Luận văn: Phương pháp Hybrid tìm kiếm Phenotype trong văn bản di truyền (ĐH Công nghệ - ĐHQGHN)

Luận văn thạc sĩ: Phương pháp lai tìm kiếm ứng viên kiểu hình trong văn bản di truyền. Nghiên cứu kết hợp các kỹ thuật để xác định kiểu hình tiềm năng hiệu quả.

Chuyên ngành

Computer Science

Người đăng

Ẩn danh

Thể loại

Master Thesis

2012

60
0
0

Phí lưu trữ

30 Point

Mục lục chi tiết

ORIGINALITY STATEMENT

ABSTRACT

ACKNOWLEDGEMENTS

Table of Contents

TABLE OF CONTENTS

List of Figures

List of Tables

List of Abbreviations

1. Chapter 1 Introduction

1.1. Motivation and problem definition

2. Phenotype definition

3. The challenges of phenotype entity recognition

2. Chapter 2 Related works

2.1. Useful resources

2.1.1. GENIA and JNLPBA corpora

4. Experimental results and evaluation

4.2. Experiments on the KMR corpus

4.3. Experiments on the Phenominer corpus

5. Conclusion

Tóm tắt

I. Tổng Quan Về Tìm Kiếm Phenotype Từ Văn Bản Di Truyền

Trong thập kỷ qua, y sinh học đã phát triển vượt bậc. Số lượng lớn các bài báo y sinh được công bố hàng ngày, tạo ra lượng thông tin khổng lồ. Do sự gia tăng nhanh chóng của tài liệu y sinh có sẵn trên web, việc trích xuất thông tin y sinh ngày càng trở nên quan trọng. Biomedical Named Entity Recognition (NER) là một nhiệm vụ con của trích xuất thông tin y sinh, là một bước cơ bản và có thể ảnh hưởng đến kết quả của các nhiệm vụ khác. NER y sinh là một kỹ thuật tính toán được sử dụng để xác định và phân loại các chuỗi văn bản (đề cập) chỉ định các khái niệm quan trọng trong y sinh học. Là giai đoạn đầu tiên trong liên kết ngữ nghĩa tích hợp kiến thức giữa văn học và cơ sở dữ liệu có cấu trúc, điều quan trọng là tối đa hóa hiệu quả của bước này. Luận án này tập trung vào phân tích và xác định một lớp thực thể mới: phenotype. Theo Hoehndorf et al. (2010), phenotype rất quan trọng cho việc phân tích các cơ chế phân tử cơ bản của bệnh; nó cũng được kỳ vọng sẽ đóng một vai trò quan trọng trong việc suy luận chức năng gen trong các bệnh di truyền phức tạp. Hai suy nghĩ thúc đẩy công việc của chúng tôi là: (1) Cộng đồng quản lý cơ sở dữ liệu đã bày tỏ mong muốn lập chỉ mục thực thể toàn văn bản và bao gồm phenotype (Dowell et al., 2009; Hirschman et al., 2012), và (2) Y sinh học đang nhanh chóng tiến tới tích hợp dữ liệu quy mô đầy đủ, mở ra khả năng hiểu các bệnh di truyền phức tạp do gen gây ra. Các nghiên cứu liên kết liên quan đến phenotype được coi là quan trọng để đạt được tiến bộ (Lage et al., 2007; Wu et al.

1.1. Tầm Quan Trọng Của Phân Tích Phenotype Từ Dữ Liệu Di Truyền

Việc phân tích phenotype từ văn bản di truyền đóng vai trò then chốt trong việc giải mã các cơ chế phân tử phức tạp liên quan đến bệnh tật. Thông tin phenotype giúp các nhà nghiên cứu xác định các gen chịu trách nhiệm cho các đặc điểm quan sát được và hiểu cách các gen này tương tác với môi trường để tạo ra các biểu hiện khác nhau. Điều này đặc biệt quan trọng trong bối cảnh các bệnh di truyền phức tạp, nơi nhiều gen và yếu tố môi trường có thể đóng góp vào một kiểu hình cụ thể. Việc trích xuất hiệu quả thông tin phenotype từ văn bản di truyền có thể đẩy nhanh quá trình khám phá gen bệnh và phát triển các phương pháp điều trị mục tiêu hơn.

