轉(zhuǎn)錄調(diào)控信息文本挖掘算法及實現(xiàn).pdf

1、隨著轉(zhuǎn)錄調(diào)控領(lǐng)域相關(guān)數(shù)據(jù)則增加,國際上已出現(xiàn)有關(guān)調(diào)控區(qū),調(diào)控單元和轉(zhuǎn)錄因子和結(jié)合位點的數(shù)據(jù)庫,比較著名的有Transfac,Trrd,Jaspar等。然而大量的有關(guān)于轉(zhuǎn)錄調(diào)控信息主要以文獻(xiàn)形式存在于各文獻(xiàn)大數(shù)據(jù)庫中,比較大的生物文獻(xiàn)數(shù)據(jù)庫有PubMed,Medline等。如何從大量的生物文獻(xiàn)中挖掘轉(zhuǎn)錄調(diào)控信息是一項巨大的挑戰(zhàn)。目前,從生物文獻(xiàn)中挖掘轉(zhuǎn)錄調(diào)控信息主要以人工閱讀為主,人工閱讀的方式準(zhǔn)確率高,但是效率相對較低、需要耗費大量的人

2、力。本文在數(shù)據(jù)挖掘、信息檢索、自然語言處理技術(shù)等基礎(chǔ)上提出兩個主要算法,旨在能夠利用計算機(jī)自動化地從生物文獻(xiàn)中挖掘轉(zhuǎn)錄因子、轉(zhuǎn)錄因子結(jié)合位點信息,從而為生物領(lǐng)域的工作者提供一定的幫助。
　　 第一個算法用于挖掘生物文獻(xiàn)中那些描述轉(zhuǎn)錄因子結(jié)合位點所在句子。該算法利用經(jīng)過人工閱讀標(biāo)注的文本句子作為訓(xùn)練數(shù)據(jù),將信息檢索中的空間向量模型VSM進(jìn)行擴(kuò)展、構(gòu)造一個“問題網(wǎng)”Qnet。該“問題網(wǎng)”Qnet用一個有向圖來表示,每個節(jié)點代表句子中

3、的具有特定詞性POS的特征詞、每條邊則代表句子中的二元短語,經(jīng)過訓(xùn)練的“問題網(wǎng)”Qnet可以大致地反映那些描述轉(zhuǎn)錄因子結(jié)合位點句子的描寫特征。對于待挖掘的文本句子,只需將其要與“問題網(wǎng)'Qnet進(jìn)行句子相似性打分,那些得分較高的句子則被認(rèn)為是“問題網(wǎng)”Qnet的正確解答,即轉(zhuǎn)錄因子結(jié)合位點句子。
　　 第二個算法在“問題網(wǎng)”Qnet算法的基礎(chǔ)上進(jìn)行了改進(jìn)。算法首先利用人工標(biāo)注的文本句子構(gòu)造轉(zhuǎn)錄調(diào)控信息上下文無關(guān)文法CFG,利用動

4、態(tài)優(yōu)化算法Earley剖析句子中的名詞短語、動詞短語、形容詞短語、介詞短語。根據(jù)轉(zhuǎn)錄因子、轉(zhuǎn)錄因子結(jié)合位點所在的名詞短語分析連接它們的動詞短語特征,這些動詞短語特征將被作為描述轉(zhuǎn)錄調(diào)控動作的知識庫模型VPK。對于待挖掘的文本句子,首先轉(zhuǎn)化為擴(kuò)展的特征向量EV,然后與訓(xùn)練好的“問題網(wǎng)”Qnet進(jìn)行向量的余玄值計算,那些相似性較高的句子才進(jìn)入句子剖析階段,否則相似性低的句子將被忽略。利用Earley算法得到該句子的名詞短語、動詞短語等,那些

5、出現(xiàn)在名詞短語中的中心名詞將作為轉(zhuǎn)錄因子、結(jié)合位點的候選,而連接名詞短語的動詞短語則需要與VPK比較,只有那些匹配成功的動詞短語,我們再展開其所在句子的名詞短語中的中心詞作為相應(yīng)的轉(zhuǎn)錄因子、轉(zhuǎn)錄因子結(jié)合位點。
　　 所有算法利用Java作為實現(xiàn)語言,并且開發(fā)成圖形化工具。經(jīng)過試驗證明,本文提出的兩個算法的查全率和查準(zhǔn)率都可以控制在60％以上。這里,實驗所采用的數(shù)據(jù)量相對較小,原因是文本句子訓(xùn)練數(shù)據(jù)和挖掘的結(jié)果評估都要大量的人工參