Name: 클라우드 기반 구문 마이닝 및 생물 의학 간행물에 사용자 정의 구문 범주 협회의 분석 (동영상) | JoVE Journal
Uploaded: 2019-02-23T14:00:00.000+00:00
Duration: 9 min 20 s
Description: 배우세요 클라우드 기반 구문 마이닝 플랫폼을 구축하여 생물 의학 간행물에서 단백질, 게놈, 화학물질과 질병의 연관성을 자동 분석하는 방법을. 이 프로토콜은 수동 평가보다 효율성을 높여 연구자들의 텍스트 마이닝 접근성을 향상시킵니다.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

이 작품은 국가 심 혼, 폐, 혈액 연구소에 의해 부분적으로 지원: R35 HL135772 (에 피 핑); 국립 연구소의 종합 의료 과학: U54 GM114833 (피 핑, K. 왓슨, W. 왕)를; (제이 한);에 U54 GM114838 Hellen 및 래리 호 그 재단 박사 S. Setty;에서 선물 그리고 (에 피 핑) ucla T.C. Laubisch 기부금.

참고: 우리는 파이썬 프로그래밍 언어에 따라이 프로토콜을 개발 했습니다. 이 프로그램을 실행 하려면 아나콘다 파이썬 있고 자식 장치에 미리 설치 된. 이 프로토콜에서 제공 하는 명령은 Unix 환경 기반으로 합니다. 이 프로토콜 PubMed (MEDLINE) 데이터베이스에서 데이터를 다운로드, 데이터를 구문 분석 하 고 클라우드 컴퓨팅 플랫폼 문구 마이닝 및 사용자 정의 엔터티 카테고리 협회의 정량화에 대 한 설정의 세부 정보를 제공 합니다.
1. 코드와 파이썬 환경 설치를 지 고
<ol><li>다운로드 하거나 코드 저장소 Github (<a href="https://github.com/CaseOLAP/caseolap.git">https://github.com/CaseOLAP/caseolap</a>)에서 또는 터미널 창에서 'git 클론 <a href="https://github.com/CaseOLAP/caseolap.git">https://github.com/CaseOLAP/caseolap.git</a>'을 입력 하 여 복제 합니다.</li>
	<li>'Caseolap' 디렉토리를 이동 합니다. 이 프로젝트의 루트 디렉터리입니다. '데이터' 디렉토리가이 디렉터리 내에서 프로토콜에서 이러한 단계를 통해 진행에 여러 데이터 집합으로 채워집니다. '입력된' 디렉토리는 사용자 제공 데이터입니다. '로그' 디렉토리 문제 해결을 위해 로그 파일을 했다. '결과' 디렉토리는 최종 결과 저장.</li>
	<li>디렉터리에 이동 터미널 창을 사용 하 여, 당신이 우리의 GitHub 저장소를 복제 합니다. 'Environment.yml' 파일을 사용 하 여 입력 하 여 CaseOLAP 환경 만들기 'conda 환경을 만들기-f environment.yaml' . 터미널에서 터미널에서 '소스 활성화 caseolap'을 입력 하 여 환경 활성화.</li>
</ol>2. 문서 다운로드
<ol><li>'Ftp_configuration.json' config 디렉터리에 있는 FTP 주소 링크 (<a href="https://www.nlm.nih.gov/databases/download/pubmed_medline.html">https://www.nlm.nih.gov/databases/download/pubmed_medline.html</a>)에 연간 기준 또는 매일 업데이트 파일 링크 주소, 동일 인지 확인 .</li>
	<li>초기만 또는 업데이트를 다운로드 하려면 파일, 설정 '진정한' 'config' 디렉토리에 'download_config.json' 파일에서. 기본적으로 그것은 다운로드 하 고 기준선 및 업데이트 파일을 추출 합니다. (<a href="https://github.com/CaseOLAP/caseolap-pipelines/blob/master/data/extracted-data-sample.xml">Https://github.com/CaseOLAP/caseolap-pipelines/blob/master/data/extracted-data-sample.xml</a>)에서 추출 된 XML 데이터의 샘플을 볼 수 있습니다.</li>
	<li>Pubmed 데이터베이스에서 초록을 다운로드할 터미널 창에서 'python run_download.py'를 입력 합니다. 이것은 현재 디렉토리에서 'ftp.ncbi.nlm.nih.gov' 라는 디렉터리를 만듭니다. 이 프로세스는 다운로드 한 데이터의 무결성을 확인 하 고 대상 디렉터리에 추출 합니다.</li>
	<li>'로그' 디렉토리 다운로드 프로세스가 실패 한 경우 'download_log.txt'에서 로그 메시지를 읽을로 이동 합니다. 프로세스가 성공적으로 완료 하는 경우이 로그 파일에는 다운로드 프로세스의 디버깅 메시지 밖으로 인쇄 됩니다.</li>
	<li>다운로드가 완료 되 면 'ftp.ncbi.nlm.nih.gov' 'updatefiles' 또는 'basefiles' 또는 두 디렉터리에 따라 구성 'download_config.json'에서 다운로드 확인을 통해 이동 합니다. 파일 통계 '데이터' 디렉토리에 'filestat.txt'에서 사용할 수 있게.</li>
</ol>3. 문서를 구문 분석
<ol><li>다운로드 하 고 추출 된 데이터를 2 단계에서 'ftp.ncbi.nlm.nih.gov' 디렉토리에서 사용할 수 있는지 확인 합니다. 이 디렉터리는이 단계에서 입력된 데이터 디렉터리가입니다.</li>
	<li>데이터 구문 분석 스키마를 수정 하려면 그들의 값을 'true'로 설정 하 여 매개 변수 'config' 디렉토리에 'parsing_config.json' 파일에서 선택 합니다. 기본적으로 그것을 구문 분석 하는 PMID, 저자, 초록, 메쉬, 위치, 업무 일지, 게시 날짜,.
</li>
	<li>'파이썬 run_parsing.py' 다운로드 (또는 압축) 파일에서 문서를 구문 분석 하는 터미널에서 입력 합니다. 이 단계 모두 다운로드 한 XML 파일을 구문 분석 하 고 python 사전을 각 문서에 대 한 키 (예:., PMID, 저자, 초록, 메쉬 구문 분석 단계 3.2 스키마 설정에 따라 파일의).</li>