1.2. Định Nghĩa Phenotype và Thách Thức Trong Nhận Dạng

Không giống như các gen hoặc cấu trúc giải phẫu, phenotype và các đặc điểm của chúng là các khái niệm phức tạp và không cấu thành một lớp đối tượng đồng nhất (i. Các đặc điểm như 'màu mắt', 'nhóm máu', 'nồng độ hemoglobin' hoặc 'cau mày trên khuôn mặt' mô tả các cấu trúc hình thái, quá trình sinh lý và hành vi. Khi phẩm chất hoặc số lượng của các đặc điểm được sử dụng để mô tả một sinh vật cụ thể thì chúng ta có các mô tả kiểu hình, ví dụ: 'mắt xanh', 'nhóm máu AB', 'không có nồng độ hemoglobin từ 13 đến 18 gm/dl'. Gần đây, đã có rất ít nỗ lực cung cấp các tiêu chuẩn tích hợp dữ liệu cho phenotype. Điều này có nghĩa là các mô tả kiểu hình có xu hướng dành riêng cho tác giả/nghiên cứu và các kết quả sinh học có thể không được khám phá nếu các thuật ngữ được sử dụng nằm ngoài lĩnh vực nghiên cứu tức thì của tác giả (Bard and Rhee, 2004).

II. Khó Khăn Trong Trích Xuất Phenotype Từ Văn Bản Sinh Học

Không giống như NER trong lĩnh vực newswire, NER trong lĩnh vực y sinh vẫn là một thách thức khó hiểu. NE y sinh nói chung không tuân theo bất kỳ quy tắc đặt tên nào và có thể bao gồm các từ ghép dài hoặc các chữ viết tắt ngắn. Một số thậm chí chứa nhiều ký hiệu khác nhau hoặc các biến thể chính tả. Chúng tôi tóm tắt một số thách thức đối với BF NER dưới đây (một số trong số đó là những khó khăn của NER trong lĩnh vực y sinh được Lin et al. (2004) đề cập đến)

2.1. Nhận Dạng Từ Vựng Không Xác Định Trong Văn Bản Di Truyền

Một trong những thách thức lớn nhất trong việc trích xuất phenotype từ văn bản di truyền là sự xuất hiện của các từ vựng không xác định. Các từ vựng này có thể là các từ viết tắt, từ viết tắt hoặc các từ chứa dấu gạch nối, chữ số, chữ cái và chữ cái Hy Lạp. Hơn nữa, việc sử dụng nhiều từ đồng nghĩa và từ đồng âm làm cho việc nhận dạng trở nên khó khăn hơn. Điều này đòi hỏi các phương pháp NER phải có khả năng xử lý hiệu quả các từ vựng mới và không quen thuộc.

2.2. Xác Định Ranh Giới Thực Thể Trong Phân Tích Phenotype

Ranh giới của một NE có thể là một từ tiếng Anh thông thường, từ không xác định, số La Mã hoặc chữ số. BF có thể áp dụng ở tất cả các cấp độ chi tiết giải phẫu từ cấu trúc hóa học đến tế bào và cơ quan, gây khó khăn cho việc xác định nơi vẽ ranh giới. Ngoài ra, NE lồng nhau (NE được nhúng trong một NE khác) làm phức tạp thêm vấn đề này: BF có thể chứa GGP, bệnh tật và thậm chí cả sinh vật.

