GoPubMed - Ontologiebasierte. für die Lebenswissenschaften. Dipl. Inf. Andreas Doms Technische Universität Dresden Fakultät Informatik Biotec

Transkript

1 GoPubMed - Ontologiebasierte Literaturrecherche für die Lebenswissenschaften Dipl. Inf. Andreas Doms Technische Universität Dresden Fakultät Informatik Biotec

2 Agenda Ontologie-basierte Suche im Kontext des Semantischen Webs Ontologie-basierte Informationsextraktion in großen Textbeständen Ontologie-basierte Literaturrecherche Anwendungsbeispiele aus den Lebenswissenschaften GoPubMed

3 Tim s Vision T. Berners-Lee, J. Hendler and Ora Lassila, The Semantic Web, Scientific American, 2001 Evolution des Webs vom größtenteils textuellen hin zum Daten- und Informationsenthaltenden globalen Datennetz Agenten verarbeitbare Daten, die durch eine semantische Theorie Symbolen Bedeutung zuordnet Einfache Idee, bisher nicht umgesetzt

4 Semantics 2006 Ora Lassila zeigt zwei Sichten auf das Semantic Web auf: Semantische Anwendungen auf Webtechnologien aufbauend Semantische Technologien um neue Webanwendungen aufzubauen und erwähnt GoPubMed in seinen Blog

5 Webanwendungen mit unterschiedlicher Komplexität und Domänenbeschränkung UniProt as RDF/OWL Web2x Semantic Publishing Modell Komplexität ont.basierte Suche GeneOntology as RDF/OWL FoaF WordNet as RDF/OWL Domänenübergreifend

6 Webanwendungen mit unterschiedlicher Komplexität und Domänenbeschränkung? Modell Komplexität ont.basierte Suche Domänenübergreifend

7 Semantic Web Anwendung in den Lebenswissenschaften Abgleichen von Hypothesen mit Hilfe der Literatur

8 Hypothesen Vergleich

9 Semantic Web Anwendung in den Lebenswissenschaften Abgleichen von Hypothesen mit Hilfe der Literatur An welchen molekular-biologischen Prozessen ist ein bestimmtes Protein beteiligt?

10 Technisches Standards müssten weiter angenommen werden RDF filetype:rdf Google hits OWL filetype:owl Google hits bisher keine Vermittlung zwischen den Daten mit Hilfe von Agenten im großen Stil Shopping Bots sind meist sehr spezialisiert bessere Akzeptanz von Mikroformaten wie zb. RDFa könnten helfen

11 RDFa für Dublin Core Ontologie Dublin Core beschreibt Bücher, Artikel usw. mit Autoren, Titeln und Subjects.

12 RDFa für die Gene Ontologie Dublin Core beschreibt Bücher, Artikel usw. mit Autoren, Titeln und Subjects.

13 Semantic Gap Daten-Integration mit Hilfe von Ontologien mehr und mehr RDF basierte Schnittstellen UniProt(Proteine), Entrez Gene(Gene), Gene Ontology(Genprodukte) Oracle 10g unterstützt natives RDF storing/querying Strukturierte Datenbasen müssen gemeinsame Ontologien verwenden (OBO Ontologies) überwiegender Teil biomedizinischer Erkenntnisse ist derzeit nur in textueller Form verfügbar Automatische oder manuelle Erstellung für semantische Markups in unstrukturierten Daten (MediaWiki, IkeWiki, Platypus Wiki)

14 Daten Integration in den Lebenswissenschaften PubMed ( Artikel) UniProt (Proteine) PDB (3D Strukturen) KEGG (Pathways) SCOPPI (Strukturelle Interaktionen) Edinburgh Mouse Atlas (123 sliced mouse embryos)

15 Ontologie-basierte suche im Kontext des Semantischen Webs semantische Anwendung basierend auf Webtechnologien Lebenswissenschaften profitieren besonders von Daten-Integration spannende Nutzung von Vokabularen der Lebenswissenschaften

16 Ontologie-basierte Informationsextraktion in großen Textbeständen Texte mit Hintergrundwissen anreichern

17 PubMed Wissenschaftler arbeiten in den Lebenswissenschaften (Biologie, Medizin, ) Literaturdatenbank enthält wissenschaftliche Zusammenfassungen und Links zu den Volltexten jährlicher Zuwachs Number of PubMed Abstracts 14,000,000 ca ,000,000 10,000,000 8,000,000 6,000,000 4,000,000 2,000, Year