	<li>일단 완료 되 면 데이터 구문 분석, 구문 분석 된 데이터는 데이터 디렉터리에 'pubmed.json' 라는 파일에 저장 된 확인 하십시오. 구문 분석 된 데이터의 샘플은 그림 3.
</li>
	<li>'로그' 디렉토리를 구문 분석 프로세스가 실패 하는 경우에 'parsing_log.txt'에서 로그 메시지를 읽을로 이동 합니다. 프로세스가 성공적으로 완료 하는 경우 로그 파일에 메시지를 밖으로 인쇄 됩니다.</li>
</ol>4. 메쉬 PMID 매핑
<ol><li>구문 분석 된 데이터 ('pubmed.json')는 '데이터' 디렉터리에서 사용할 수 있는지 확인 합니다.</li>
	<li>메쉬 PMID 매핑을 수행 하는 터미널에서 'python run_mesh2pmid.py'를 입력 합니다. 이 메시의 각 관련된 PMIDs를 수집 매핑 테이블을 만듭니다. 단일 PMID 여러 메쉬 용어 속하는 수 있습니다.</li>
	<li>매핑이 완료 되 면, 데이터 디렉토리에 'mesh2pmid.json'는 확인 하십시오. 상위 20 매핑 통계의 샘플은 표 2, 그림 4 와 5에서 사용할 수 있습니다.</li>
	<li>이 프로세스가 실패 하는 경우에 'mesh2pmid_mapping_log.txt'에서 로그 메시지를 읽고 '로그' 디렉터리로 이동 합니다. 프로세스가 성공적으로 완료 하는 경우이 로그 파일에 매핑 디버깅 메시지 밖으로 인쇄 됩니다.</li>
</ol>5. 문서 인덱싱
<ol><li><a href="https://www.elastic.co/downloads">Https://www.elastic.co</a>에서 Elasticsearch 응용 프로그램을 다운로드. 현재, 다운로드는 (<a href="https://www.elastic.co/downloads/elasticsearch">https://www.elastic.co/downloads/elasticsearch</a>)에 있다. 원격 구름에 소프트웨어를 다운로드 하려면 터미널을 사용 하 여 'wget <a href="https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-x.x.x.tar.gz">https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-x.x.x.tar.gz</a>'을 입력 합니다. 위의 명령에서 'x.x.x' 올바른 버전 번호로 대체 됩니다 있는지 확인 합니다.</li>
	<li>다운로드 한 'elasticsearch x.x.x.tar.gz' 파일을 루트 디렉터리에 표시 되었는지 확인 한 후 입력 하 여 파일을 추출 '타르 xvzf elasticsearch-x.x.x.tar.gz' 터미널 창에서.</li>
	<li>새로운 터미널을 열고 루트 디렉터리에서 터미널에서 'cd Elasticsearch/빈'을 입력 하 여 ElasticSearch bin 디렉터리에 이동.</li>
	<li>입력 하 여 Elasticsearch 서버를 시작 '. / Elasticsearch' 터미널 창에서. 서버 오류 메시지 없이 시작 되 다는 것을 확인 하십시오. Elasticsearch 서버를 시작 하는 오류 시 (<a href="https://www.elastic.co/guide/en/elasticsearch/reference/current/index.html">https://www.elastic.co/guide/en/elasticsearch/reference/current/index.html</a>)에서 지침을 따릅니다.</li>
	<li>'index_init_config.json' 색인 시작을 설정 하려면 '설정' 디렉토리에 있는 내용을 수정 합니다. 기본적으로 그것은 존재 하는 모든 항목을 선택 합니다.</li>
	<li>Elasticsearch 서버에서 색인 데이터베이스를 시작 하려면 터미널에서 'python run_index_init.py'를 입력 합니다. 이 인덱스 정보 (예를 들어, 인덱스 이름, 유형 이름, 파편, 복제본 수 수)로 알려진 조건 집합으로 인덱스를 초기화 합니다. 당신은 인덱스가 만들어집니다 성공적으로 언급 하는 메시지가 표시 됩니다.</li>
	<li>그들의 값을 'true'로 설정 하 여는 'index_populate_config.json' 'config' 디렉터리에 있는 항목을 선택 합니다. 기본적으로 그것은 존재 하는 모든 항목을 선택 합니다.</li>
	<li>구문 분석 된 데이터 ('pubmed.json')는 '데이터' 디렉터리에 있는지 확인 합니다.</li>
	<li>두 구성 요소와 데이터를 대량으로 생성 하 여 인덱스를 채우는 데 터미널에서 'python run_index_populate.py'를 입력 합니다. 첫 번째 구성 요소는 메타 데이터에 대 한 정보는 인덱스 이름, 유형 이름, 대량 id (예: 'PMID')를 사용 하 여 사전. A 두 번째 구성 요소는 태그 (예: '제목', '추상', '메시')에 대 한 모든 정보를 포함 하는 데이터 사전.
</li>
	<li>이 프로세스가 실패 하는 경우에 'indexing_log.txt'에서 로그 메시지를 읽고 '로그' 디렉터리로 이동 합니다. 프로세스가 성공적으로 완료 하는 경우 로그 파일에는 색인의 디버깅 메시지 밖으로 인쇄 됩니다.</li>
</ol>6. 텍스트 큐브 만들기
<ol><li>최신 메쉬 트리 (<a href="https://www.nlm.nih.gov/mesh/filelist.html">https://www.nlm.nih.gov/mesh/filelist.html</a>)에서 다운로드 합니다. 현재 버전의 코드 입력된 디렉토리에 'meshtree2018.bin'로 트리 2018 메쉬를 사용 하는.</li>
	<li>(예를 들어, 질병 이름, 연령 그룹, 성별)의 범주를 정의 합니다. 범주는 하나 이상의 메쉬 설명자 (<a href="https://meshb-prev.nlm.nih.gov/treeView">https://meshb-prev.nlm.nih.gov/treeView</a>)를 포함할 수 있습니다. 범주에 대 한 메시 Id를 수집 합니다. Config 디렉토리 ('textcube_config.json' 파일의 다운로드 한 버전에 '연령 그룹' 카테고리의 샘플 참조)에서 'textcube_config.json' 파일의 카테고리의 이름을 저장 합니다.</li>