2.3. Phân Loại Thực Thể Đặt Tên Cho Phân Tích Ngữ Nghĩa

Sau khi một NE được xác định, nó sẽ được phân loại thành một danh mục như GGP, giải phẫu, BF, v.v. Sự mơ hồ và mâu thuẫn thường gặp phải ở giai đoạn này. NE có các tính năng chính tả giống nhau có thể thuộc các danh mục khác nhau (ví dụ: có một sự mơ hồ lớn giữa BF và bệnh tật). Ngoài ra, các thực thể BF vốn khó phân tích hơn do ngữ nghĩa, quy mô và cấu trúc phức tạp của chúng:

III. Phương Pháp Hybrid Tìm Kiếm Phenotype Giải Pháp Tối Ưu

Do động lực và thách thức của việc nhận dạng phenotype, những đóng góp chính của luận án này là: (1) Cung cấp ngữ nghĩa hoạt động để xác định các ứng cử viên phenotype trong văn bản, (2) Giới thiệu một bộ hướng dẫn và một kho ngữ liệu được chú thích dựa trên tuyển chọn 19 bệnh tự miễn dịch có ý nghĩa lâm sàng từ The Online Mendelian Inheritance of Man (OMIM) (Hamosh et al., 2005), một trong những cơ sở dữ liệu gen-bệnh được sử dụng rộng rãi nhất, và (3) Để giảm thiểu sự biến đổi ngôn ngữ trong khi vẫn đáp ứng các kỳ vọng khái niệm của các nhà sinh vật học, chúng tôi đề xuất một giải pháp thực thể được đặt tên mới sử dụng suy luận thống kê và các tài nguyên do con người tạo ra bên ngoài. Phần còn lại của luận án này được tổ chức như sau. Trong chương thứ hai, chúng tôi trình bày một số nghiên cứu liên quan và các tài nguyên hữu ích. Chương tiếp theo mô tả kho ngữ liệu Phenominer phiên bản 1.0 và phương pháp được đề xuất của chúng tôi để nhận dạng ứng cử viên phenotype. Sau đó, kết quả thực nghiệm, đánh giá và thảo luận nằm trong chương 3. Cuối cùng, chương 4 là kết luận.

3.1. Kết Hợp Học Máy và Nguồn Kiến Thức Ưu Điểm Vượt Trội

Phương pháp hybrid tận dụng sức mạnh của cả học máy và nguồn kiến thức để đạt được độ chính xác và khả năng bao phủ cao hơn trong việc tìm kiếm phenotype. Học máy cho phép hệ thống học hỏi từ dữ liệu đã được chú thích và nhận dạng các mẫu phức tạp trong văn bản, trong khi nguồn kiến thức cung cấp thông tin ngữ nghĩa và từ vựng bổ sung để cải thiện độ chính xác và khả năng khái quát hóa.

3.2. Chi Tiết Mô Hình Hybrid Học Máy Tri Thức và Hợp Nhất Kết Quả

Hệ thống đầy đủ mà chúng tôi đã phát triển (được chỉ định trong Kết quả là Hybrid) sử dụng các phương pháp học máy và dựa trên kiến thức, kết hợp với một mô-đun Hợp nhất dựa trên quy tắc. Điều này được minh họa trong Hình 3. Là cơ sở cho việc so sánh nhận dạng BF, chúng tôi sử dụng phương pháp của Khordad et al. (2011) để nhận dạng phenotype, được chỉ định trong Kết quả là 'Khordad' và trong Hình 3.2 là mô-đun Khớp quy tắc. Là cơ sở cho GGP, chúng tôi sử dụng phương pháp của GENIA tagger (Tsuruoka et al., 2005), chúng tôi đào tạo một mô hình học máy bằng cách sử dụng cùng một kho ngữ liệu và bộ tính năng với GENIA tagger và gọi nó là 'GENIA' trong Kết quả. Dưới đây, chúng tôi mô tả ngắn gọn các mô-đun và tài nguyên thành phần của nó.

