生物實(shí)體關(guān)系抽取及知識(shí)庫(kù)的構(gòu)建.pdf

1、隨著高通量測(cè)序技術(shù)的應(yīng)用，越來(lái)越多的生物分子實(shí)驗(yàn)成果和臨床醫(yī)學(xué)的成果以文本的形式發(fā)表，使得該領(lǐng)域產(chǎn)生了海量的生物醫(yī)學(xué)文獻(xiàn)。這些文獻(xiàn)雖然包含有大量的生物醫(yī)學(xué)知識(shí)，但是它們都是以無(wú)結(jié)構(gòu)的自由文本狀態(tài)存在，難以為人類所利用。生物文本挖掘技術(shù)就是從海量的生物文本中抽取關(guān)鍵信息，并轉(zhuǎn)化成人類可以理解的結(jié)構(gòu)化知識(shí)，存儲(chǔ)在方便訪問(wèn)的知識(shí)庫(kù)中，為相關(guān)領(lǐng)域的科研工作者提供查詢，預(yù)測(cè)，知識(shí)發(fā)現(xiàn)的服務(wù)。
　　本文研究了從大量生物文本中抽取特定生物實(shí)體關(guān)

2、系的方法，并根據(jù)抽取的生物實(shí)體關(guān)系構(gòu)建了一個(gè)知識(shí)庫(kù)。主要的研究可分為兩個(gè)部分，一個(gè)是生物實(shí)體關(guān)系抽取，另外一個(gè)是生物實(shí)體關(guān)系知識(shí)庫(kù)的構(gòu)建。在第一部分，首先從MEDLINE文獻(xiàn)數(shù)據(jù)庫(kù)下載最近五年的相關(guān)文獻(xiàn)，經(jīng)過(guò)了去除標(biāo)記，分詞分句，篩選文本，句法分析等預(yù)處理過(guò)程；然后然后用領(lǐng)域工具識(shí)別文本中的相關(guān)實(shí)體名稱，我們所研究的生物實(shí)體有protein，DNA，RNA，cell line，和cell type五個(gè)類別；接著運(yùn)用自然語(yǔ)言處理技術(shù)實(shí)現(xiàn)實(shí)

3、體之間關(guān)系的抽取。第二部分的知識(shí)庫(kù)構(gòu)建階段，主要采用了相關(guān)的Web數(shù)據(jù)庫(kù)開(kāi)發(fā)技術(shù)。知識(shí)庫(kù)系統(tǒng)架構(gòu)采用B/S結(jié)構(gòu)，使用MyEclipse作為開(kāi)發(fā)平臺(tái)，后臺(tái)數(shù)據(jù)庫(kù)使用開(kāi)源的MySQL。在Web頁(yè)面開(kāi)發(fā)中選擇了JSP動(dòng)態(tài)網(wǎng)頁(yè)技術(shù)。知識(shí)庫(kù)的功能包括：實(shí)體關(guān)系的查詢以及它們的文本證據(jù)的檢索，相關(guān)的統(tǒng)計(jì)信息等。
　　本文運(yùn)用自然語(yǔ)言處理技術(shù)和Web數(shù)據(jù)庫(kù)開(kāi)發(fā)技術(shù)完成了從大量生物文獻(xiàn)中抽取生物實(shí)體關(guān)系并構(gòu)建了一個(gè)語(yǔ)義關(guān)系知識(shí)庫(kù)。該知識(shí)庫(kù)可以為相