文本挖掘口角升溫

邢鴻飛/編譯

●科學(xué)家和出版商就使用機(jī)器查閱科研論文的許可產(chǎn)生分歧。

要是那些把守信息的人們能給科學(xué)家們自由，那么未來(lái)就會(huì)是基于計(jì)算機(jī)的研究時(shí)代。研究者們過(guò)去一年一直在苦苦抱怨，出版商不允許他們使用電腦程序下載或者瀏覽科研文章的文本，這一方法即是文本挖掘，可在研究中呈現(xiàn)范圍較大的整體模式。

出版商們擔(dān)心文章內(nèi)容可能會(huì)被任意重組，因此一般會(huì)屏蔽他們發(fā)現(xiàn)到的瀏覽全文的程序，對(duì)那些付費(fèi)使用者也不例外。他們只就具體個(gè)例，給予那些對(duì)協(xié)議條款讓步的人使用許可。目前，歐盟委員會(huì)和出版社聯(lián)盟正準(zhǔn)備制定更明細(xì)的條款。但是上個(gè)月，有人向歐盟一個(gè)正在討論文本和信息挖掘相關(guān)內(nèi)容的小組投訴，這表明持不同意見(jiàn)者仍然為數(shù)不少。

去年九月，在布魯塞爾知識(shí)產(chǎn)權(quán)峰會(huì)上，歐盟委員會(huì)副主席尼利·克羅斯（Neelie Kroes）曾表示：“要是我們不再像現(xiàn)在這樣進(jìn)行法律限制，信息和文本挖掘技術(shù)是通向下一次醫(yī)學(xué)重大突破的關(guān)鍵。”

文本挖掘項(xiàng)目

將基因與研究論文相關(guān)聯(lián)。“文本－基因組”項(xiàng)目從大約三百萬(wàn)份研究論文中找到DNA序列，創(chuàng)建了一個(gè)在線的基因組圖，圖中每個(gè)區(qū)域都與相關(guān)論文鏈接（go.nature.com/iupijx）。

繪制大腦譜圖。“神經(jīng)合成（NeuroSynth）”項(xiàng)目從大約4 400篇科研論文中提取出大腦掃描數(shù)據(jù)，使用者可以將人腦部的不同位置與相關(guān)研究術(shù)語(yǔ)和研究主題相鏈接（neurosynth.org）。

化學(xué)數(shù)據(jù)。SureChem成果頗豐，擁有從約2 000萬(wàn)項(xiàng)專(zhuān)利中獲取的有關(guān)分子研究的可用數(shù)據(jù)（surechem.com）。

新藥研發(fā)。研究者們從MEDLINE（聯(lián)機(jī)醫(yī)學(xué)文獻(xiàn)分析和檢索系統(tǒng)）數(shù)據(jù)庫(kù)中的2 000多萬(wàn)篇文章中免費(fèi)搜索摘要，并發(fā)現(xiàn)E-cadherin（一種細(xì)胞黏附分子）和帕金森癥之間某種間接關(guān)聯(lián)（go.nature.com/fsv4az）。

出版商們表示，到目前為止，要求獲許挖掘文本的研究者寥寥無(wú)幾。盡管如此，據(jù)位于阿姆斯特丹的Elsevier出版公司說(shuō)，2012年，機(jī)器人在整個(gè)網(wǎng)絡(luò)平臺(tái)上瀏覽其ScienceDirect網(wǎng)站的流量占總流量的百分之四，幾乎是2011年的兩倍。無(wú)論這些項(xiàng)目有任何意圖，這一數(shù)據(jù)表明，除了人類(lèi)，現(xiàn)在越來(lái)越多的機(jī)器開(kāi)始瀏覽相關(guān)的文章。

康涅狄格州瑞吉菲爾德的Boehringer Ingelheim醫(yī)藥公司的計(jì)算生物學(xué)家勞爾·羅德里格斯－埃斯特班（Raul Rodriguez-Esteban）說(shuō)，他在 2012年處理了160次文本挖掘的查詢。其中有一次，他搜索了超過(guò)23 000篇文章后，選出上百個(gè)能夠緩解一個(gè)多發(fā)性硬化癥的小鼠模型的蛋白質(zhì)。接著，他將其他與之相關(guān)的蛋白質(zhì)草擬了一個(gè)網(wǎng)絡(luò)，并由此發(fā)現(xiàn)新的潛在藥物靶標(biāo)。學(xué)術(shù)科研工作者垂涎這一技能，但也表示，對(duì)相關(guān)使用協(xié)議條款進(jìn)行協(xié)商需要花上數(shù)月甚至數(shù)年。加利福尼亞州圣克魯斯大學(xué)的馬克斯·霍伊斯勒（Max Haeussler）花了三年的時(shí)間才爭(zhēng)取到下載三百萬(wàn)篇文章的資格，從這些文章中他找到了所需的DNA數(shù)據(jù)來(lái)注解一個(gè)在線人類(lèi)基因組圖（見(jiàn)《自然》483,134-135,2012）。