IV. Ứng Dụng Thực Tế Đánh Giá Phương Pháp Hybrid Trên Dữ Liệu

Sử dụng mô hình hybrid được đề xuất được mô tả trong chương 3, luận án này thực hiện các thử nghiệm trên hai kho ngữ liệu: kho ngữ liệu KMR (phần 2.6) và kho ngữ liệu phenominer (phần 3. Các thử nghiệm được xây dựng để nhận dạng các thực thể BF và GGP và sử dụng phương pháp của Khordad et al. (2011) làm phương pháp cơ sở BF cũng như GENIA tagger (Kim et al., 2003) làm phương pháp cơ sở GGP. Trong chương này, phần 4.1 liệt kê các số liệu chúng tôi đã sử dụng trong các thử nghiệm. 2 hiển thị kết quả thử nghiệm trên kho ngữ liệu KMR, phần 4.3 hiển thị kết quả thử nghiệm trên kho ngữ liệu Phenominer. Sau đó, trong phần 4.4, chúng tôi đưa ra một số thảo luận về kho ngữ liệu và kết quả.

4.1. Thử Nghiệm trên Corpus KMR So Sánh Các Mô Hình

Thử nghiệm ban đầu của chúng tôi được thực hiện trên kho ngữ liệu KMR với điểm số đo F1 được hiển thị trong Bảng 4. Vì kho ngữ liệu chỉ chứa các thẻ phenotype, nên không có kết quả GGP nào được hiển thị. Bảng 4.1 là sơ đồ cột hiển thị kết quả thử nghiệm trên kho ngữ liệu KMR. HMM chỉ sử dụng các tính năng truyền thống như tính năng từ vựng và ngữ cảnh khi CRF sử dụng các tính năng thẻ MetaMap và thẻ GENIA, kết quả của trình gắn thẻ CRF (F:68.29) tốt hơn nhiều so với HMM (F:34.07) cho thấy đóng góp của các tính năng mới của chúng tôi. Dựa trên kết quả này, chúng tôi chọn CRF làm trình gắn thẻ học máy để hợp nhất với trình gắn thẻ dựa trên kiến thức trong mô-đun hợp nhất.

4.2. Kết Quả Thử Nghiệm Trên Phenominer Corpus

Các kết quả được hiển thị trong Bảng 4. Các sơ đồ cột 3 là các sơ đồ cột hiển thị kết quả thử nghiệm trên các thực thể BF và các thực thể GGP trên kho ngữ liệu Phenominer. Đối với bộ dữ liệu Phenominer, chúng tôi đã chọn thêm trình gắn thẻ GENIA NER được đào tạo trên kho ngữ liệu JNLPBA-04 làm cơ sở cho GGP. Lưu ý rằng chúng tôi cũng đã sử dụng dữ liệu kho ngữ liệu này để đào tạo một trình gắn thẻ GGP và kết hợp đầu ra của nó làm tính năng 'thẻ GENIA' (GE) cho trình gắn thẻ CRF. Phương pháp của Khordad vẫn là cơ sở của chúng tôi cho phenotype. Kết quả cuối cùng của hệ thống Hybrid là F1: 75.23 cho GGP, F1 trung bình vi mô: 84.01 và F1 trung bình vĩ mô: 79.80 cho cả hai thực thể.

4.3. Phân Tích Chi Tiết Lỗi Trong Thử Nghiệm

Bảng 4.3 xem xét các ví dụ trong kho ngữ liệu Phenominer nơi phương pháp Hybrid không đồng ý với Khordad et al. Trong bảng, đầu ra mô hình Hybrid đồng ý với kho ngữ liệu được chú thích và cột Vấn đề đề cập đến chú thích Khordad. Chúng ta thấy đặc biệt rằng sự khác biệt trong ngữ nghĩa lược đồ chiếm nhiều lỗi. Lược đồ Phenominer cho các tính năng cơ thể không bao gồm đề cập đến bệnh tật và các thực thể giải phẫu đơn giản, nhưng chúng đôi khi có thể được coi là phenotype theo HPO. Rõ ràng, một khái niệm về các mối quan hệ ngữ nghĩa thành phần giữa các loại trong các thuật ngữ là quan trọng để giải quyết đầy đủ sự khác biệt về điểm số.

V. Bàn Luận Về Dữ Liệu và Kết Quả Điểm Mạnh và Hạn Chế

Luận án này có hai đóng góp chính: kho ngữ liệu được chú thích và mô hình hybrid được đề xuất. Do đó, trong phần này, chúng tôi thảo luận về cả kho ngữ liệu (phần 4.1) và kết quả (phần 4.2) để phân tích những điểm mạnh, điểm tiềm năng cũng như những hạn chế của chúng tôi.

