Back to search

National and Kapodistrian University of Athens

Τεχνικές εξόρυξης δεδομένων από κείμενα που σχετίζονται με ασθένειες με ιδιαίτερη έμφαση στην ανάλυση βιβλιογραφίας για SARS-CoV-2.

Abstract

dc:description

Η σημερινή εκθετική ανάπτυξη της βιοϊατρικής βιβλιογραφίας είναι αδιαμφισβήτητη. Το PubMed επί του παρόντος (07/2023) φιλοξενεί περισσότερες από 35 εκατομμύρια περιλήψεις, το PubMed Central (PMC) 9,2 εκατομμύρια άρθρα με πλήρες κείμενο, ενώ έπειτα από την πανδημία της COVID-19, έχουν δημοσιευθεί περισσότερα από 330.000 άρθρα PubMed σχετικά με τον SARS-CoV-2 μαζί με περισσότερα από 25.000 προ-έντυπα bioRxiv και medRxiv έχουν δημοσιευθεί κατά τη διάρκεια μιας περιόδου 3 ετών από 01/2019 έως 01/2023. Παράλληλα, βάσεις δεδομένων που αφορούν συγκεκριμένες ασθένειες προσπαθούν συνεχώς να φιλτράρουν με μη αυτόματο τρόπο τη σχετική βιβλιογραφία και χρησιμοποιούν στοχευμένα υποσύνολα άρθρων για να συνοδεύσουν τις καταχωρήσεις τους με ενημερωμένες αναφορές που περιέχουν μη επικαλυπτόμενες πληροφορίες, καθώς και κατανοητές και πληροφοριακές περιλήψεις που έχουν γραφτεί χειροκίνητα. Λαμβάνοντας υπόψη ότι πρόκειται για μια κουραστική και χρονοβόρα διαδικασία, μαζί με το γεγονός ότι είναι επιβαρυντικό για έναν ερευνητή να αναζητά βάσεις δεδομένων βιβλιογραφίας προκειμένου να μελετήσει μια νόσο, να παρακολουθεί σχετικές ενημερώσεις, να εξάγει πληροφορίες και να αποκομίζει γνώση, αναπτύσσονται στοχευμένοι και αυτοματοποιημένοι τρόποι ανάλυσης και επεξεργασίας άρθρων που σχετίζονται με ασθένειες. Για τον σκοπό αυτό, έχουν αναπτυχθεί αρκετές εφαρμογές εξόρυξης κειμένου 1–6. Η εφαρμογή EXTRACT7 χρησιμοποιεί την αναγνώριση ονομαστικών οντοτήτων (NER) για τον προσδιορισμό βιοϊατρικών όρων σε ιστοσελίδες. Το OnTheFly8 χρησιμοποιεί το εργαλείο EXTRACT για να κάνει την ίδια εργασία σε έγγραφα με διάφορες μορφές αρχείων, όπως doc(x), txt, xls(x) PDF και εικόνες. Το BioTextQuest9 ομαδοποιεί έγγραφα βασισμένο σε κοινούς πιθανούς βιοϊατρικούς όρους μετά την αφαίρεση των κοινών αγγλικών λέξεων, ενώ το DrugQuest10 συγκεντρώνει ενώσεις της DrugBank11 με βάση τις περιγραφές τους με παρόμοιο τρόπο όπως το BioTextQuest. Το PREGO12 αναλύει την PubMed για να συνδέσει περιβάλλοντα με βιολογικές διεργασίες και οργανισμούς και το DISEASES13 ακολουθεί μία παρόμοια προσέγγιση για τη σύνδεση ασθενειών με γονίδια. Το FACTA14 είναι μια μηχανή αναζήτησης για τον εντοπισμό σχετικών βιοϊατρικών εννοιών. Το CoPub15 δημιουργεί στατιστικά αναφορικά με την συνύπαρξη λέξεων-κλειδιών. Το NETME16 ανιχνεύει συσχετίσεις όρων και τις αναπαριστά ως δίκτυα 17. Το PubAnnotation18 χρησιμοποιεί το ευέλικτο πλαίσιο εξόρυξης κειμένου Agile για τον σχολιασμό κειμένου, ενώ το PubTator19 συγχωνεύει αυτοματοποιημένους σχολιασμούς από προηγμένα συστήματα εξόρυξης κειμένου. Το Medline Ranker20 κατατάσσει περιλήψεις με βάσει κειμένου ή σετ εκπαίδευσης όρων MeSH. Το LipiDisease21 ειδικεύεται στην σύνδεση