	<li>공백으로 구분 하 여 라인에 메시 Id의 수집된 카테고리를 넣어. '입력된' 디렉토리 (' 연령 그룹 ' 메시 Id 'categories.txt' 파일의 다운로드 한 버전의 샘플 참조)에서 'categories.txt'으로 범주 파일을 저장 합니다. 이 알고리즘은 자동으로 모든 하위 메쉬 설명자를 선택합니다. 루트 노드 및 하위 항목의 예에 제시는 그림 4.
</li>
	<li>'Mesh2pmid.json' '데이터' 디렉터리에 있는지 확인 합니다. 메쉬 트리를 '입력된' 디렉토리에 다른 이름 (예: 'meashtree2019.bin')으로 업데이트 하는 경우이 제대로 'run_textube.py' 파일에서 입력된 데이터 경로에 표시 됩니다 있는지 확인 합니다.</li>
	<li>텍스트 큐브 라는 문서 데이터 구조를 만드는 터미널에서 'python run_textcube.py'를 입력 합니다. 이 각 범주에 대 한 문서 (PMIDs)의 컬렉션을 만듭니다. 단일 문서 (PMID) 여러 범주에 속하는 수 있습니다 (참조 표 3A, 3B 테이블, 그림 6A 와 그림 7A).
</li>
	<li>텍스트 큐브 만들기 단계 완료 되 면, 다음과 같은 데이터 파일 '데이터' 디렉터리에 저장 됩니다 확인: (1)는 셀 PMID 테이블 "textcube_cell2pmid.json", "textcube_pmid2cell.json"로 셀 매핑 테이블 (2) PMID로 (3) "textcube_stat.txt"로 "meshterms_per_cat.json" (4) 텍스트 큐브 데이터 통계의 셀에 대 한 모든 하위 메쉬 조건 컬렉션입니다.</li>
	<li>이 프로세스가 실패 하는 경우에 'textcube_log.txt'에서 로그 메시지를 읽고 '로그' 디렉터리로 이동 합니다. 프로세스가 성공적으로 완료 하는 경우 로그 파일에 텍스트 큐브 창조의 메시지를 밖으로 인쇄 됩니다.</li>
</ol>7. 엔터티 수
<ol><li>사용자 정의 된 엔터티 (예: 단백질 이름, 유전자, 화학 물질)을 만듭니다. 구분 하 여 한 줄에 하나의 엔터티 및 그것의 약어를 넣어 "|". '입력된' 디렉토리에 'entities.txt'으로 엔터티 파일을 저장 합니다. 엔터티의 샘플에서 찾을 수 있습니다 표 4.
</li>
	<li>Elasticsearch 서버 실행 되 고 있는지 확인 합니다. 그렇지 않으면, 5.2 및 5.3 Elasticsearch 서버를 다시 시작 하는 단계로 이동 합니다. 그것는 인덱싱된 데이터베이스 'pubmed' 5 단계에서 설립 되었다 Elasticsearch 서버에서 것으로 예상 된다.</li>
	<li>'Textcube_pmid2cell.json' '데이터' 디렉터리에 있는지 확인 합니다.</li>
	<li>엔터티 수 작업을 수행 하려면 터미널에서 'python run_entitycount.py'를 입력 합니다. 이 인덱싱된 데이터베이스에서 문서를 검색 하 고 각 문서에서 엔터티를 계산 뿐만 아니라 엔터티 발견 된 PMIDs를 수집.</li>
	<li>엔터티 수 완료 되 면 최종 결과 'entitycount.txt'로 저장 됩니다 있는지 확인 하 고 'entityfound_pmid2cell.json' '데이터' 디렉토리에.</li>
	<li>이 프로세스가 실패 하는 경우에 'entitycount_log.txt'에서 로그 메시지를 읽고 '로그' 디렉터리로 이동 합니다. 프로세스가 성공적으로 완료 하는 경우 로그 파일에 디버깅 메시지 엔터티 수의 밖으로 인쇄 됩니다.</li>
</ol>8. 메타 데이터 업데이트
<ol><li>('Entitycount.txt', 'textcube_pmid2cell.json', 'entityfound_pmid2cell.txt')으로 모든 입력된 데이터는 '데이터' 디렉터리에 있는지 확인 합니다. 이들은 메타 데이터 업데이트에 대 한 입력된 데이터입니다.</li>
	<li>메타 데이터를 업데이트 하려면 터미널에서 'python run_metadata_update.py'를 입력 합니다. 메타 데이터 (예: 셀 이름, 연결된 망, PMIDs)의 컬렉션을 준비 하는이 대표 하는 셀에 각 텍스트 문서. 표 3A 에서 텍스트 큐브 메타 데이터의 샘플을 제시 하 고 테이블 3B.
</li>
	<li>메타 데이터 업데이트 완료 되 면 'metadata_pmid2pcount.json' 및 'metadata_cell2pmid.json' 파일 '데이터' 디렉터리에 저장 됩니다 확인 하십시오.</li>
	<li>이 프로세스가 실패 하는 경우에 'metadata_update_log.txt'에서 로그 메시지를 읽고 '로그' 디렉터리로 이동 합니다. 프로세스가 성공적으로 완료 하는 경우 로그 파일에서 메타 데이터 업데이트의 디버깅 메시지 밖으로 인쇄 됩니다.</li>
</ol>9. CaseOLAP 점수 계산
<ol><li>'Metadata_pmid2pcount.json' 및 'metadata_cell2pmid.json' 파일 '데이터' 디렉터리에 있는지 확인 합니다. 이들은 점수 계산을 위한 입력된 데이터입니다.</li>
	<li>CaseOLAP 점수 계산을 수행 하기 위해 터미널에서 'python run_caseolap_score.py'를 입력 합니다. 이 사용자 정의 범주에 따라 엔터티의 CaseOLAP 점수를 계산 합니다. CaseOLAP 점수는 무결성, 인기및 특수성의 제품입니다.</li>
	<li>점수 계산 완료 되 면,이 '결과' 디렉터리에서 여러 파일 (예: 'pop.csv', 'dist.csv', 'caseolap.csv'으로 CaseOLAP 점수도 특수성으로 인기), 결과 저장 하 고 있는지 확인 합니다. CaseOLAP 점수 계산 요약 표 5에 또한 제공 됩니다.</li>
	<li>이 프로세스가 실패 하는 경우에 'caseolap_score_log.txt'에서 로그 메시지를 읽고 '로그' 디렉터리로 이동 합니다. 프로세스가 성공적으로 완료 하는 경우 로그 파일에서 CaseOLAP 점수 계산의 디버깅 메시지 밖으로 인쇄 됩니다.</li>
</ol>