18 PubMed

19 PubMed einige Metainformationen zugänglich, aber unvollständig Link zum PDB Eintrag (unvollständig) Authorennamen (aber keine vcard o. FoaF) Artikeltyp (aber keine Referenzen) Mesh-Ontologieterme (semi-manuell, aber um ca. 1 Monat verzögert) Link zu UniProt (aber ohne Qualifizierung)

20 PubMed Inhalte vieler Experimente und Untersuchungen bleiben verborgen für Software-Agenten Zukünftig? self-publishing of experiment W3C interest group (SPE) Andere Vokabulare: Dublin Core, SKOS, FOAF, SIOC, RSS, DOAP aber was passiert mit Artikeln in PubMed?

21 Ontologie-basierte Informationsextraktion in großen Textbeständen Information Extraction sehr stark von der Domäne abhängig Relation Extraction deutlich schwerer: Protein-Protein Relation: 25% Named Entity Recognition Gute Ergebnisse möglich: >90% Personen Orte Proteinnamen Genenamen

22 Ontologie-basierte Informationsextraktion in großen Textbeständen Named Entity Recognition (Terminologie Extraktion) Terminologie Extraktion ist eine Variante der Named Entity Recognition Kandidaten Generierung erfolgt ausschließlich Ontologie-Vokabular Disambiguation notwendig für generelle Konzepte Vorteil: verfügbare Definitionen und Relationen zu anderen Konzepten

23 Ontologie-basiert Termextraktion einige Ontologien sind geeignet ein gemeinsames Vokabular für Wissenschaftler zu schaffen (Taxonomie, Thesaurus) dennoch schwierig da Ontologiekonzepte nicht immer wörtlich verwendet werden Konzepte von allgemeiner Bedeutung können falsch interpretiert werden development hat 8 Bedeutungen in WordNet

24 Ontologie-basiert Termextraktion bei Vorhandensein von genügend Trainingsdaten kann Machine learning gute Ergebnisse liefern Corpus mit 1000 Dokumenten konnte development zu 95% korrekt trennen aber die Gene Ontology hat Konzepte Machine learning liefern keine Markups, (wichtig für Akzeptanz)

25 Ontologie-basiert Termextraktion Ansatz: Text-Token basierte Kandidatengenerierung

26 Text strukturieren Abstract S S S H GO P P P {Development?} Term-spezifische Extraktionsregeln Term development (//SENTENCE[tokens( development ) && species(human mouse )])

27 Termbeispiele aus der Gene Ontology thioredoxin-disulfide reductase activity (GO: ) small-molecule carrier or transporter (GO: ) Endonuclease activity, active with either ribo- or deoxyribonucleic acids and producing 5 -phosphomonoesters (GO: ) (7,3% der Terme) [methionine synthase] reductase activity (GO: ) structural constituent of chorion (sensu Insecta) (GO: ) (2%)

28 Extraktionsbeispiele PMID : The protein products of this gene contain the basic-helix-loop-helix motif characteristic of a large family of transcription factors that bind to the canonical DNA sequence CANNTG as protein heterodimers. gemeint ist: transcription factor binding (GO: )

29 Extraktionsbeispiele PMID : Primed monocytes transcribed TNF mrna at a higher rate than freshly isolated monocytes upon activation with LPS. (monocyte activation (GO: )) PMID : Although all nm23 proteins contain nucleoside diphosphate (NDP) kinase activity, it has not been established that the enzyme activity mediated the various functions of nm23 proteins. (protein kinase activity (GO: )).

30 Stolpersteine in PubMed, and local twitch responses were obtainedusinganacupuncturedryneedlingtechniqueonlyonthe sideoftheactivemtrps. AimTo in detail,followed by 'Manchester-Oxford Foot Questionnaires' (MOXFQs) the flick maneuver (flicking motion of hands and wrists when most symptomatic) ' 'text, 5'(S)-C-(thymine-1-ylmethyl)thymidine Kidney International advance online publication, 27 September 2006; doi: /sj. ki [Ac-D-Nal(2)1, D-Phe(4Cl)2, D-Pal(3)3, D-Cit6, D-Ala10]- LH-RH (PMID: , )

31 Parsing Tokenizer Missing Space Detector English Compound Decomposer Abbreviation Tagger Literature References Tagger Sentence Tagger Document Parts Tagger New Concepts Finder Conjunctions/Alternatives Tagger Protein Name Tagger Text strukturieren Eins nach dem Anderen Rule vs. Statistical Term Extractor

