生物醫(yī)學(xué)文獻(xiàn)中的蛋白質(zhì)相互作用抽取研究

周玉新

（內(nèi)蒙古民族大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，內(nèi)蒙古 通遼 028000）

生物醫(yī)學(xué)文獻(xiàn)中的蛋白質(zhì)相互作用抽取研究

周玉新

（內(nèi)蒙古民族大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，內(nèi)蒙古 通遼 028000）

在最近幾十年中，生物醫(yī)學(xué)取得了令人矚目的巨大發(fā)展，涌現(xiàn)出了大量實(shí)驗(yàn)性和可計(jì)算生物醫(yī)學(xué)數(shù)據(jù)，同事，相關(guān)的生物醫(yī)學(xué)文獻(xiàn)呈現(xiàn)出了指數(shù)增長。同時(shí)，科學(xué)界一直對(duì)利用文本挖掘工具發(fā)現(xiàn)諸如蛋白質(zhì)關(guān)系等對(duì)特定分析任務(wù)相關(guān)和有用的知識(shí)有巨大的興趣。本文提供了一個(gè)生物醫(yī)學(xué)領(lǐng)域蛋白質(zhì)相互作用發(fā)現(xiàn)的一個(gè)基本輪廓，同時(shí)討論了該領(lǐng)域進(jìn)一步發(fā)展所面臨的挑戰(zhàn)，并且討論了可能的解決方案。

生物醫(yī)學(xué)文獻(xiàn)；蛋白質(zhì)相互作用；信息抽取

1 引言

在后基因組時(shí)代，蛋白質(zhì)被認(rèn)為是復(fù)雜蛋白質(zhì)作用網(wǎng)絡(luò)中的重要因素，蛋白質(zhì)—蛋白質(zhì)作用（PPI）在細(xì)胞的結(jié)構(gòu)性和功能性組織的各個(gè)方面發(fā)揮著關(guān)鍵作用，關(guān)于PPI的知識(shí)揭示了生物過程的分子機(jī)制。然而，這類知識(shí)大部分隱藏在已發(fā)表文獻(xiàn)、科技期刊、書籍和技術(shù)報(bào)告中。迄今為止，超過1600萬此類文章的引用可以在MEDLINE數(shù)據(jù)庫中獲得，并且還建立了許多數(shù)據(jù)庫以存儲(chǔ)關(guān)于PPI信息的各種類型。然而，為了確保數(shù)據(jù)得正確性，這些數(shù)據(jù)庫中的數(shù)據(jù)主要是以手工采集的，但也因此限制了將純文本信息轉(zhuǎn)換為結(jié)構(gòu)信息的速度。

目前，已經(jīng)開發(fā)了很多系統(tǒng)來進(jìn)行PPI信息的抽取，這些系統(tǒng)一般需要包括分區(qū)模塊、蛋白質(zhì)名稱識(shí)別模塊、PPI抽取模塊和可視化模塊等三到四個(gè)模塊。分區(qū)模塊主要將文檔劃分為基本的塊；蛋白質(zhì)名稱識(shí)別模塊主要用于蛋白質(zhì)名稱的識(shí)別；PPI抽取模塊則是系統(tǒng)的最主要環(huán)節(jié)；而可視化模塊雖不像前三個(gè)模塊那樣關(guān)鍵，但是它為用戶提供了一個(gè)友好的接口從而允許用戶可以深入研究所抽取的知識(shí)

為了評(píng)估一個(gè)信息抽取系統(tǒng)的性能，通常采用的評(píng)估指標(biāo)主要有正確率、召回率和F值，它們的定義如下：

正確率=識(shí)別出的正確實(shí)體數(shù)/識(shí)別出的實(shí)體數(shù)；召回率=識(shí)別出的正確實(shí)體數(shù)/樣本中的實(shí)體數(shù)。