<ol><li>Tao, F., Zhuang, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Phrase-Based+Summarization+in+Text+Cubes%5BTitle%5D)+AND+%22IEEE+Data+Engineering+Bulletin%22%5BJournal%5D)">Phrase-Based Summarization in Text Cubes.</a> IEEE Data Engineering Bulletin. , 74-84 (2016).</li>
<li>Ding, B., Zhao, B., Lin, C. X., Han, J., Zhai, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((TopCells%3A+Keyword-based+search+of+top-k+aggregated+documents+in+text+cube%5BTitle%5D)+AND+%22IEEE+26th+International+Conference+on+Data+Engineering+%28ICDE%29%22%5BJournal%5D)">TopCells: Keyword-based search of top-k aggregated documents in text cube.</a> IEEE 26th International Conference on Data Engineering (ICDE). , 381-384 (2010).</li>
<li>Ding, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Efficient+Keyword-Based+Search+for+Top-K+Cells+in+Text+Cube%5BTitle%5D)+AND+%22IEEE+Transactions+on+Knowledge+and+Data+Engineering%22%5BJournal%5D)">Efficient Keyword-Based Search for Top-K Cells in Text Cube.</a> IEEE Transactions on Knowledge and Data Engineering. 23 (12), 1795-1810 (2011).</li>
<li>Liu, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Text+Cube+Approach+to+Human%2C+Social+and+Cultural+Behavior+in+the+Twitter+Stream.Social+Computing%2C+Behavioral-Cultural+Modeling+and+Prediction%5BTitle%5D)+AND+%22Lecture+Notes+in+Computer+Science%22%5BJournal%5D)">A Text Cube Approach to Human, Social and Cultural Behavior in the Twitter Stream.Social Computing, Behavioral-Cultural Modeling and Prediction.</a> Lecture Notes in Computer Science. 7812, (2013).</li>
<li>Liem, D. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Phrase+Mining+of+Textual+Data+to+analyze+extracellular+matrix+protein+patterns+across+cardiovascular+disease%5BTitle%5D)+AND+%22American+Journal+of+Physiology-Heart+and+Circulatory%22%5BJournal%5D)">Phrase Mining of Textual Data to analyze extracellular matrix protein patterns across cardiovascular disease.</a> American Journal of Physiology-Heart and Circulatory. , (2018).</li>
<li>Shang, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+Phrase+Mining+from+Massive+Text+Corpora%5BTitle%5D)+AND+%22IEEE+Transactions+on+Knowledge+and+Data+Engineering%22%5BJournal%5D)">Automated Phrase Mining from Massive Text Corpora.</a> IEEE Transactions on Knowledge and Data Engineering. 30 (10), 1825-1837 (2018).</li>
<li>Liu, J., Shang, J., Wang, C., Ren, X., Han, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mining+Quality+Phrases+from+Massive+Text+Corpora%5BTitle%5D)+AND+%22Proceedings+ACM-Sigmod+International+Conference+on+Management+of+Data%22%5BJournal%5D)">Mining Quality Phrases from Massive Text Corpora.</a> Proceedings ACM-Sigmod International Conference on Management of Data. , 1729-1744 (2015).</li>
<li>Lee, S., Kim, N., Kim, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Multi-dimensional+Analysis+and+Data+Cube+for+Unstructured+Text+and+Social+Media%5BTitle%5D)+AND+%22IEEE+Fourth+International+Conference+on+Big+Data+and+Cloud+Computing%22%5BJournal%5D)">A Multi-dimensional Analysis and Data Cube for Unstructured Text and Social Media.</a> IEEE Fourth International Conference on Big Data and Cloud Computing. , 761-764 (2014).</li>
<li>Lin, C. X., Ding, B., Han, J., Zhu, F., Zhao, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Text+Cube%3A+Computing+IR+Measures+for+Multidimensional+Text+Database+Analysis%5BTitle%5D)+AND+%22IEEE+Data+Mining%22%5BJournal%5D)">Text Cube: Computing IR Measures for Multidimensional Text Database Analysis.</a> IEEE Data Mining. , 905-910 (2008).</li>
<li>Hsu, W. J., Lu, Y., Lee, Z. Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Accelerating+Topic+Exploration+of+Multi-Dimensional+Documents+Parallel+and+Distributed+Processing+Symposium+Workshops+%28IPDPSW%29%5BTitle%5D)+AND+%22IEEE+International%22%5BJournal%5D)">Accelerating Topic Exploration of Multi-Dimensional Documents Parallel and Distributed Processing Symposium Workshops (IPDPSW).</a> IEEE International. , 1520-1527 (2017).</li>
<li>Chaudhuri, S., Dayal, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+overview+of+data+warehousing+and+OLAP+technology%5BTitle%5D)+AND+%22SIGMOD+Record%22%5BJournal%5D)">An overview of data warehousing and OLAP technology.</a> SIGMOD Record. 26 (1), 65-74 (1997).</li>
<li>Ravat, F., Teste, O., Tournier, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Olap+aggregation+function+for+textual+data+warehouse%5BTitle%5D)+AND+%22ICEIS+-+9th+International+Conference+on+Enterprise+Information+Systems%2C+Proceedings%22%5BJournal%5D)">Olap aggregation function for textual data warehouse.</a> ICEIS - 9th International Conference on Enterprise Information Systems, Proceedings. , 151-156 (2007).</li>
<li>Ho, C. T., Agrawal, R., Megiddo, N., Srikant, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Range+Queries+in+OLAP+Data+Cubes%5BTitle%5D)+AND+%22SIGMOD+Conference%22%5BJournal%5D)">Range Queries in OLAP Data Cubes.</a> SIGMOD Conference. , (1997).</li>
<li>Saxena, V., Pratap, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Olap+Cube+Representation+for+Object-+Oriented+Database%5BTitle%5D)+AND+%22International+Journal+of+Software+Engineering+%26+Applications%22%5BJournal%5D)">Olap Cube Representation for Object- Oriented Database.</a> International Journal of Software Engineering & Applications. 3 (2), (2012).</li>
<li>Maniatis, A. S., Vassiliadis, P., Skiadopoulos, S., Vassiliou, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Advanced+visualization+for+OLAP%5BTitle%5D)+AND+%22DOLAP%22%5BJournal%5D)">Advanced visualization for OLAP.</a> DOLAP. , (2003).</li>
<li>Bog, A. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBog%2C+A+%22Benchmarking+Transaction+and+Analytical+Processing+Systems%3A+The+Creation+of+a+Mixed+Workload+Benchmark+and+its+Application%22">Benchmarking Transaction and Analytical Processing Systems: The Creation of a Mixed Workload Benchmark and its Application</a>. , Springer Science & Business Media. 7-13 (2013).</li>
<li>Özcan, F., Tian, Y., Tözün, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hybrid+Transactional%2FAnalytical+Processing%3A+A+Survey%5BTitle%5D)+AND+%22In+Proceedings+of+the+ACM+International+Conference+on+Management+of+Data+%28SIGMOD%29%22%5BJournal%5D)">Hybrid Transactional/Analytical Processing: A Survey.</a> In Proceedings of the ACM International Conference on Management of Data (SIGMOD). , 1771-1775 (2017).</li>
<li>Hasan, K. M. A., Tsuji, T., Higuchi, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+Efficient+Implementation+for+MOLAP+Basic+Data+Structure+and+Its+Evaluation%5BTitle%5D)+AND+%22International+Conference+on+Database+Systems+for+Advanced+Applications%22%5BJournal%5D)">An Efficient Implementation for MOLAP Basic Data Structure and Its Evaluation.</a> International Conference on Database Systems for Advanced Applications. , 288-299 (2007).</li>
<li>Nantajeewarawat, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Advances+in+Databases%3A+Concepts%2C+Systems+and+Applications.+DASFAA+2007%5BTitle%5D)+AND+%22Lecture+Notes+in+Computer+Science%22%5BJournal%5D)">Advances in Databases: Concepts, Systems and Applications. DASFAA 2007.</a> Lecture Notes in Computer Science. 4443, (2007).</li>
<li>Shimada, T., Tsuji, T., Higuchi, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+storage+scheme+for+multidimensional+data+alleviating+dimension+dependency%5BTitle%5D)+AND+%22Third+International+Conference+on+Digital+Information+Management%22%5BJournal%5D)">A storage scheme for multidimensional data alleviating dimension dependency.</a> Third International Conference on Digital Information Management. , 662-668 (2007).</li>
</ol>

