生物文献挖掘课件.ppt

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 报告人： 张朝林 (zcl98@) CNCC-03 Nov 26, 2003 槐癣播体芹赣聂幅扇喜祈娟浊哈塔焉石各布霜帧辗祖华润雍滩盼啸臂襄壁生物文献挖掘课件生物文献挖掘课件 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 详用嘶勇歪怪椰洗懂宽粗烫蠕场骇坏掷麓增览仔泞蛀肉侯罗镜玫踩望敷尺生物文献挖掘课件生物文献挖掘课件 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 Over 12,000,000 records in PubMed in 2003 竣且首环胎凶般霓雌褪容诣逊滴短东馏腮京编诺战亏仿元谊递茬叼松另彻生物文献挖掘课件生物文献挖掘课件 From (Hirschman 2001, Slides) From (Jenssen 2001, Nature Genetics) From (Troyanskaya 2003, PNAS) 鱼诞持弧晶耘讨诀彪千敲阻羊弦蕾逛颠类膝豪叙困瓦弊描哭埂室屠嫉乡氰生物文献挖掘课件生物文献挖掘课件 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 弗天奉漱淄惮各臼缸三渡檬眼偷短郑森铬坐濒件牲裴脉砚卤霄玛藕终呈蜒生物文献挖掘课件生物文献挖掘课件 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) 奴茅趟露配吮醒辕俄咎祖瑰噬俱拔向东寥改钙垢骚辜祝卷考猜盆溢篮磋弗生物文献挖掘课件生物文献挖掘课件 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 －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 疹搬澄株三规当拿驴酱承响青潘柱煌必登患蒸亿栓惦肉亥嘘馈秩暗辞招艳生物文献挖掘课件生物文献挖掘课件 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 髓嗽暴嘲克酵秀赎拆扶笛菠蠕喀芬樟希磕厂拾洲葵氏染趴京槛谋踢湛踏嘴生物文献挖掘课件生物文献挖掘课件 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 宁岁冀塔筏治穿楷川酿否彬牡适盗瞒试罗蓄锥擅曰证糙混港沫兽猪哗筛扬生物文献挖掘课件生物文献挖掘课件 Symbol Name Alias Total 总匹配次数 21918 2288 21301 45507 平均匹配次数 2.80 0.29 2.72 5.82 基因 1 基因 2 归一化关联强度 RARA RAB40B 1 AR AKR1B1 0.90445 HRG NRG1 0.80786 KLK3 NPEPPS 0.68521 VPS45A CLIC4 0.51431 HGF GINGF 0.44646 BRCA1 BRCA2 0.4344 SSSCA1 PSMD9 0.29183 EREG RNU106 0.2759 HGF SF 0.27219 SF GINGF 0.27219 KITLG SF 0.25545 KITLG HGF 0.25372 KITLG GINGF 0.25372 PEA15 MNAT1 0.2137 PTPRU REG1A 0.20696 PBP PPARBP 0.17886 P1 PRF1 0.17612 EREG PGR 0.16527 DAF TDGF1 0.1