno di pubblicazioni biomediche o all'interno di documenti di testo associati a parole chiave specifiche.
I nuovi utenti possono seguire il nostro protocollo e i riferimenti forniti nel manoscritto e possono sollevare problemi tecnici all'interno del nostro repository GitHub. La dimostrazione visiva di questo argomento aggiunge maggiore chiarezza su come eseguire il protocollo e incoraggia l'implementazione di nuovi strumenti di estrazione del testo. Per creare un cubo di testo, scaricare innanzitutto le intestazioni dei soggetti medici disponibili più recenti o albero mesh.
Il codice per l'albero mesh 2018 è MESHTree2018. contenitore e deve essere immesso nella directory di input. Definire le categorie di interesse utilizzando uno o più descrittori mesh e raccogliere gli ID mesh per una categoria.
Salvare i nomi delle categorie nella textcube_config. json nella directory di configurazione e aggiungere le categorie raccolte degli ID mesh in una riga separata da uno spazio. Salvare il file di categoria come categorie.
txt nella directory di input. Questo algoritmo seleziona automaticamente tutti i descrittori mesh discendenti. Assicurarsi che mesh2pmid.
json si trova nella directory dei dati. Se l'albero mesh è stato aggiornato con un nome diverso nella directory di input, assicurarsi che sia rappresentato correttamente nel percorso dei dati di input nella run_textcube. py.
Per creare una struttura di documento denominata text-cube, immettere python run_textcube. py nel terminale per creare una raccolta di documenti per ogni categoria. Un singolo documento può rientrare in più categorie.
Una volta completato il passaggio di creazione del cubo di testo, assicurarsi che una cella della tabella PMID sia salvata nella directory dati come textcube_cell2pmid.json. Un PMID nella tabella di mapping delle celle viene salvato nella directory dati come textcube_pmid2cell.json. Una raccolta di tutti i termini mesh discendenti per una cella viene salvata nella directory dati come meshterms_per_cat.json.
E le statistiche dei dati del cubo di testo vengono salvate nella directory dei dati textcube_stat.txt. Passare quindi alla directory di registro per leggere i messaggi di registro in textcube_log. txt, nel caso in cui questo processo non riesca.
Se il processo viene completato correttamente, i messaggi di debug della creazione del cubo di testo verranno stampati nel file di registro. Per un conteggio delle entità, creare entità definite dall'utente, posizionando un'entità e le relative abbreviazioni in un'unica riga, separate dal simbolo della linea verticale. Salvare il file di entità come entità.
txt nella directory di input e assicurarsi che il server Elasticsearch sia in esecuzione. Se nel server Elasticsearch è presente un database indicizzato denominato PubMed, verificare la presenza del textcube_pmid2cell. json nella directory dei dati, e immettere python run_entitycount.
py nel terminale per eseguire un'operazione di conteggio delle entità. Quando tutti i documenti del database di indice e il numero di entità in ogni documento sono stati conteggiati e i PMID in cui sono state trovate entità sono stati raccolti, salvare i risultati finali come entitycount. txt e entityfound_pmid2cell.
json nella directory dei dati. Aprire quindi la directory di registro per leggere i messaggi di registro nel entitycount_log. txt, nel caso in cui questo processo non riesca.
Se il processo viene completato correttamente, i messaggi di debug del conteggio delle entità verranno stampati nel file di registro. Assicurarsi che tutti i dati di input si trovano nella directory dei dati. Questi sono i dati di input per l'aggiornamento dei metadati.
Per preparare una raccolta di metadati, inserisci python run_metadata_update. py nel terminale per aggiornare i metadati. Una volta completato l'aggiornamento dei metadati, assicurarsi che il metadata_pmid2pcount.
json e metadata_cell2pmid. i file json vengono salvati nella directory dei dati. Passare alla directory di registro per leggere i messaggi di registro nel metadata_update_log.
txt, nel caso in cui questo processo non riesca. Se il processo viene completato correttamente, i messaggi di debug dell'aggiornamento dei metadati verranno stampati nel file di registro. Per il calcolo del punteggio di elaborazione analitica online semantica in grado di riconoscere il contesto, confermare la presenza del metadata_pmid2pcount.
json e metadata_cell2pmid. json nella directory dei dati. Questi sono i dati di input per il calcolo del punteggio.
Immettere python run_caseolap_score. py nel terminale per eseguire un calcolo del punteggio di elaborazione analitica semantica online in grado di riconoscere il contesto delle entità in base a categorie definite dall'utente. Il punteggio è il prodotto di integrità, popolarità e distintività.