5.1. Đánh Giá Về Chất Lượng Của Corpus Phenominer KMR

Chúng tôi bắt đầu phân tích của mình với quan sát cần thiết rằng các kho ngữ liệu Phenominer và KMR không cung cấp một so sánh trực tiếp và do đó hữu ích nhất để làm nổi bật các lĩnh vực khó khăn. Điều quan trọng là như chúng tôi đã lưu ý trong chương 1, có vấn đề về tính nhân quả được mã hóa ngầm trong lược đồ của Khordad et al. (2011) và không có trong lược đồ của chúng tôi. Điều này có nghĩa là các tính năng cơ thể của chúng tôi có thể không có nguyên nhân di truyền hoặc môi trường. Cũng có vấn đề về độ chi tiết: lược đồ của chúng tôi phức tạp hơn vì nó mã hóa các tính năng cơ thể từ cấp độ di truyền trở lên trong khi Khordad et al. (2011) hoạt động ở cấp độ tế bào trở lên.

5.2. Giải Thích Kết Quả Thực Nghiệm Điểm Nổi Bật và Thách Thức

Các kết quả trên kho ngữ liệu Phenominer cho Hybrid (F1: 75.37 trên BF và F1 trung bình vi mô: 84.01 trên cả hai thực thể) rất đáng khích lệ và như chúng tôi hy vọng chứng minh sức mạnh của việc kết hợp một phương pháp học máy nhạy cảm ngữ cảnh nhẹ với tra cứu cơ sở kiến thức. Đối với thực thể GGP ít mơ hồ hơn, hệ thống Hybrid có kết quả tốt hơn so với thẻ GENIA. Kết quả vượt trội của hệ thống Hybrid này chứng minh tính hiệu quả của việc sử dụng danh sách Gen bổ sung và cả tính hiệu quả của kho ngữ liệu Phenominer làm bộ đào tạo. Các phương pháp NE hiện tại dựa trên phương pháp học tập hiện đại như CRF dường như rất phù hợp với các loại NE không phức tạp như GGP nhưng có thể ít hiệu quả hơn đối với các thực thể phức tạp như BF. Với quy mô nhỏ của kho ngữ liệu, chúng ta phải thận trọng trong kết luận này.

VI. Kết Luận Hướng Phát Triển Tìm Kiếm Phenotype Tương Lai

Bài viết này đã trình bày một phương pháp hybrid đầy hứa hẹn để tìm kiếm phenotype trong văn bản di truyền. Phương pháp này kết hợp sức mạnh của cả học máy và nguồn kiến thức để đạt được độ chính xác cao và khả năng mở rộng tốt. Tuy nhiên, vẫn còn nhiều hướng phát triển tiềm năng trong tương lai.

6.1. Tối Ưu Hóa Mô Hình Hybrid Các Bước Cải Thiện Hiệu Quả

Một hướng phát triển quan trọng là tối ưu hóa mô hình hybrid. Điều này có thể bao gồm việc tinh chỉnh các thuật toán học máy, cải thiện nguồn kiến thức hoặc phát triển các phương pháp hợp nhất kết quả thông minh hơn. Ngoài ra, việc khám phá các tính năng mới và các kiến trúc mô hình phức tạp hơn có thể mang lại những cải thiện đáng kể về hiệu suất.

6.2. Mở Rộng Phạm Vi Ứng Dụng Của Phương Pháp Tìm Kiếm

Một hướng phát triển tiềm năng khác là mở rộng phạm vi ứng dụng của phương pháp tìm kiếm phenotype. Điều này có thể bao gồm việc áp dụng phương pháp này cho các loại văn bản khác nhau, chẳng hạn như hồ sơ bệnh nhân hoặc bài đăng trên mạng xã hội. Ngoài ra, việc tích hợp phương pháp này với các công cụ phân tích dữ liệu di truyền khác có thể tạo ra những hiểu biết sâu sắc hơn về mối quan hệ giữa gen và phenotype.