兩者的取值都在0和1之間，數(shù)值越接近1，正確率或召回率就越高。在實(shí)際應(yīng)用中需要綜合考慮它們的加權(quán)調(diào)和平均值，也就是F值，其中最常用的F1值，當(dāng)F1值較高時(shí)說明試驗(yàn)方法比較有效。F1值定義如下：

F1值=（2*正確率*召回率）/（正確率+召回率）

本文側(cè)重于PPI抽取模塊，對(duì)現(xiàn)有方法進(jìn)行了簡單綜述。通常，現(xiàn)有的方法依賴于一個(gè)或多個(gè)領(lǐng)域的技術(shù)，包括信息檢索、機(jī)器學(xué)習(xí)、自然語言處理、信息抽取和文本挖掘等。早期的所用的方法主要依賴于命名實(shí)體共現(xiàn)和模式匹配，而后期則主要采用可以處理復(fù)雜句子中關(guān)系的可計(jì)算語言學(xué)技術(shù)。

2 方法

通常，現(xiàn)有的方法可以被分為三類：基于計(jì)算語言學(xué)的方法、基于規(guī)則的方法和基于機(jī)器學(xué)習(xí)和統(tǒng)計(jì)的方法。

2.1 基于計(jì)算語言學(xué)的方法

基于計(jì)算語言學(xué)的方法采用語言學(xué)技術(shù)從句子中提取語法結(jié)構(gòu)或語義。在這種方法中，首先對(duì)語料庫進(jìn)行解析以獲取每個(gè)句子的形態(tài)學(xué)和句法信息，在這之后才能完成識(shí)別PPI信息等復(fù)雜的任務(wù)。然而，對(duì)生物學(xué)領(lǐng)域中的非結(jié)構(gòu)化文本進(jìn)行解析是非常困難的。

這類方法可以根據(jù)所采用語言學(xué)方法的復(fù)雜性進(jìn)一步劃分為淺解析或深解析。淺解析執(zhí)行句子結(jié)構(gòu)的部分解析，它旨在通過犧牲分析的完整性和深度來從文本中高效可靠地提取句法信息。它首先將句子分為非重疊塊，接著抽取塊間的局部依賴而不重建整個(gè)句子結(jié)構(gòu)。淺解析在捕獲一個(gè)句子實(shí)體間相對(duì)簡單的二元關(guān)系方面表現(xiàn)良好，但是無法識(shí)別關(guān)系子句中更加復(fù)雜的關(guān)系。對(duì)包含三個(gè)或更多實(shí)體間復(fù)雜關(guān)系的句子來說，淺解析方法通常會(huì)產(chǎn)生錯(cuò)誤的結(jié)果，這時(shí)采用基于全句的深解析方法往往更加精確。深解析以構(gòu)造語法的方式為基礎(chǔ)分析整個(gè)句子，這通常可以得到較好的性能，但是卻具有較高的計(jì)算復(fù)雜度。基于深解析的方法可以被分為通過人工定義語法的唯理論方法和通過觀察自動(dòng)生成語法的經(jīng)驗(yàn)主義方法。

2.2 基于規(guī)則的方法

在基于規(guī)則的方法中，需要定義建立在單詞或詞性標(biāo)記上正規(guī)表達(dá)式的規(guī)則集，并以此為基礎(chǔ)識(shí)別實(shí)體間的關(guān)系。

通常，理論上來說，使用預(yù)定義的規(guī)則可以產(chǎn)生令人滿意的結(jié)果，然而在實(shí)際應(yīng)用中卻是不可行的，因?yàn)楫?dāng)轉(zhuǎn)移到另一個(gè)域時(shí)，仍需要繁重的工作以重新定義規(guī)則集。