λιπιδίων με ασθένειες και τα PESCADOR22, STRING23 και STITCH24 δημιουργούν αλληλεπιδράσεις γονιδίου, πρωτεΐνης και πρωτεΐνης-ενώσεων αντίστοιχα. Το Darling διαφοροποιείται από τα υπάρχοντα εργαλεία εστιάζοντας την εξόρυξη βιβλιογραφίας που συνοδεύεται από αρχεία ασθενειών σε ευρέως χρησιμοποιούμενες και καθιερωμένες βάσεις δεδομένων με επίκεντρο τις ασθένειες. Εφαρμόζει την αναγνώριση ονομαστικών οντοτήτων (NER) σε στοχευμένα σύνολα βιβλιογραφίας και πραγματοποιεί τις αναλύσεις στα κείμενα βάσει της συνύπαρξης προτάσεων προκειμένου να δημιουργήσει δίκτυα συσχέτισης 25 μεταξύ βιοϊατρικών οντοτήτων όπως γονίδια, πρωτεΐνες, χημικές ουσίες, λειτουργίες, ιστούς, ασθένειες, περιβάλλοντα και φαινοτύπους. Σε σύγκριση με την προηγούμενη έκδοσή του (Darling v1.0) 26, περιλαμβάνει πολλές νέες επιλογές αναζήτησης και φιλτραρίσματος, υποστηρίζει έξι διαφορετικές βάσεις δεδομένων με επίκεντρο τις ασθένειες, συγκεκριμένα τις OMIM27, DisGeNET28, HPO29, MONDO30, RNADisease31 και το Genome Wide Association Studies (GWAS) Catalog32, ενώ επίσης διαθέτει δύο ειδικά κανάλια για την εξόρυξη GWAS μελετών, αλλά και βιβλιογραφίας σχετικής με την COVID-19. Επιπλέον, οι χρήστες έχουν πλέον πολλούς τρόπους για να αναζητήσουν στο Darling, όπως αναζήτηση για αναγνωριστικά PubMed, εγγραφές ασθενειών, ονόματα οντοτήτων, τίτλους, πολυμορφισμούς ή ακόμα χρησιμοποιώντας τη σύνταξη Entrez. Παράλληλα, μπορεί κανείς να ανακτήσει και να εξορύξει τη σχετική βιβλιογραφία και γνώση από αναγνωρισμένους όρους που βρίσκονται σε ένα κείμενο ελεύθερης εισόδου που εισάγει ο χρήστης μετά την εφαρμογή της αναγνώρισης ονομαστικής οντότητας (NER). Οι συσχετισμοί όρων καταγράφονται σε προσαρμόσιμα δίκτυα, τα οποία δύναται να φιλτραριστούν περαιτέρω βάσει των εντοπισμένων όρων ή της συχνότητας ταυτόχρονης εμφάνισης τους, και έπειτα να οπτικοποιηθούν σε διαγράμματα 2D (δύο διαστάσεων) ως σταθμισμένα γραφήματα ή σε 3D (τριών διαστάσεων) ως γραφήματα πολλαπλών επιπέδων. Οι ανακτηθέντες όροι οργανώνονται σε πίνακες με δυνατότητα αναζήτησης, ενώ δίνεται και η δυνατότητα προβολής των όρων σε "σύννεφα λέξεων" (word clouds). Τα γονίδια που ανακτώνται μπορούν να αναλυθούν αυτόματα για λειτουργικό εμπλουτισμό με τη χρήση διαφόρων εξωτερικών εφαρμογών ανά πάσα στιγμή. Η διεπαφή χρήστη (UI) είναι πλήρως διαδραστική και οι πληροφορίες στη βάση δεδομένων ενημερώνονται σε ετήσια βάση.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Βενετσιάνου Νεφέλη-Κλεοπάτρα
  • Venetsianou Nefeli-Kleopatra

Subjects

dc:subject × 2

Rights

Language dc:language
Ελληνικά, Greek

Identifiers

dc:identifier.*
Identifier
uoadl:3359144

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Βενετσιάνου Νεφέλη-Κλεοπάτρα; Venetsianou Nefeli-Kleopatra. Τεχνικές εξόρυξης δεδομένων από κείμενα που σχετίζονται με ασθένειες με ιδιαίτερη έμφαση στην ανάλυση βιβλιογραφίας για SARS-CoV-2.. 2023. https://pergamos.lib.uoa.gr/uoa/dl/object/3359144