24/09/2025

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY, HANOI UNIVERSITY OF ENGINEERING AND TECHNOLOGY LE HOANG QUYNH A HYBRID APPROACH TO FINDING PHENOTYPE CANDIDATES IN GENETIC TEXT MASTER THESIS Hanoi – 2012 TIEU LUAN MOI download : skknchat@gmail.com VIETNAM NATIONAL UNIVERSITY, HANOI UNIVERSITY OF ENGINEERING AND TECHNOLOGY LE HOANG QUYNH A HYBRID APPROACH TO FINDING PHENOTYPE CANDIDATES IN GENETIC TEXT Major : Computer Science Code : 60 48 01 MASTER THESIS Supervisor: Assoc. Ha Quang Thuy Hanoi – 2012 TIEU LUAN MOI download : skknchat@gmail.com A hybrid approach to finding phenotype candidates in genetic texts Le Hoang Quynh Faculty of Information Technology University of Engineering and Technology Vietnam National University, Hanoi Supervised by Associate Professor. Ha Quang Thuy A thesis submitted in fulfillment of the requirements for the degree of Master of Science in Computer Science November 2012 TIEU LUAN MOI download : skknchat@gmail.com 2 TIEU LUAN MOI download : skknchat@gmail.com ORIGINALITY STATEMENT ‘I hereby declare that this submission is my own work and to the best of my knowledge it contains no materials previously published or written by another person, or substan- tial proportions of material which have been accepted for the award of any other degree or diploma at University of Engineering and Technology (UET/Coltech) or any other educational institution, except where due acknowledgement is made in the thesis. Any contribution made to the research by others, with whom I have worked with at Univer- sity of Engineering and Technology and National Institute of Informatic (Tokyo, Japan) or elsewhere, is explicitly acknowledged in the thesis.

I also declare that the intellectual content of this thesis is the product of my own work, except to the extent that assistance from others in the project’s design and conception or in style, presentation and linguistic expression is acknowledged.’ Hanoi, November 10th , 2012 Signed. Le Hoang Quynh i TIEU LUAN MOI download : skknchat@gmail.com ABSTRACT Named entity recognition (NER) has been extensively studied for the names of genes and gene products but there are few proposed solutions for phenotypes. Phe- notype terms are expected to play a key role in inferring gene function in complex heritable diseases but are intrinsically difficult to analyse due to their complex se- mantics and scale. In contrast to previous approaches we evaluate state-of-the-art techniques involving the fusion of machine learning on a rich feature set with evi- dence from extant domain knowledge-sources.

The techniques are validated on two gold standard collections including a novel annotated collection of 112 abstracts de- rived from a systematic search of the Online Mendelian Inheritance of Man database for auto-immune diseases. Encouragingly the hybrid model outperforms a HMM, a CRF and a pure knowledge-based method to achieve an F1 of 75.37 for BF and micro average F1 of 84.01 for the whole system. Publications: • Mai-Vu Tran, Tien-Tung Nguyen, Thanh-Son Nguyen, Hoang-Quynh Le. Automatic Named Entity Set Expansion Using Semantic Rules and Wrappers for Unary Relations.

In Inter- national Conference on Asian Language Processing 2010. Harbin, China; December 28-30, 2010, DOI: http://doi.73 • Hoang-Quynh Le, Mai-Vu Tran, Nhat-Nam Bui, Nguyen-Cuong Phan and Quang- Thuy Ha. An Integrated Approach Using Conditional Random Fields for Named En- tity Recognition and Person Property Extraction in Vietnamese Text. In Proceedings of International Conference on Asian Language Processing 2011.

DOI: http://doi.37 • Nigel Collier, Mai-Vu Tran, Hoang-Quynh Le, Anika Oellrich, Ai Kawazoe, Martin Hall- May and Dietrich Rebholz-Schuhmann. A hybrid approach to finding phenotype candidates in genetic text. In The 24th conference on Computational Linguistics (COLING 2012). Accepted as long paper.

ii TIEU LUAN MOI download : skknchat@gmail.com ACKNOWLEDGEMENTS First and foremost, I would like to express my deep gratitude to my supervi- sor, Assoc. Ha Quang Thuy, for his patient guidance and continuous support throughout the years. He always appears when I need help, and responds to queries so helpfully and promptly. I would like to express my gratitude to the National Institute of Informatics (NII - Tokyo, Japan) for giving me a great chance working at NII in the NII International Internship program.