爭(zhēng)議何其多

今年晚些時(shí)候，英國(guó)將允許非商業(yè)化使用文本挖掘，即允許科學(xué)家們挖掘他們付費(fèi)查詢的任何內(nèi)容。文本挖掘者們希望歐盟委員會(huì)也能做到這一點(diǎn)。英國(guó)曼徹斯特大學(xué)國(guó)家文本挖掘中心的副主任約翰·麥克諾特（John McNaught）說(shuō)道：“流傳在使用者們中的口號(hào)是‘閱讀權(quán)是我自己的權(quán)利’。”

然而，歐盟今年成立的討論文本和數(shù)據(jù)挖掘的工作小組已經(jīng)飽受爭(zhēng)議。2月4日的會(huì)議之后，研究者們和圖書(shū)管理者們抱怨該小組只是討論了如何處理文本挖掘的許可，并沒(méi)有討論如何給予文本挖掘免除版權(quán)的問(wèn)題。“這將會(huì)對(duì)文本挖掘技術(shù)的使用制造障礙，并且使得諸多方面進(jìn)行計(jì)算機(jī)輔助研究舉步維艱。”這是他們2月26日寫(xiě)給克羅斯以及其他三位歐盟委員的信中的一段，委員們并未對(duì)此做出任何回應(yīng)。

據(jù)英國(guó)巴斯大學(xué)的羅絲·芒瑟 （Ross Mounce）說(shuō)，3月8日的第二次會(huì)晤幾乎沒(méi)有能夠?qū)γ庳?zé)條款進(jìn)行正式討論，羅絲本人正在使用文本挖掘從文獻(xiàn)綜述中選取進(jìn)化關(guān)系的樹(shù)狀結(jié)構(gòu)。歐盟工作小組希望能夠在年底達(dá)成相關(guān)結(jié)論。

同樣的問(wèn)題在美國(guó)，情況略微好些。一些律師認(rèn)為，文本挖掘獲得允許的可能性在于“公平使用”權(quán)利，也就是說(shuō)人們可復(fù)制文本的部分片段。但沒(méi)有人能夠肯定，而且很多研究者們擔(dān)心，這樣做會(huì)觸及到法律的灰色區(qū)域。

一些出版社表示，不受約束的文本挖掘會(huì)給他們的服務(wù)器增加負(fù)擔(dān)，因此還需要有協(xié)議來(lái)明確說(shuō)明下載文章的時(shí)間和方式。無(wú)數(shù)學(xué)術(shù)出版商的非營(yíng)利合作平臺(tái)CrossRef，正在研發(fā)一種系統(tǒng)，能夠讓研究者們通過(guò)點(diǎn)擊出版商網(wǎng)站上的按鈕接受標(biāo)準(zhǔn)格式的文本挖掘條款。CrossRef平臺(tái)的杰夫·比爾德（Geoff Bilder）希望該系統(tǒng)在年底能夠正式推出。

曼徹斯特丹佛的版權(quán)稅計(jì)算中心（CCC）與出版社就版權(quán)許可進(jìn)行合作，他們的努力更加有野心。據(jù)該中心的羅伊·考夫曼（Roy Kaufman）介紹，他們想做中間人，收集各個(gè)出版社的相關(guān)條款和內(nèi)容，并將它們收錄進(jìn)為研究者們開(kāi)放的網(wǎng)站。目前該中心正就此與包括自然出版集團(tuán)在內(nèi)的六家出版社，以及一些迫切需要挖掘文獻(xiàn)的醫(yī)藥化學(xué)公司合作。

北卡羅來(lái)納州達(dá)勒姆的美國(guó)國(guó)家進(jìn)化綜合中心的希瑟·比沃華爾（Heather Piwowar）對(duì)研究者如何使用信息進(jìn)行研究，她說(shuō)，允許像谷歌這樣的大公司瀏覽網(wǎng)絡(luò)內(nèi)容并編入索引，而限制科學(xué)家們這樣做不公平。她在博客中寫(xiě)道：“谷歌知道它在做什么，而我們這些人卻無(wú)法被人信任，這說(shuō)得過(guò)去嗎？我希望不要這樣。”