Горнодобывающей промышленности фраза облачной и анализа определяемых пользователем фразы Категория ассоциации в биомедицинских публикаций
23 февраля 2019 г.
Мы представляем протокол и связанного программного кода, а также образцы метаданных для поддержки облачной автоматической идентификации фразы Категория ассоциации, представляющие уникальные концепции в домене выбранного знания пользователя в биомедицинских литературе. Фраза Категория Ассоциация количественно этот протокол может облегчить в глубине анализа в домене выбранного знаний.
Наш протокол предусматривает пошаговую меру для создания облачной платформы для добычи фраз для ассоциации категорий лиц, определяемых пользователем, для оценки связи белков, геномов или химических веществ с конкретными заболеваниями. Основными преимуществами этого метода являются его повышение эффективности по сравнению с ручной оценкой ассоциации категорий сущностей, повышение доступности и использование инструментов для добычи фраз для широкого применения биомедицинских исследований. Пользователи могут выбирать организации и категории, представляющие интерес в биомедицинских публикациях, или в текстовых документах, связанных с конкретными ключевыми словами.
Новые пользователи могут следовать нашему протоколу и ссылкам, представленным в рукописи, и они могут поднимать технические вопросы в нашем репозитории GitHub. Визуальная демонстрация этого вопроса добавляет больше ясности в то, как выполнять протокол, и поощряет внедрение новых инструментов для анализа текста. Чтобы создать текстовый куб, сначала загрузите последние доступные заголовки медицинских предметов или сетчатое дерево.
Код для сетчатого дерева 2018 является MESHTree2018. бен, и должны быть введены в каталог ввода. Определите категории интересов с помощью одного или нескольких сетчатых дескрипторов и соберите сетчатые документы для категории.
Сохраните названия категорий в textcube_config. файл json в каталоге config и добавьте собранные категории сетчатых ID в строку, отделенную пространством. Сохранить файл категории в категориях.
txt в каталоге входов. Этот алгоритм автоматически выбирает все дескрипторы сетки потомка. Убедитесь, что mesh2pmid.
json находится в каталоге данных. Если дерево сетки было обновлено с другим именем в каталоге входных данных, убедитесь, что это правильно представлено в пути входных данных в run_textcube. py файл.
Чтобы создать структуру документа под названием text-cube, введите python run_textcube. py в терминале для создания коллекции документов для каждой категории. Один документ может подпадать под несколько категорий.
После завершения шага создания текстового куба убедитесь, что ячейка в таблице PMID сохраняется в каталоге данных, как textcube_cell2pmid.json. PMID в таблице отображения ячееок сохраняется в каталоге данных, как textcube_pmid2cell.json. Собрание всех терминов сетки потомка для ячейки сохраняется в каталоге данных как meshterms_per_cat.json.
А статистика текстовых кубов данных сохраняется в каталоге данных textcube_stat.txt. Затем перейдите в каталог журналов, чтобы прочитать сообщения журнала в textcube_log. txt, в случае, если этот процесс не удается.
Если процесс будет успешно завершен, сообщения отладки создания текстового куба будут распечатаны в файле журнала. Для подсчета сущностей создайте объекты, определяемые пользователем, размещая одну сущность и ее аббревиатуры в одну строку, отделенную символом вертикальной линии. Сохранить файл сущности как сущности.
txt в каталоге входных данных и убедитесь, что сервер Elasticsearch работает. Если индексированная база данных под названием PubMed присутствует на сервере Elasticsearch, подтвердите наличие textcube_pmid2cell. json файл в каталоге данных, и введите python run_entitycount.
py в терминале для выполнения операции подсчета сущности. Если все документы из базы данных индекса и количество сущностей в каждом документе были подсчитаны, а PMID, в которых были найдены сущности, были собраны, сохраните окончательные результаты в качестве номера сущности. txt и entityfound_pmid2cell.
json в каталоге данных. Затем откройте каталог журналов для чтения журнальных сообщений в entitycount_log. txt, в случае, если этот процесс не удается.
Если процесс будет успешно завершен, сообщения отладки счета сущности будут распечатаны в файле журнала. Убедитесь, что все входные данные находятся в каталоге данных. Это входные данные для обновления метаданных.
Чтобы подготовить коллекцию метаданных, введите питона run_metadata_update. py в терминале для обновления метаданных. Как только обновление метаданных будет завершено, убедитесь, что metadata_pmid2pcount.