Una volta completato il calcolo del punteggio, verificare che i risultati siano stati salvati nella directory dei risultati. Accedere quindi alla directory di registro per leggere i messaggi di registro nel caseolab_score_log. txt, nel caso in cui questo processo non riesca.
Se il processo viene completato correttamente, i messaggi di debug del calcolo del punteggio caseolab verranno stampati nel file di registro. Utilizzando i metadati e le statistiche ottenuti dalle sottocategorie di quattro classi di età infantile, infantile, adolescenziale e adulta, è possibile visualizzare un confronto del numero di documenti tra le cellule del cubo di testo. Qui, la sottocategoria per adulti contiene il numero più alto in tutte le cellule, con le sottocategorie adulte e adolescenti che hanno il maggior numero di documenti condivisi e contengono l'entità di interesse per questa analisi rappresentativa.
Valutazione dell'associazione della fascia di età proteica come punteggio di elaborazione analitica semantica online consapevole del contesto, le prime 10 proteine associate alle sottocategorie infantili, infantili, adolescenti e adulte sono state in grado di essere determinate. Qui vengono mostrati i metadati ottenuti e le statistiche per le sottocategorie di malattie nutrizionali e metaboliche. La malattia metabolica della sottocategoria contiene quasi il triplicare i documenti della sottocategoria dei disturbi nutrizionali.
Le sottocategorie malattie metaboliche e disturbi nutrizionali hanno 7.101 documenti condivisi. In particolare, questi documenti includevano l'entità di interesse per lo studio rappresentativo. Più della metà di tutte le proteine sono condivise tra le sottocategorie, con quasi la metà di tutte le proteine associate nella sottocategoria della malattia metabolica unica in quella sottocategoria, e con la sottocategoria dei disturbi nutrizionali che esibisce solo poche proteine uniche.
Categorie indipendenti e distinte e una raccolta di tutti i sinonimi e le abbreviazioni di un'entità forniranno i migliori risultati. Poiché l'associazione delle categorie di entità è presentata come un valore numerico, ciò apre le porte all'implementazione di tecniche di apprendimento mancanti come il clustering e l'analisi dei componenti principali. Questa tecnica facilita la scoperta di relazioni nascoste o precedentemente non identificate all'interno di queste associazioni, spianando la strada a una comprensione più profonda dei processi biologici.
Panoramica
Questo articolo presenta un protocollo per la costruzione di una piattaforma di mining di frasi basata sul cloud che facilita l'associazione di entità biomediche con malattie specifiche. L'approccio migliora l'efficienza e l'accessibilità nella ricerca biomedica.
Componenti chiave dello studio
Area della scienza
- Analisi della letteratura biomedica
- Tecniche di text mining
- Associazione entità-categoria
Sfondo
- La valutazione manuale delle associazioni entità-categoria richiede molto tempo.
- Gli strumenti di mining di frasi possono migliorare l'efficienza della ricerca.
- Le piattaforme basate sul cloud consentono un accesso più ampio alle risorse di text mining.
- I protocolli possono guidare i nuovi utenti nell'implementazione di questi strumenti.
Obiettivo dello studio
- Automatizzare l'identificazione delle associazioni frase-categoria.
- Fornire un approccio sistematico per l'analisi della letteratura biomedica.
- Migliorare l'usabilità degli strumenti di mining di frasi per i ricercatori.
Metodi utilizzati
- Protocollo passo-passo per la creazione di un text-cube dalle pubblicazioni biomediche.
- Utilizzo di intestazioni di soggetto medico (MeSH) per definire le categorie.
- Implementazione di script Python per l'elaborazione e l'analisi dei dati.
- Meccanismi di logging e debug per garantire l'affidabilità del processo.
Risultati principali
- Creazione riuscita di un text-cube per la categorizzazione dei documenti.
- Mappatura automatizzata delle entità alle categorie utilizzando i descrittori MeSH.
- Generazione di metadati e statistiche per vari gruppi di età.
- Confronto dei conteggi dei documenti tra diverse sottocategorie.
Conclusioni
- Il protocollo semplifica significativamente il processo di associazione entità-categoria.
- Gli strumenti basati sul cloud migliorano l'accessibilità per i ricercatori biomedici.
- Le future applicazioni potrebbero includere analisi più ampie in vari domini biomedici.
Domande frequenti
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.