저자는 공개 없다.

우리는 CaseOLAP 알고리즘 의미 있는 통찰력의 추출에 대 한 텍스트 데이터의 큰 볼륨에 지식 기반 범주를 기반으로 하는 문구 양적 협회를 만들 수 있습니다 설명 했다. 우리의 프로토콜에 따라 하나를 원하는 텍스트 큐브를 만들고 엔터티 카테고리 협회 CaseOLAP 점수 계산을 통해 계량 CaseOLAP 프레임 워크를 구축할 수 있습니다. 얻은 원시 CaseOLAP 점수 차원 감소, 클러스터링, 문서 의미 매핑 수 있는 그래픽 데이터베이스의 창조 뿐 아니라 시간적, 지리적 분석을 포함 한 통합 분석을 취할 수 있습니다.
알고리즘의 적용. 단백질, 이외의 사용자 정의 엔터티에 유전자 이름, 약물, 특정 징후와 그들의 약어 및 동의어를 포함 하 여 증상의 목록을 수 있습니다. 또한, 카테고리 선택 특정 사용자 정의 생물 의학 분석 (예를 들어, 해부학 [A], 분야와 직업 [H], 현상 및 프로세스 [G])을 촉진 하기 위한 많은 선택이 있다. 우리의 2에서 사용 하는 경우, 모든 과학적인 간행물 및 그들의 텍스트 데이터 검색 엔진으로 PubMed를 사용 하 여 MEDLINE 데이터베이스에서 검색 됩니다, 그리고 둘 다 약의 국립 도서관에 의해 관리. 그러나, CaseOLAP 플랫폼 텍스트 데이터 등은 FDA 불리 한 이벤트 보고 시스템 (FAERS) 생물 의학 문서를 포함 하는 관심의 다른 데이터베이스에 적용할 수 있습니다. 이것은 의료 부작용 및 약물 오류 보고서 FDA에 제출에 대 한 정보를 포함 하는 데이터베이스입니다. MEDLINE 및 FAERS, 달리 병원 환자에서 전자 건강 기록에 포함 된 데이터베이스는 공중에 게 열지 고 건강 보험 이식성 및 책임 Act HIPAA로 알려진에 의해 제한 됩니다.
CaseOLAP 알고리즘을 성공적으로 다양 한 유형의 데이터 (예를 들어, 뉴스 기사)1. 에 적용 된 20185생물 의학 문서에서이 알고리즘의 구현이 했다. CaseOLAP 알고리즘의 적용 가능성에 대 한 요구 사항 문서의 각 개념 (예를 들어, 생물 의학 간행물에 메쉬 설명자, 뉴스 기사에 키워드)와 관련 된 키워드를 할당 한다 이다. 키워드, 찾을 수 없는 경우 하나 Autophrase6,7 최고 대표 문구를 수집 하 고 우리의 프로토콜을 구현 하기 전에 엔터티 목록 구축에 적용할 수 있습니다. 우리의 프로토콜 Autophrase를 수행 하는 단계를 제공 하지 않습니다.
다른 알고리즘 비교. 데이터 큐브8,,910 를 사용 하 여 텍스트 큐브2,,34 의 개념 더 적용 가능한 데이터 마이닝을 만들기 위해 새로운 발전으로 2005 년부터 진화 되었습니다. 온라인 분석 처리 (OLAP)11,12,,1314,데이터 마이닝 및 비즈니스 인텔리전스에15 의 개념 1993에 돌아간다. 일반적으로, OLAP, 여러 시스템, 정보를 집계 하 고 다차원 형식으로 저장. 데이터 마이닝에 구현 하는 OLAP 시스템의 다른 유형이 있다. 예를 들어 (1) 하이브리드 트랜잭션/분석 처리 (HTAP)16,17, (2) 다차원 OLAP (MOLAP)18,19-기반, 그리고 (3) 관계형 OLAP (ROLAP)20큐브.
특히, CaseOLAP 알고리즘은 되었습니다 알고리즘에 비해 수많은 기존, 특히, TF를 포함 하 여 그들의 어구 세분화 향상-IDF + Seg, MCX + Seg, MCX, 및 SegPhrase. 또한, RepPhrase (RP, 일컬어 SegPhrase +)는 (1) RP 무결성 측정 통합 (RP 아니 INT) 하지 않고, 없이 인기 통합 (RP 아니 팝), RP (2)와 (3) 없이 RP를 포함 하 여 그것의 자신의 절제 유사 비교 되었다는 특수성 측정 (RP 아니 DIS) 통합. 벤치 마크 결과 Fangbo Tao 외.1연구에 표시 됩니다.
여전히 저장 하 고 데이터베이스에서 데이터를 검색에 추가 기능을 추가할 수 있는 데이터 마이닝에 도전이 있다. 컨텍스트 인식 의미 분석 처리 (CaseOLAP) 체계적으로 문서 (프로토콜 5)의 수백만의 색인 데이터베이스를 구축 하는 Elasticsearch를 구현 합니다. 텍스트 큐브 사용자 제공 범주 (프로토콜 6) 인덱싱된 데이터 내장 문서 구조입니다. 이 문서 내에서 그리고 텍스트 큐브의 셀에 걸쳐 기능을 강화 하 고 우리가 특정 셀 (8 프로토콜)를 통해 문서 및 문서 주파수 엔티티의 기간 주파수를 계산 하. CaseOLAP 점수 활용 하 여 최종 점수를 출력 이러한 주파수 계산 (프로토콜 9). 2018 년, 우리는 ECM 단백질과 단백질 질병 협회 분석 6 심장 질환 연구이 알고리즘 구현. 이 연구의 내용은 Liem, 검사가 외.5에 의해 연구에서 찾을 수 있습니다. CaseOLAP 수 있는 다양 한 질병 및 메커니즘을 탐구 생물 지역 사회에서 널리 이용 될 나타내는.
알고리즘의 한계. 문구 마이닝 자체 관리 텍스트 데이터에서 중요 한 개념을 검색 하는 기술입니다. 수학 수량 (벡터)로 엔터티 카테고리 협회 발견 하는 동안이 기술을 협회의 극성 (예를 들어, 포지티브 또는 네거티브 기울기)를 알아낼 수 없습니다. 하나는 지정 된 엔터티 및 범주 텍스트 Cude 문서 구조를 활용 하 여 데이터의 양적 요약을 구축할 수 있습니다 하지만 미세한 세분성으로 질적 개념을 도달할 수 없습니다. 일부 개념은 지속적으로 진화 하 고 과거까지에서 지금. 특정 엔터티-카테고리 협회에 대 한 요약 포함 문학에 걸쳐 모든 부각이 됩니다. 이 혁신의 시간 전파를 부족 수 있습니다. 미래에, 우리는 이러한 한계를 해결 하기 위해 계획.
미래 응용. 세계에 축적 된 데이터의 약 90%는 구조화 되지 않은 텍스트 데이터에서입니다. 대표 문구 및 텍스트에 포함 된 엔터티 관계를 찾는 새로운 기술 (예를들면, 기계 학습, 정보 추출, 인공 지능)의 구현에 대 한 매우 중요 한 작업입니다. 기계는 텍스트 데이터를 읽을 수 있도록, 데이터 도구 다음 계층 구현 될 수 있는 데이터베이스에 구성 될 필요가 있다. 미래에이 알고리즘은 데이터 마이닝 정보 검색 및 엔터티 카테고리 협회의 정량화에 대 한 더 많은 기능에 중요 한 단계를 될 수 있습니다.

