生物文献挖掘.pptVIP

通过文献挖掘建立乳腺癌相关基因关联网络的研究 张朝林 张学工 马熹 李衍达 生物信息学教育部重点实验室/清华大学 自动化系/北京/100084 提纲 为什么要研究生物文献挖掘-Motivation 生物文献挖掘的困难所在-Challenges 实现方法-Methods 利用文献挖掘分析乳腺癌文献-Application 讨论和展望-Discussion 为什么要研究生物文献挖掘 信息的整合 生物数据的自动标注 和其他高通量数据结合 知识的结构化表示 人机界面和智能查询 生物文献挖掘的困难所在 基因/蛋白质名称识别的困难 名称的不完全标准化 一个基因可能有多个名称 同一个名称可能指多个基因/蛋白 MUC (Message Understanding Conference ) 名称识别和标记的规范 基因/蛋白功能，相互关系的困难 定义限制性词集 (Corpus) 复杂的自然语言处理(NLP) 结果的可视化 实现方法 目标 自动发现特定领域基因之间的关联 假设 共同出现频率反映基因之间的关联 特定文献集合中的共同出现频率反映特定领域基因之间的关联 基因/蛋白质名称列表 HUGO(http://www.gene.ucl.ac.uk /public-files/nomen/nomeids.txt) 基因代号(Symbol) 基因名称或简单描述(Name) 非标准常用别名(Alias) 实现方法 (2) 基因名称匹配 Hash表 正则表达式 基因关联的度量 实现方法 (3) 基因关联的推理 可传递性 最短路 聚类发现 最小生成树算法 可视化 Graphviz? MDS 利用文献挖掘分析乳腺癌文献 文献集合 关键词：“breast”, “cancer”和“gene” PubMed文献摘要记录7824条 基因列表 14615个人类基因 统计结果 1439个基因在文献中匹配到至少一次 频率最高128个基因，它们的出现频率共占总频率的75.5% , 前256(17.9%)个基因即占84.7% 8387对基因具有非零关联强度 利用文献挖掘分析乳腺癌文献 (2) 选取关联强度阈值0.03（保留总强度的51.8%） 得到两个基因以上的子网络共80个 最大的类共24个基因 它们之间有135对基因有非零的归一化关联强度 大于阈值0.03的有33对 27对在原文找到了相应的描述 讨论和展望 更准确的基因名称识别 语义分析和词频统计的结合 发现基因关联的具体含义：激活/抑制/并列 文献挖掘和基因芯片数据等的结合 * 报告人： 张朝林 (zcl98@) CNCC-03 Nov 26, 2003 Over 12,000,000 records in PubMed in 2003 From (Hirschman 2001, Slides) From (Jenssen 2001, Nature Genetics) From (Troyanskaya 2003, PNAS) －第i个基因在第k篇文献中的出现频率 －基因 在第k篇文献中的加权频率 －关联平衡因子 5.82 2.72 0.29 2.80 平均匹配次数 45507 21301 2288 21918 总匹配次数 Total Alias Name Symbol 0.1647 TDGF1 DAF 0.16527 PGR EREG 0.17612 PRF1 P1 0.17886 PPARBP PBP 0.20696 REG1A PTPRU 0.2137 MNAT1 PEA15 0.25372 GINGF KITLG 0.25372 HGF KITLG 0.25545 SF KITLG 0.27219 GINGF SF 0.27219 SF HGF 0.2759 RNU106 EREG 0.29183 PSMD9 SSSCA1 0.4344 BRCA2 BRCA1 0.44646 GINGF HGF 0.51431 CLIC4 VPS45A 0.68521 NPEPPS KLK3 0.80786 NRG1 HRG 0.90445 AKR1B1 AR 1 RAB40B RARA 归一化关联强度 基因 2 基因 1 * Sheet3 Sheet2 Sheet1 Chart1 ?1997?/?1?/?1 163.00 75.00 ?1997?/?2?/?1 436.00 74.00 ?1997?/?3?/?1 817.00 73.00 ?1997?/?4?/?1 1199.00 72.00 ?1997?/?5?/?1 1580.00 71.00 ?1997?/?6?/?1 1962.00 70.00 ?1997?/?7?/?1 2834.00 69.00 ?1997?/