Json и metadata_cell2pmid. файлы json сохраняются в каталоге данных. Перейдите в каталог журналов, чтобы прочитать сообщения журнала в metadata_update_log.
txt файл, в случае, если этот процесс не удается. Если процесс будет успешно завершен, отладка сообщений обновления метаданных будет распечатана в файле журнала. Для расчета оценки оценки семантической онлайн-аналитической обработки контекста подтвердите наличие metadata_pmid2pcount.
Json и metadata_cell2pmid. json файлы в каталоге данных. Это входные данные для расчета баллов.
Введите питон run_caseolap_score. py в терминале для выполнения контекст-осведомленного семантического онлайн-аналитического расчета оценки сущностей на основе определяемых пользователем категорий. Оценка является продуктом целостности, популярности и отличительности.
Как только расчет баллов завершен, подтвердите, что результаты сохраняются в каталоге результатов. Затем доступ к каталогу журналов для чтения журнальных сообщений в caseolab_score_log. txt файл, в случае, если этот процесс не удается.
Если процесс будет успешно завершен, сообщения отладки расчета баллов caseolab будут распечатаны в файле журнала. Используя полученные метаданные и статистические данные из четырех подкатегорий возрастной группы младенцев, детей, подростков и взрослых, можно отобрать количество документов среди клеток текстового куба. Здесь подкатегория для взрослых содержит наибольшее число во всех клетках, при этом подкатегории для взрослых и подростков имеют наибольшее количество общих документов и содержат сущность, представляющие интерес для этого репрезентативного анализа.
Оценка ассоциации возрастных групп белка как контекст-знать семантические онлайн аналитической обработки оценка, топ 10 белков, связанных с младенцем, ребенком, подростком и взрослыми подкатегорий смогли быть определены. Здесь показаны полученные метаданные и статистические данные по подкатегории пищевых и метаболических заболеваний. Подкатегориоболическое заболевание содержит почти в три раза больше документов, чем подкатегория нарушений питания.
Подкатегории метаболических заболеваний и нарушений питания имеют 7 101 общие документы. Примечательно, что эти документы включали организацию, заинтересованную в репрезентативном исследовании. Более половины всех белков делятся между подкатегориями, при этом почти половина всех связанных белков в подкатегории метаболических заболеваний уникальна для этой подкатегории, и с подкатегорией нарушений питания, выставляют лишь несколько уникальных белков.
Независимые и отдельные категории, а также коллекция всех синонимов и сокращений сущности обеспечит наилучшие результаты. Поскольку ассоциация категорий сущностей представлена в качестве численного значения, это открывает двери для внедрения недостающих методов обучения, таких как кластеризация и анализ принципиальных компонентов. Этот метод облегчает открытие скрытых или ранее неопознанных отношений в рамках этих ассоциаций, прокладывая путь для более глубокого понимания биологических процессов.
Обзор
В данной статье представлен протокол построения облачной платформы для фразовой добычи данных, которая облегчает связывание биомедицинских сущностей с конкретными заболеваниями. Подход повышает эффективность и доступность в биомедицинских исследованиях.
Основные компоненты исследования
Область науки
- Анализ биомедицинской литературы
- Техники текстовой добычи данных
- Связь сущности-категория
Бэкграунд
- Ручная оценка связей сущности-категория занимает много времени.
- Инструменты фразовой добычи данных могут повысить эффективность исследований.
- Облачные платформы обеспечивают более широкий доступ к ресурсам текстовой добычи данных.
- Протоколы могут направлять новых пользователей в реализации этих инструментов.
Цель исследования
- Автоматизировать идентификацию связей фраза-категория.
- Предоставить систематический подход для анализа биомедицинской литературы.
- Повысить удобство использования инструментов фразовой добычи данных для исследователей.
Использованные методы
- Пошаговый протокол по созданию текстовой кубы из биомедицинских публикаций.
- Использование медицинских рубрикеров (MeSH) для определения категорий.
- Реализация Python скриптов для обработки и анализа данных.
- Механизмы логирования и отладки для обеспечения надежности процесса.
Основные результаты
- Успешное создание текстовой кубы для категоризации документов.
- Автоматизированное сопоставление сущностей категориям с использованием дескрипторов MeSH.
- Генерация метаданных и статистики для различных возрастных групп.
- Сравнение количества документов по разным подкатегориям.
Выводы
- Протокол значительно упрощает процесс связывания сущности-категория.
- Облачные инструменты увеличивают доступность для биомедицинских исследователей.
- Будущие применения могут включать более широкие анализы в различных биомедицинских областях.
Часто задаваемые вопросы
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.