문구 카테고리 협회의 연구에 대 한 텍스트 파일의 수백만의 수동 평가 (예를 들어., 단백질 협회 연령 그룹)은 비교할 효율 자동 계산 방법 제공. 생물 의학 문맥에서 문구 카테고리 협회의 자동된 계산에 대 한 문구 마이닝 방법으로 클라우드 기반 컨텍스트 인식 의미 온라인 분석 처리 (CaseOLAP) 플랫폼을 소개 합니다.
처음에 정의 되어 있는 20161, CaseOLAP 플랫폼은 매우 효율적인 텍스트 큐브2,3,라는 기능 문서 관리 때문에 데이터 관리 및 계산의 전통적인 방법에 비해 4, 기본 계층 구조와 동네를 유지 하면서 문서를 배포. 그것은 생물 의학 연구5 엔터티 카테고리 협회 연구에 적용 되었습니다. CaseOLAP 플랫폼 구성 다운로드 및 데이터, 구문 분석, 인덱싱, 텍스트 큐브 생성, 엔터티 수 및 CaseOLAP 점수 계산;의 추출 등 6 개 주요 단계 (그림 1, 그림 2, 표 1) 프로토콜의 주요 초점입니다.
CaseOLAP 알고리즘을 구현 하는 사용자 (예를 들어, 질병, 징후와 증상, 연령 그룹, 진단)의 범주 및 관심 (예: 단백질, 약물)의 엔터티 설정 합니다. 이 문서에 포함 된 카테고리의 한 예로 텍스트 큐브 및 단백질 이름 (동의어) 및 엔터티 약어의 세포로는 '유아', '자식', '사춘기', ' 연령 그룹 ' 및 '성인' 하위 이다. 의료 주제 제목 (메쉬) 정의 된 카테고리 (표 2)에 해당 하는 간행물을 검색 하기 위해 구현 됩니다. 메쉬 설명자 계층적 트리 구조에 다양 한 수준의 특이성 ( 그림 3에 표시 된 샘플)에서 게시에 대 한 검색을 허용 하도록 구성 됩니다. CaseOLAP 플랫폼 추가 문서 엔터티 수 매핑 및 CaseOLAP 점수 계산을 용이 하 게 관련 된 엔터티의 문서의 curation에 대 한 데이터 인덱싱 및 검색 기능을 활용 합니다.
CaseOLAP 점수 계산의 세부 사항을 이전 간행물1,5에서 제공 됩니다. 이 점수는 기본 텍스트 큐브 문서 구조에 따라 특정 순위 기준을 사용 하 여 계산 됩니다. 최종 점수는 무결성, 인기및 특수성의 제품입니다. 무결성 대표 엔터티 집단적 의미 있는 개념을 나타내는 중요 한 의미 단위 인지에 대해 설명 합니다. 사용자 정의 된 문구의 무결성 문학에서 표준 어구로 서 1.0으로 가져온 것입니다. 특수성 은 다른 세포의 나머지에 비해 문서의 한 부분 집합에 어구의 상대적 관련성을 나타냅니다. 그것은 먼저 대상 데이터 집합에서 단백질 이름의 발생을 비교 하 여 특정 셀에 엔터티의 관련성을 계산 하 고 정규화 된 특수성 점수를 제공 합니다. 인기 나타냅니다 높은 인기 점수와 함께 문구 사실은 문서의 한 부분 집합에 더 자주 나타납니다. 셀에 희귀 단백질 이름 언급의 그들의 주파수에 있는 증가 주파수의 로그 함수의 구현 때문에 있는 감소를 반환 하는 동안 낮은, 순위가 결정 됩니다. 이 세 가지 개념을 양적 측정 셀 및 셀 (2) 수 있고 해당 엔터티 (문서 주파수) 셀 내에서 셀 전체 문서에 걸쳐 엔터티 용어 (1) 주파수에 따라 다릅니다.
우리는 PubMed 집합과 우리의 알고리즘을 사용 하 여 두 가지 대표적인 시나리오를 공부 했다. 우리는 관심이 어떻게 미토 콘 드리 아 단백질에 메쉬 설명자;의 두 가지 독특한 범주와 관련 된 "나이 그룹" 및 "영양 및 대사 질환". 특히, 우리는 그들의 사이에서 PubMed (1998에 2018)에 의해 수집 된 20 년 간행물에서 15,728,250 간행물 검색, 8,123,458 독특한 초록 전체 메쉬 설명자. 따라서, 1,842 인간의 미토 콘 드리 아 단백질 이름 (포함 약어 및 동의어), MitoCarta2.0에서 뿐만 아니라 UniProt (uniprot.org)에서 인수 (http://mitominer.mrc-mbu.cam.ac.uk/release-4.0/begin.do >), 체계적으로 검사. 이러한 8,899,019 간행물 및 엔터티 그들의 협회는 우리의 프로토콜;를 사용 하 여 공부 했다 우리는 텍스트 큐브를 구성 하 고 각각 CaseOLAP 점수 계산.

클라우드 기반 구문 마이닝 및 생물 의학 간행물에 사용자 정의 구문 범주 협회의 분석

Cloud-Based Phrase Mining and Analysis of User-Defined Phrase-Category Association in Biomedical Publications

생물 의학 텍스트 데이터의 급속 한 축적까지 수동 큐레이터 및 분석, 과학적 보고서의 큰 볼륨에서 생물 학적 통찰력을 추출 하 소설 텍스트 마이닝 도구를 필요로 인간의 능력을 초과 했습니다. 컨텍스트 인식 의미 온라인 분석 처리 (CaseOLAP) 파이프라인, 2016 년, 개발은 성공적으로 텍스트 데이터의 분석을 통해 사용자 정의 구문 범주 관계를 단정. CaseOLAP는 많은 생물 의학 응용 프로그램 있다.
우리는 엔드-투-엔드 문구-마이닝 및 분석 플랫폼을 지 원하는 클라우드 기반 환경에 대 한 프로토콜을 개발 했습니다. 데이터 전처리 (예를 들어, 다운로드, 추출, 및 구문 분석 텍스트 문서)를 포함 하는 우리의 프로토콜, 인덱싱 및 검색 기능 문서 구조를 만드는 Elasticsearch 라는 텍스트 큐브 및 구문 범주 관계 측정 코어 CaseOLAP 알고리즘을 사용 하 여.
우리의 데이터 전처리 관련 된 모든 문서에 대 한 키-값 매핑을 생성합니다. 전처리 된 데이터는 추가 텍스트 큐브 생성 및 CaseOLAP 점수 계산을 용이 하 게 하는 엔터티를 포함 하 여 문서 검색을 수행 하는 색인이 생성 됩니다. 얻은 원시 CaseOLAP 점수는 일련의 차원 감소, 클러스터링, 시간를 포함 하 여 통합 분석 및 지리적 분석을 사용 하 여 해석 됩니다. 또한, CaseOLAP 점수 문서 시맨틱 매핑 수 있는 그래픽 데이터베이스를 만드는 데 사용 됩니다.
정확 (관계 식별) CaseOLAP 정의 구문 범주 관계, 일관 된 (높은 재현성), 그리고 효율적인 방식 (프로세스 100000 단어/초). 이 프로토콜에 따라 사용자가 그들의 자신의 구성 및 CaseOLAP의 응용 프로그램을 지원 하기 위해 클라우드 컴퓨팅 환경을 액세스할 수 있습니다. 이 플랫폼 향상 된 접근성을 제공 하 고 광범위 한 생물 의학 연구 응용 프로그램에 대 한 문구 마이닝 도구와 생물 의학 커뮤니티 힘을 실어주 고.

