蛋白質(zhì)關(guān)系抽取中平面特征和結(jié)構(gòu)化信息的研究的開(kāi)題報(bào)告

蛋白質(zhì)關(guān)系抽取中平面特征和結(jié)構(gòu)化信息的研究的開(kāi)題報(bào)告【摘要】蛋白質(zhì)關(guān)系抽取是生物信息學(xué)領(lǐng)域的一個(gè)重要問(wèn)題，其任務(wù)是從生物文本中提取蛋白質(zhì)之間的關(guān)系，并構(gòu)建出蛋白質(zhì)相互作用網(wǎng)絡(luò)。針對(duì)這一任務(wù)，該研究提出了一種基于平面特征和結(jié)構(gòu)化信息的蛋白質(zhì)關(guān)系抽取方法。該方法利用卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork,CNN）提取蛋白質(zhì)名稱和實(shí)體位置的平面特征，同時(shí)利用結(jié)構(gòu)化信息對(duì)蛋白質(zhì)關(guān)系進(jìn)行分類。該方法具有良好的魯棒性和高準(zhǔn)確率。【關(guān)鍵詞】蛋白質(zhì)關(guān)系抽??；平面特征；結(jié)構(gòu)化信息；卷積神經(jīng)網(wǎng)絡(luò)【引言】蛋白質(zhì)是生物體內(nèi)的重要組成部分，其互相作用關(guān)系對(duì)生物體的功能和調(diào)節(jié)起著至關(guān)重要的作用。在生物信息學(xué)領(lǐng)域，蛋白質(zhì)相互作用網(wǎng)絡(luò)的構(gòu)建和分析是一個(gè)重要的問(wèn)題。而蛋白質(zhì)關(guān)系抽取，則是解決該問(wèn)題的關(guān)鍵步驟之一。蛋白質(zhì)關(guān)系抽取的任務(wù)是從生物文本中提取蛋白質(zhì)之間的關(guān)系，例如蛋白質(zhì)相互作用、蛋白質(zhì)復(fù)合物組成等。但是，由于文本表述的復(fù)雜性和多樣性，該任務(wù)存在一定的挑戰(zhàn)性。為了解決這一問(wèn)題，一些學(xué)者提出了基于機(jī)器學(xué)習(xí)算法的蛋白質(zhì)關(guān)系抽取方法，例如基于支持向量機(jī)（SupportVectorMachine,SVM）等。然而，這些方法往往需要手工提取文本特征，且缺乏對(duì)生物文本中結(jié)構(gòu)化信息的充分利用。為了克服這些問(wèn)題，本研究提出了一種新的方法，利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取蛋白質(zhì)名稱和實(shí)體位置的平面特征，同時(shí)利用結(jié)構(gòu)化信息對(duì)蛋白質(zhì)關(guān)系進(jìn)行分類。具體來(lái)說(shuō)，本研究將蛋白質(zhì)名稱和實(shí)體位置的信息作為輸入，利用CNN提取平面特征。在此基礎(chǔ)上，本研究將結(jié)構(gòu)化信息利用一定的規(guī)則進(jìn)行編碼，將其作為卷積核進(jìn)行卷積操作，從而對(duì)蛋白質(zhì)關(guān)系進(jìn)行分類。該方法具有以下優(yōu)點(diǎn)：1）充分利用了生物文本中的平面特征和結(jié)構(gòu)化信息；2）采用CNN提取特征，克服了手動(dòng)構(gòu)建模型特征的問(wèn)題；3）采用結(jié)構(gòu)化信息對(duì)蛋白質(zhì)關(guān)系進(jìn)行分類，增強(qiáng)了模型的分類性能和魯棒性?！狙芯磕繕?biāo)和內(nèi)容】本研究將面向蛋白質(zhì)關(guān)系抽取任務(wù)，研究基于平面特征和結(jié)構(gòu)化信息的蛋白質(zhì)關(guān)系抽取方法。具體來(lái)說(shuō)，本研究的研究目標(biāo)是：（1）設(shè)計(jì)一種卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，用于提取蛋白質(zhì)名稱和實(shí)體位置的平面特征；（2）設(shè)計(jì)一種結(jié)構(gòu)化信息編碼方法，增強(qiáng)模型對(duì)生物文本中結(jié)構(gòu)化信息的理解和利用；（3）將平面特征和結(jié)構(gòu)化信息結(jié)合，構(gòu)建蛋白質(zhì)關(guān)系分類模型。