蛋白质名字识别系统的研究与实现

论文摘要

为了更好地理解生物过程,我们必须准确阐述生物体间的相互作用,尤其是蛋白质之间的相互作用。但目前生物医学领域内的大量信息埋藏于数以百万计的科学文献当中,并且此数目仍在不断的增长。因此,对海量生物医学文献的自动、高效、智能化的信息提取,成为生物信息学领域内,具有挑战性的课题。我们实验室于 2004 年开始对此课题进行研究。通过在生物学文献中自动提取出蛋白质相互作用模板的方式,实现了基于科学文献的蛋白质相互作用关系提取系统 SPIES（Scientific-literature-based Protein InteractionExtraction System）。而蛋白质名字实体的识别结果直接关系到 SPIES 提取系统的性能。本文运用机器学习的方法,设计并实现了一个自动识别蛋白质名字实体的系统 Ne4Pro（Named Entity recognition system for Proteinnames ）。该系统能够从生物学文献中自动识别、提取蛋白质名实体,并将识别结果与蛋白质序列数据库中的关联实体建立联系。在 Ne4Pro 中,我们将名字识别问题划分为三个主要的任务:（1）词语识别任务:确定文本中的词语能否成为名字实体的组成部分。该任务可以形式化表达为对当前词的二分类任务,我们需要一个二分类器对文本中出现的词语分为是名字实体的,不是名字实体的两类。该任务是三个任务中,计算量最大的,也是最基础的任务,它的实现情况直接影响到后继任务的开展。因此所选择的分类特征应尽可能全面,可以覆盖所有类型的名字实体。（2）实体边界确定任务:确定名字实体开始和结束的边界。该任务可以分为扩展边界确定和按优先级确定名字实体边界。所谓扩展边界确定就是收集由上个任务识别得到的名字实体词语周围的词语,通过规则,正规化,字典等方法确定开始和结束边界;按优先级确定名字实体边界是指当名字实体边界确定中出现歧义的时候,按照划分需求给与不同的优先级,为名字实体确定符合需求的定界方案。和扩展边界确定相比较,按优先级确定名字实体边界的方法更为敏感,对先验命名规则的依赖性更大。

论文目录

• 摘要
• Abstract
• Table of Contents
• Chapter 1 Introduction
• 1.1 Named Entity Recognition in Biomedicine
• 1.2 Problems in Biomedical Named Entity Recognition
• 1.3 Summary of Proposed Work
• 1.4 Research Hypothesis
• 1.5 Research Assumptions
• 1.6 Contributions
• 1.7 Overview of the Thesis
• Chapter 2 Review of Previous Works
• 2.1 Dictionary Based Method
• 2.2 Rule Based Method
• 2.3 Machine Learning Based Method
• 2.4 Advantages and Disadvantages
• 2.5 Evaluation
• 2.6 Previous Work that are related to Thesis’Development
• 2.7 Summary
• Chapter 3 Features and Limitations on Previous Approaches
• 3.1 Information Features
• 3.1.1 Internal Information
• 3.1.2 External Information
• 3.2 Kinds of feature
• 3.2.1 Orthographic Feature
• 3.2.2 Morphology Feature
• 3.2.3 Part of Speech Feature （POS）
• 3.2.4 Term Feature
• 3.2.5 Word Shape Feature
• 3.2.6 Unigram and Bi-gram
• 3.3 Limitations of Previous Approaches
• 3.3.1 Features
• 3.3.2 Boundary Problems
• 3.3.3 Cascading Problems
• 3.4 Difficulties in Integrated Previous Approaches
• 3.5 Our Approaches
• 3.6 Summary
• Chapter 4 Protein Named Entity Classification
• 4.1 Definition of Named Entity Classification Problem
• 4.1.1 Named Entity Identification task
• 4.1.2 Named Entity Boundary Fixation task
• 4.1.3 Named Entity Classification task
• 4.2 Methods
• 4.2.1 Dictionary Preservation
• 4.2.2 Entity Identification
• 4.2.3 Entity Boundary Fixation
• 4.2.4 Entity Semantic Classification
• 4.3 Summary
• Chapter 5 Experiments and Evaluations
• 5.1 Experiments
• 5.1.1 Our Proposed Feature
• 5.1.2 Entity Identification Task
• 5.1.3 Entity Boundary Fixation Task
• 5.1.4 Entity Semantic Classification Task
• 5.1.5 Overall System Performance
• 5.2 Evaluations
• 5.3 Summary and Conclusion
• Chapter 6 Generalization, Limitation and Future Work
• 6.1 Generalizability
• 6.2 Limitations
• 6.3 Future Works
• 6.4 Summary
• References
• Acknowledgements
• 声明
• 个人简历、在学期间发表的学术论文与研究成果