우리는 프로토콜 및 관련된 프로그래밍 코드 뿐만 아니라 생물 의학 문학에서 사용자 선택한 지식 도메인에 고유한 개념을 대표 하는 문구 카테고리 협회의 클라우드 기반 자동된 식별을 지원 하기 위해 메타 데이터 샘플 제시. 이 프로토콜에 의해 계량 문구 카테고리 협회 선택한 지식 도메인에 깊이 분석에 용이 하 게 수 있습니다.

The rapid accumulation of biomedical textual data has far exceeded the human capacity of manual curation and analysis, necessitating novel text-mining ...

당사의 프로토콜은 특정 질병이 있는 단백질, 게놈 또는 화학 물질의 연관성을 평가하기 위해 사용자 정의 엔터티 범주 협회를 위한 클라우드 기반 구문 마이닝 플랫폼을 구축하기 위한 단계별 측정을 제공합니다. 이 기술의 주요 장점은 수동 엔터티 범주 협회 평가에 비해 향상된 효율성, 접근성 향상 및 광범위한 생물 의학 연구 응용 프로그램을 위한 구문 마이닝 도구의 사용입니다. 사용자는 생물 의학 출판물 내에서 또는 특정 키워드와 관련된 텍스트 문서 내에서 엔터티 및 관심 범주를 선택할 수 있습니다.새로운 사용자는 원고에 제공된 프로토콜과 참조를 따를 수 있으며 GitHub 리포지토리 내에서 기술적인 문제를 제기할 수 있습니다. 이 문제의 시각적 데모는 프로토콜을 수행하는 방법에 대한 명확성을 더하고 새로운 텍스트 마이닝 도구의 구현을 장려합니다. 텍스트 큐브를 만들려면 먼저 사용 가능한 최신 의료 제목 제목 또는 메시 트리를 다운로드합니다.메시 트리 2018의 코드는 MESHTree2018입니다. 입력 디렉터리에 입력해야 합니다. 하나 이상의 메시 설명서를 사용하여 관심 범주를 정의하고 범주에 대한 메시 ID를 수집합니다.textcube_config 범주 이름을 저장합니다. 구성 디렉터리에서 json 파일을 만들고 공백으로 구분된 줄에 메시 ID의 수집된 범주를 추가합니다. 범주 파일을 범주로 저장합니다.입력 디렉터리에서 txt. 이 알고리즘은 모든 하위 메시 설명자모두를 자동으로 선택합니다. 메시2pmid를 확인하십시오.json은 데이터 디렉토리에 있습니다. 입력 디렉터리에서 메시 트리가 다른 이름으로 업데이트된 경우 run_textcube 입력 데이터 경로에 적절하게 표시되는지 확인합니다. py 파일.텍스트 큐브라는 문서 구조를 만들려면 파이썬 run_textcube 입력합니다. 터미널에서 py를 사용하여 각 범주에 대한 문서 컬렉션을 만듭니다. 단일 문서는 여러 범주에 속할 수 있습니다.텍스트 큐브 생성 단계가 완료되면 PMID 테이블에 있는 셀이 데이터 디렉터리에 textcube_cell2pmid.json으로 저장되는지 확인합니다. 셀 매핑 테이블에 대한 PMID는 데이터 디렉토리에 textcube_pmid2cell.json으로 저장됩니다. 셀에 대한 모든 하위 메시 용어의 컬렉션은 데이터 디렉터리에 meshterms_per_cat.json으로 저장됩니다.또한 텍스트 큐브 데이터 통계는 데이터 디렉터리에 textcube_stat.txt 저장됩니다. 그런 다음 로그 디렉토리로 이동하여 textcube_log 로그 메시지를 읽습니다. txt, 이 프로세스가 실패하는 경우.프로세스가 성공적으로 완료되면 텍스트 큐브 생성의 디버깅 메시지가 로그 파일에 인쇄됩니다. 엔터티 수의 경우 세로 선 기호로 구분된 한 줄에 한 엔터티와 약어를 배치하여 사용자 정의 엔터티를 만듭니다. 엔터티 파일을 엔터티로 저장합니다.입력 디렉터리에서 txt를 입력하고 Elasticsearch 서버가 실행 중인지 확인합니다. PubMed라는 인덱싱된 데이터베이스가 Elasticsearch 서버에 있는 경우 textcube_pmid2cell 있는지 확인합니다. 데이터 디렉터리에서 json 파일을 입력하고 파이썬 run_entitycount 입력합니다.단말에서 py를 사용하여 엔터티 카운트 작업을 수행합니다. 인덱스 데이터베이스의 모든 문서와 각 문서의 엔터티 수가 계산되고 엔터티가 발견된 PMID가 수집된 경우 최종 결과를 엔터티카운트로 저장합니다. txt 와 entityfound_pmid2cell.데이터 디렉토리의 json. 그런 다음 로그 디렉토리를 열어 entitycount_log 로그 메시지를 읽습니다. txt, 이 프로세스가 실패하는 경우.프로세스가 성공적으로 완료되면 엔터티 수의 디버깅 메시지가 로그 파일에 인쇄됩니다. 모든 입력 데이터가 데이터 디렉터리에 있는지 확인합니다. 메타데이터 업데이트의 입력 데이터입니다.메타데이터 컬렉션을 준비하려면 파이썬 run_metadata_update 입력합니다. 메타데이터를 업데이트하기 위해 터미널에서 py를 업데이트합니다. 메타데이터 업데이트가 완료되면 metadata_pmid2pcount 있는지 확인합니다.json과 metadata_cell2pmid. json 파일은 데이터 디렉터리에 저장됩니다. 로그 디렉토리로 이동하여 metadata_update_log 로그 메시지를 읽습니다.이 프로세스가 실패하는 경우 txt 파일입니다. 프로세스가 성공적으로 완료되면 메타데이터 업데이트의 디버깅 메시지가 로그 파일에 인쇄됩니다. 컨텍스트 인식 의미 론 온라인 분석 처리 점수 계산의 경우 metadata_pmid2pcount 존재를 확인합니다.json과 metadata_cell2pmid. 데이터 디렉터리에서 json 파일. 점수 계산에 대한 입력 데이터입니다.파이썬 run_caseolap_score 입력합니다. 단말에서 py는 사용자 정의 범주에 따라 엔터티의 컨텍스트 인식 온라인 분석 처리 점수 계산을 수행합니다. 점수는 무결성, 인기 및 특유의 산물입니다.점수 계산이 완료되면 결과 디렉터리에 결과가 저장되어 있는지 확인합니다. 그런 다음 로그 디렉터리에 액세스하여 caseolab_score_log 로그 메시지를 읽습니다. 이 프로세스가 실패하는 경우 txt 파일입니다.프로세스가 성공적으로 완료되면 caseolab 점수 계산의 디버깅 메시지가 로그 파일에 인쇄됩니다. 4명의 유아, 어린이, 청소년 및 성인 연령 집단 하위 범주로부터 얻은 메타데이터 및 통계를 사용하여 텍스트 큐브 셀 간의 문서 수를 비교할 수 있습니다. 여기서 성인 하위 범주에는 모든 세포에서 가장 높은 숫자가 포함되어 있으며 성인 및 청소년 하위 범주는 공유 문서 수가 가장 많으며 이 대표 분석에 대한 관심 있는 엔터티를 포함합니다.문맥 인식 시만성 온라인 분석 처리 점수로서 단백질 연령 그룹 협회의 평가, 유아, 어린이, 청소년 및 성인 하위 범주와 관련된 상위 10가지 단백질이 결정될 수 있었다. 여기서, 영양 및 대사 질환 하위 범주에 대한 메타데이터 및 통계가 도시되어 있다. 하위 범주 대사 질환은 영양 장애 하위 범주로 거의 3 배 많은 문서를 포함합니다.대사 질환 및 영양 장애 하위 범주에는 7, 101 개의 공유 문서가 있습니다. 특히, 이러한 문서에는 대표 연구에 대한 관심 있는 실체가 포함되었습니다. 모든 단백질의 절반 이상이 하위 범주 간에 공유되며, 그 하위 범주에 고유 한 대사 질환 하위 범주에 있는 모든 관련 단백질의 거의 절반이 있으며 영양 장애 하위 범주는 몇 가지 독특한 단백질만 을 나타낸다.독립적이고 뚜렷한 범주와 엔터티의 모든 동의어 및 약어 모음이 최상의 결과를 제공합니다. 엔터티 범주 연결은 숫자 값으로 표시되므로 클러스터링 및 원리 구성 요소 분석과 같은 누락된 학습 기술을 구현하는 문이 열립니다. 이 기술은 이러한 협회 내에서 숨겨진 또는 이전에 확인되지 않은 관계의 발견을 용이하게, 생물학적 과정의 깊은 이해를위한 길을 포장.