本研究的主要內(nèi)容包括以下幾個(gè)方面：（1）生物文本數(shù)據(jù)集的構(gòu)建：構(gòu)建一個(gè)包含蛋白質(zhì)關(guān)系標(biāo)注的生物文本數(shù)據(jù)集。（2）平面特征和結(jié)構(gòu)化信息提取模塊：設(shè)計(jì)一個(gè)模塊用于從生物文本中提取蛋白質(zhì)名稱和實(shí)體位置信息的平面特征，并對(duì)結(jié)構(gòu)化信息進(jìn)行編碼。（3）蛋白質(zhì)關(guān)系分類模型：將平面特征和結(jié)構(gòu)化信息相結(jié)合，構(gòu)建蛋白質(zhì)關(guān)系分類模型。（4）實(shí)驗(yàn)設(shè)計(jì)和結(jié)果分析：在生物文本數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，分析模型的分類準(zhǔn)確率、魯棒性等性能指標(biāo)?！狙芯糠椒ê图夹g(shù)路線】本研究將采用以下方法和技術(shù)路線：（1）構(gòu)建生物文本數(shù)據(jù)集：從PubMed等數(shù)據(jù)庫(kù)中獲取生物文本數(shù)據(jù)，并對(duì)其進(jìn)行標(biāo)注以構(gòu)建蛋白質(zhì)關(guān)系標(biāo)注數(shù)據(jù)集。（2）平面特征和結(jié)構(gòu)化信息提取模塊：設(shè)計(jì)一個(gè)模塊用于從生物文本中提取蛋白質(zhì)名稱和實(shí)體位置信息的平面特征，并對(duì)結(jié)構(gòu)化信息進(jìn)行編碼。采用CNN提取平面特征，將結(jié)構(gòu)化信息作為卷積核進(jìn)行卷積操作。（3）蛋白質(zhì)關(guān)系分類模型：將平面特征和結(jié)構(gòu)化信息相結(jié)合，構(gòu)建蛋白質(zhì)關(guān)系分類模型。采用Softmax作為分類器。（4）實(shí)驗(yàn)設(shè)計(jì)和結(jié)果分析：在生物文本數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，分析模型的分類準(zhǔn)確率、魯棒性等性能指標(biāo)。同時(shí)，采用交叉驗(yàn)證等方法對(duì)模型進(jìn)行評(píng)估。【預(yù)期成果和意義】通過(guò)本研究，預(yù)期獲得以下成果：（1）提出一種基于平面特征和結(jié)構(gòu)化信息的蛋白質(zhì)關(guān)系抽取方法，該方法具有良好的魯棒性和高準(zhǔn)確率。（2）構(gòu)建一個(gè)包含蛋白質(zhì)關(guān)系標(biāo)注的生物文本數(shù)據(jù)集，為相關(guān)研究提供數(shù)據(jù)資源。（3）為生物信息學(xué)領(lǐng)域的蛋白質(zhì)相互作用網(wǎng)絡(luò)構(gòu)建和分析提供技術(shù)支持和方法參考?！緟⒖嘉墨I(xiàn)】[1]AiW,LuS,FengY.Aprotein-proteininteractionextractionapproachbasedondeepneuralnetwork[J].BMCbioinformatics,2018,19(15):450.[2]PengY,RiosA,KavuluruR,etal.Transferlearningacrossbiomedicalontologiesforrelationextractionfrombiomedicalliterature[J].Journalofbiomedicalinformatics,2018,84:76-83.[3]ThakurA,NoklebyJJ,LunnyD,etal.Convolutionneuralnetworkforprotein-proteininteractionextractionfrombiomedicalliterature[J].BMCbioinformatics,2018,19(1):508.[4]ZouQ,LiJ,SongL,etal.Protein–proteininteractionextractionbasedonensembledeeplearningmodels[J].BMCbioinformatics,2019,20(6):385.[5]Deng