32 Ontologie-basierte Termextraktion Ansatz: Text-Token basierte Kandidatengenerierung Sequenz-Alignment für Text-Markups

33 Ontologie-basierte Termextraktion

34 Ontologie-basierte Termextraktion

35 Ontologie-basierte Termextraktion Ansatz: Text-Token basierte Kandidatengenerierung Sequenz-Alignment für Text-Markups Disambiguierung (Filtern von Falsch-Positiven) mit Hilfe von Word-Occurrence Sag mir wer deine Freunde sind und ich sage dir wer du bist. aber: Wo bekommt man Trainingsdaten zur Disambiguierung her?

36 Ontologie-basierte Termextraktion Trainingsdaten: manuell bekannte Metadaten: alle Artikel des Journals Development Ontologie-Hierarchie nutzen? Dokumente die mit den Nachfahren eines Terms assoziiert sind liefern positiv Beispiele Dokumente aller Nachfahren des Vaterterms, aber ohne die oben genannten, die das Termlabel enthalten, können negativ Beispiele liefern

37 Ontologie-basierte Termextraktion für jeden Ontologieterm wird eine Extraktionsstrategie erstellt Tokenisierung des Terms (Zerlegung von Compounds) Part-of-Speech Analyse erlaubte Lexeme werden identifiziert Informationsgehalt der Tokens wird geschätzt Vorbereitung für Disambiguierung (sensu Bacteria, Definitionen,Friends) schnelle Kandidatengenerierung, Aussortierung durch Disambiguation

38 Annotierte Textbestände Annotationen müssen aktuell sein bis zu 5000 neue Artikel pro Tag Annotationen in GoPubMed Ontologiebegriffe (GO & Mesh) derzeit in MySQL gehalten

39 Anfrage an den Korpus

40 Ontologie-basierte Informationsextraktion in großen Textbeständen PubMed: reiche Quelle an unstrukturiertem Domänenwissen Termextraktion: statistischer Ansatz der NER Domänenwissen aus Ontologie und Text hilft

41 Ontologie-basierte Literaturrecherche Von der Termextraktion zur Literaturrecherche

42 Vivissimo - Clusty.com

43 Ontologie-basierte Literaturrecherche Clusty versucht Labels für die Cluster onthe-fly zu finden Ontologie-basierte Suche nutzt Ontologieterme gezielt Domänenwissen wird unmittelbar verfügbar während der Suche

44 Ontologie-basierte Literaturrecherche

45 Ontologie-basierte Literaturrecherche

46 Ontologie-basierte Literaturrecherche

47 Ontologie-basierte Literaturrecherche Termextraktion findet statt

48 Ontologie-basierte Literaturrecherche

49 Ontologie-basierte Literaturrecherche

50 Ontologie-basierte Literaturrecherche

51 Ontologie-basierte Literaturrecherche

52 GoPubMed Forschungsprojekt

53 GoPubMed Forschungsprojekt

54 Ontologie-basierte Literaturrecherche Clustering-Idee wird schon vermarktet reichhaltige Ontologie bringt deutlichen Mehrwert Domänenwissen unmittelbar nutzbar gemacht

55 Ontologie-basierte Suche mit GoPubMed

56 Welche Krankheiten stehen mit HIV in Verbindung? HIV

57

58 Welches sind die führenden Institutionen und Wissenschaftler für Lebertransplantationen? liver transplantation

59

60

61

62 Welche anatomische Struktur wird vom Bakterium helicobacter pylori befallen? helicobacter pylori

63

64

65 An welchem biologische Prozess ist das Protein Rab5 beteiligt und wo findet man es in der Zelle? rab5

66

67 Auf welche Enzyme nimmt Aspirin Einfluss? aspirin

68

69

70

71 Wie sieht das Forschungsinteresse an Leukemie aus? leukemia

72

73

74

75

76

77

78

79 Woran arbeitet Paul Nurse?

80

81 Mitosis

82 Woran arbeitet Günther Blobel?

83

84 Blobel spendete das Preisgeld dem Wiedeaufbau der Frauenkirche Nuclear envelope

85 Ontologie-basierte Suche mit GoPubMed GoPubMed beantwortet biomedizinische Fragen GoPubMed gibt einen guten Überblick über aktuelle biomedizinische Literatur GoPubMed bietet eine bibliometrische Analyse

86 Vielen Dank! Biotechnologisches Zentrum