cloud-based-phrase-mining-analysis-user-defined-phrase-category

Research

연구

JoVE Journal

Medicine

의학

시냅스 가소성과 기억을 제어하는 분자와 경로를 식별하는 것은 여전히 신경 과학의 주요 과제입니다. 여기에서는 청각 학습 패러다임에서 학습 및 기억 통합 중 시냅스의 분자 재편성에 관여하는 것으로 추정되는 시냅스 단백질의 상대적 정량화를 다루는 워크플로우에 대해 설명합니다.

청각 차별 학습 한 후 마우스 뇌 영역의 높은 해상도 양적 시냅틱 프로테옴 프로파일

우리는 프로토콜 및 관련된 메타 데이터 템플릿을 임상 사례 보고서에 생물 의학 개념을 설명 하는 텍스트의 추출에 대 한 현재. 이 프로토콜을 통해 생산 하는 구조화 된 텍스트 값 임상 서술의 수천의 깊은 분석을 지원할 수 있습니다.

있도록 임상 사례 보고서에 대 한 메타 데이터 추출 방법 고급 생물 의학 개념의 이해

여기서, 우리는 공개적으로 접근 가능한 다양 한 데이터베이스 로부터 도출 된 풀링된 임상 데이터 세트의 종합적인 분석을 기반으로 유방암의 바이오 마커 및 생존 예측 인자를 탐구 하는 프로토콜을 제시 하 고, 발현, 상관관계 및 생존 분석 단계.

여러 공개적으로 접근 가능한 데이터베이스를 사용 하 여 유방암에서 바이오 마커의 데이터 마이닝 및 통합 분석 수행

생물 의학 보고서에 설명된 대로 미토콘드리아 단백질 및 심혈관 질환과의 연관성을 조사하기 위한 계산 프로토콜인 CaseOLAP LIFT 및 사용 사례가 제시됩니다. 이 프로토콜은 사용자가 선택한 세포 구성 요소 및 질병을 연구하는 데 쉽게 적용할 수 있습니다.

생물의학 보고서를 통해 질병에서 세포 소기관 경로의 역할을 밝히기 위한 지식 그래프 접근 방식

데이터 기반 네트워크 구축 및 대사체학 데이터 분석을 위한 두 가지 도구인 CorrelationCalculator와 Filigree를 소개합니다.  CorrelationCalculator는 발현 데이터를 기반으로 대사 산물의 단일 상호 작용 네트워크 구축을 지원하는 반면, Filigree는 차등 네트워크 구축 후 네트워크 클러스터링 및 농축 분석을 수행할 수 있습니다.

CorrelationCalculator 및 Filigree: 대사체학 데이터의 데이터 기반 네트워크 분석을 위한 도구

이 연구는 알츠하이머병(AD)을 앓고 있는 33명의 단일 핵 전사체를 분석하여 신경교세포에서 성별 특이적 DEG를 밝혔습니다. 기능적 농축 분석은 시냅스, 신경 및 호르몬 관련 경로를 강조했습니다. 주요 유전자, 즉 NLGN4Y와 그 조절인자를 규명하고, 성별 특이적 알츠하이머병에 대한 잠재적 치료제 후보를 제시했습니다.

Glial transcriptome profiles를 기반으로 한 Alzheimer's disease의 성별 특이성에 대한 바이오마커 식별

이 기사에서는 대규모 언어 모델(LLM) 추론과 RAG(Retrieval-Augmented Generation)를 통합하는 RUGGED(Retrieval Under Graph-Guided Explainable disease Distinction)에 대해 설명합니다. 전문가가 선별한 생물의학 지식 기반 및 동료 검토를 거친 생물의학 출판물에서 증거를 도출하여 최신 정보에서 새로운 지식을 종합하고, 설명 가능하고 실행 가능한 예측을 식별하고, 가설 기반 조사를 위한 유망한 방향을 정확히 찾아냅니다.

증거 기반 지식 종합 및 가설 검증: 설명 가능한 AI 및 에이전트 시스템을 통한 생물의학 지식 기반 탐색

다음 섹션에서 우리는 생명 의학 애플 리케이션에서 사용할 수 알지네이트요 microspheres의 준비 절차를 설명합니다. 우리는 특히 1 형 당뇨병에 대한 잠재적인 치료로서 세포 및 단백질 캡슐의 이중 목적 multilayered 알지네이트요 microspheres를 만들기위한 기술을 설명합니다.

바이오 메디컬 응용 프로그램을위한 알긴산 Microspheres의 생성

조직화학적 및 면역조직화학적 분석과 결합된 대동맥동 및 상행 대동맥의 정밀 절단을 사용하여 마우스 모델에서 죽상경화성 병변을 정량화하고 특성화하는 절차를 설명합니다.

쥐의 대동맥 부비동의 동맥 경화 병변의 정량 분석​​ 및 특성

이 문서는 실험 조건에서 소 폐 기관지 내시경 기술, 즉 bronchoscopically 안내 접종, 기관지 세척액, 기관지 솔질하고, 기관지 폐 생검을 설명합니다.

생물 의학 연구에 소 폐 : 시각적으로 유도 기관지, Intrabronchial 접종 및<em&gt; 생체</em&gt; 샘플링 기법

배우세요 클라우드 기반 구문 마이닝 플랫폼을 구축하여 생물 의학 간행물에서 단백질, 게놈, 화학물질과 질병의 연관성을 자동 분석하는 방법을. 이 프로토콜은 수동 평가보다 효율성을 높여 연구자들의 텍스트 마이닝 접근성을 향상시킵니다.

클라우드 기반 구문 마이닝 및 생물 의학 간행물에 사용자 정의 구문 범주 협회의 분석

더 많은 동영상 탐색