Then, I sincerely give my honest thanks and appreciation to Assoc. Collier, my internship supervisor at NII, for his great support. I would like to say thank you to all my teachers at university of Engineering and Technology (VNU), who bring me many knowledge and experiences. I also want to thank my colleagues at the Knowledge and Technology laboratory (UET, VNU) and my classmate for their enthusiasm and promptly help.

I sincerely acknowledge the Vietnam National University, NAFOSTED and the QG.38 project for some supporting finance to my master study. And thanks to all my friends who always be by my side and cheer me. Finally, this thesis would not have been possible without the support and love of my family. Thank you, mother and father.

Thanks brother and sister, thanks to my nephew. And thank you, my beloved husband. Again, thank you and love all of you so much ♥. iii TIEU LUAN MOI download : skknchat@gmail.com Table of Contents 1 Introduction 1 1.1 Motivation and problem definition .3 The challenges of phenotype entity recognition .1 GENIA and JNLPBA corpora .2 The online mendelian inheritance in man .3 The human phenotype ontology .4 The mammalian phenotype ontology .5 The unified medical language system .1 Baseline method: Khordad et al.2 Annotated data sources .2 Machine learning labeler .3 Knowledge-based labeler.

25 4 Experimental results and evaluation 29 4.2 Experiments on the KMR corpus. 31 iv TIEU LUAN MOI download : skknchat@gmail.com TABLE OF CONTENTS v 4.3 Experiments on the Phenominer corpus .1 Discussion on corpora .2 Discussion on results. 36 5 Conclusion 40 TIEU LUAN MOI download : skknchat@gmail.com List of Figures 2.1 A visual example of HPO hierarchical structure .2 A visual example of MP hierarchical structure .3 Khordad et al. (2011)’s system block diagram .1 An informal overview of bodily feature entity .2 Phenotype tagging architecture .3 Brat rapid annotation tool example .1 Column chart shows the experimental results on KMR corpus .2 Column chart shows the experimental results of BF entities on Phe- nominer corpus .3 Column chart shows the experimental results of GGP entities on Phe- nominer corpus.

34 vi TIEU LUAN MOI download : skknchat@gmail.com List of Tables 3.1 Referential semantics and scoping of mentions by entity type .2 List of auto-immune disease used to collect Phenominer corpus .3 Feature sets used in the machine learning labeler .4 Features exploited by the two learner models .1 Results for BF entity on the KMR corpus using models with partial matching .2 Results for each entity on the Phenominer corpus using models with partial matching .3 Sources of error by the Hybrid system on the KMR corpus.4 Sources of error by Khordad et al.’s system on the Phenominer corpus.5 Sources of error by the Hybrid system on the Phenominer corpus. 39 vii TIEU LUAN MOI download : skknchat@gmail.com List of Abbreviations BF Bodily feature CRF Conditional Random Field GGP Gene and gene product HMM Hidden Markov Model HPO the Human Phenotype Ontology KB Knowledge-based ML Machine learning MP the Mammalian Phenotype Ontology NE Named entity NER Named entity recognition viii TIEU LUAN MOI download : skknchat@gmail.com Chapter 1 Introduction 1.1 Motivation and problem definition During the last decade biomedicine has developed tremendously. Everyday a lot of biomedical papers are published and a great amount of information is produced. Due to the rapidly increasing amount of biomedical literature available on the Web, biomedical information extraction becomes more and more important.

Biomedical named entity recognition (NER) is a subtask of biomedical infor- mation extraction which is a fundamental step and can affect the results of others tasks. Biomedical NER is a computational technique used to identify and classify strings of text (mentions) that designate important concepts in biomedicine. As the first stage in the integrated semantic linking of knowledge between literature and structured databases it is critically important to maximize the effectiveness of this step. This thesis focuses on the analysis and identification of a new class of entity: phenotypes.