現(xiàn)有的基于規(guī)則的方法可以通過突破被抽取的互相作用集合上的整體局限和被處理句子的復(fù)雜性進(jìn)行識(shí)別規(guī)則的擴(kuò)展。但是，這些方法經(jīng)常忽略許多復(fù)雜的實(shí)例，比如跨越文本多個(gè)句子的互相作用。基于規(guī)則方法的缺點(diǎn)是它們無法處理除比較短的以及直接陳述以外的任何句子，而基于規(guī)則的方法能夠處理的句子在正常的生物醫(yī)學(xué)文獻(xiàn)中是相當(dāng)少的。這種方法忽視了句子結(jié)構(gòu)的很多重要方面，比如句子的語氣、情態(tài)和否定，而這些都可以顯著改變甚至完全顛倒句子的意思。

2.3 基于機(jī)器學(xué)習(xí)和統(tǒng)計(jì)的方法

在生物信息學(xué)領(lǐng)域，已經(jīng)應(yīng)用了很多機(jī)器學(xué)習(xí)方法，這些方法涵蓋了從在術(shù)語共現(xiàn)基礎(chǔ)上推斷術(shù)語間關(guān)系的簡單方法到采用NLP技術(shù)的復(fù)雜方法。

很多以蛋白質(zhì)名稱共現(xiàn)的發(fā)現(xiàn)為基礎(chǔ)的機(jī)器學(xué)習(xí)和統(tǒng)計(jì)方法已經(jīng)被用于PPI信息抽取，如果以挖掘單位為基礎(chǔ)，它們可以被進(jìn)一步分為三種類型，如摘要、句子等。后來的系統(tǒng)采用了其他的技術(shù)，如隱馬爾科夫模型和支持向量機(jī)來識(shí)別描述PPI的句子。一般來說，使用基于機(jī)器學(xué)習(xí)和統(tǒng)計(jì)的方法檢測(cè)PPI的過程可以被分為三個(gè)階段：建立訓(xùn)練和測(cè)試語料庫、構(gòu)建判別詞和通過討論P(yáng)PI的可能性對(duì)測(cè)試語料庫中的每個(gè)摘要進(jìn)行評(píng)分。

一般來說，基于蛋白質(zhì)共現(xiàn)的簡單統(tǒng)計(jì)方法往往不能精確地描述蛋白質(zhì)間的關(guān)系，因而會(huì)產(chǎn)生比較低的F1值。相反，復(fù)雜的統(tǒng)計(jì)模型需要大量訓(xùn)練數(shù)據(jù)估計(jì)模型參數(shù)，但這在實(shí)際應(yīng)用中通常難以實(shí)現(xiàn)。在實(shí)際應(yīng)用中，許多現(xiàn)存的系統(tǒng)都采用了結(jié)合來自兩個(gè)或更多上面所提方法的混合方法以獲得較好的性能。

3 所面臨的挑戰(zhàn)和可能的解決方案

在不久的將來，知識(shí)發(fā)現(xiàn)工具將在系統(tǒng)生物學(xué)中起到關(guān)鍵的作用。近些年來，生物醫(yī)學(xué)的信息抽取已經(jīng)從簡單的基于規(guī)則的模式匹配發(fā)展到復(fù)雜的、應(yīng)用計(jì)算語言學(xué)技術(shù)的混合解析器。但是知道現(xiàn)在，仍存在一些諸如性能差、無法處理生物實(shí)體間可變關(guān)系以及被抽取的知識(shí)自相矛盾等障礙，以后的發(fā)展，必將以解決這些問題作為首要的問題。

［1］陳謀通，劉建軍.蛋白質(zhì)相互作用的研究方法［J］.生物技術(shù)通報(bào)，2009.

［2］冀俊忠，劉志軍，劉紅欣等.蛋白質(zhì)相互作用網(wǎng)絡(luò)功能模塊檢測(cè)的研究綜述［J］.自動(dòng)化學(xué)報(bào)，2014，40（04）：577-593.

［3］劉念，馬長林，張勇等.基于樹核的蛋白質(zhì)相互作用關(guān)系提取的研究［J］.華中科技大學(xué)學(xué)報(bào) （自然科學(xué)版），2013（02）.

10.16640/j.cnki.37-1222/t.2016.20.207