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(zhǎng)。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(guò)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(shū)籍和技術(shù)報(bào)告中。迄今為止，超過(guò)1600萬(wàn)此類文章的引用可以在MEDLINE數(shù)據(jù)庫(kù)中獲得，并且還建立了許多數(shù)據(jù)庫(kù)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(kù)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(kāi)發(fā)了很多系統(tǒng)來(lái)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(shuō)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(jiǎn)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(yǔ)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(yǔ)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(yǔ)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(yǔ)言學(xué)的方法

基于計(jì)算語(yǔ)言學(xué)的方法采用語(yǔ)言學(xué)技術(shù)從句子中提取語(yǔ)法結(jié)構(gòu)或語(yǔ)義。在這種方法中，首先對(duì)語(yǔ)料庫(kù)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(yǔ)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(guò)犧牲分析的完整性和深度來(lái)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(jiǎn)單的二元關(guān)系方面表現(xiàn)良好，但是無(wú)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(lái)說(shuō)，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(yǔ)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(guò)人工定義語(yǔ)法的唯理論方法和通過(guò)觀察自動(dòng)生成語(yǔ)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(lái)說(shuō)，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(guò)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(wú)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(yǔ)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(yǔ)共現(xiàn)基礎(chǔ)上推斷術(shù)語(yǔ)間關(guān)系的簡(jiǎn)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(lái)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(lái)識(shí)別描述PPI的句子。一般來(lái)說(shuō)，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(guò)程可以被分為三個(gè)階段：建立訓(xùn)練和測(cè)試語(yǔ)料庫(kù)、構(gòu)建判別詞和通過(guò)討論P(yáng)PI的可能性對(duì)測(cè)試語(yǔ)料庫(kù)中的每個(gè)摘要進(jìn)行評(píng)分。

一般來(lái)說(shuō)，基于蛋白質(zhì)共現(xiàn)的簡(jiǎn)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(lái)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(lái)，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(lái)，生物醫(yī)學(xué)的信息抽取已經(jīng)從簡(jiǎn)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(yǔ)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(wú)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(wèn)題作為首要的問(wèn)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(zhǎng)林，張勇等.基于樹(shù)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