Follow Hoehndorf et al. (2010), phenotype is important for the analysis of the molecular mechanisms underlying disease; it is also expected to play a key role in inferring gene function in complex heritable diseases. Two thoughts motivate our work are: (1) The database curation community has expressed a wish for full text entity indexing and the inclusion of phenotypes (Dowell et al., 2009; Hirschman et al., 2012), and (2) Biomedicine is rapidly moving towards full-scale integration of data, opening up the possibility to understand complex heritable diseases caused by genes. Association studies involving phenotypes are considered important to making progress (Lage et al., 2007; Wu et al.

The ultimate goal of the work we present 1 TIEU LUAN MOI download : skknchat@gmail. Phenotype definition 2 here is to allow relations mined from sentences such as the one we annotated below to feed into novel hypothesis generation procedures. From Ex 1, the reader can easily infer a relation between ‘IgG1 disorder’ and three genes/gene products marked as GGP. Among [patients]ORGAN ISM with [systemic lupus erythematosus]DISEASE ([SLE]DISEASE ), those with the [IgG1 disorder]P HEN OT Y P E have a higher prevalence of high titre [rheumatoid factor]GGP and [antinuclear antibody]GGP , but a lower prevalence of [anti-double-stranded DNA (anti-dsDNA) antibodies]GGP above 30 U/ml.2 Phenotype definition Unlike genes or anatomic structures, phenotypes and their traits are complex concepts and do not constitute a homogeneous class of objects (i.

Traits such as ‘eye colour’, ‘blood group’, ‘hemoglobin concentration’ or ‘facial gri- macing’ describe morphological structures, physiological processes and behaviours. When qualities or quantities of traits are used to describe a specific organism then we have phenotypic descriptions, e. ‘blue eyes’, ‘blood group AB’, ‘not having between 13 and 18 gm/dl hemoglobin concentration’. Until recently, there has been little effort to provide data integration standards for phenotypes.

This means that phenotypic descriptions tend to be author/study specific and biological results may go undiscovered if the terms used lie outside an author’s immediate research area (Bard and Rhee, 2004). In some researches, it is simply called as ‘phenotypic information’ and authors do not give any specific def- inition for it (Hoehndorf et al. In CSI-OMIM system (Cohen et al., 2011), phenotypes are considered as genetic terms including clinical signs and symptoms. Freimer and Sabatti (2003) describe phenotypes as referring to ‘any morphologic, biochemical, physiological or behavioral characteristic of an organism.

All phe- notypic characteristicsrepresent the expression of particular genotypes combined with the effects of specific environmental influences’. Khordad et al. (2011) defines phe- notypes as ‘genetically-determined observable characteristics of a cell or organism, including the result of any test that is not a direct test of the genotype.A pheno- type of an organism is determined by the interaction of its genetic constitution and the environment’. TIEU LUAN MOI download : skknchat@gmail.

The challenges of phenotype entity recognition 3 Our definition of phenotype was taken from the formal analysis in Scheuermann et al. Definition: A phenotype entity is a (combination of) bodily features(s) of an organism determined by the interaction of its genetic make-up and environment. But Scheuermann et al. (2009) also define symptom as ‘a bodily feature of a patient that is observed by the patient or clinician and suspected of being caused by a disease’.

We can see an ambiguity made by the causality (or context) here: a term may be symptom in some contexts but refer to phenotype in others or many symptoms may be phenotypes. Thus, it is important to recognize that this phenotype definition requires us to know the underlying cause. Since causality is often difficult to establish using narrow contextual evidence of the sort used in NER it seems reasonable that we focus here on identifying bodily features themselves, i. phenotype candidates, and then determine causality in another stage of processing.

Definition: A bodily feature (BF) entity is a mention of a bodily quality in an organism. It is considered as phenotype candidate. Our definition of bodily features require two caveats (1) in contrast to Khordad et al.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