连续KinderMiner (SKiM) 发现和注释生物医学知识使用共发生和变压器模型

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 数据挖掘 数据挖掘

背景情况:

• 生物医学文献的指数增长需要有效的知识发现工具.
• 基于文献的发现 (LBD) 旨在发现不同研究领域概念之间的新兴关联.
• 现有的LBD工具往往缺乏复杂的生物医学研究查询的灵活性,解释性或可扩展性.

研究的目的:

• 介绍串行KinderMiner (SKiM),一个开源的LBD算法和Web接口.
• 解决当前LBD工具的局限性,包括关系类型识别,用户定义的术语列表和大型概念集的可扩展性.
• 为了促进生物医学概念之间的A-B-C关系的发现.

主要方法:

• 开发了Serial KinderMiner (SKiM) 算法,用于识别统计学上显著的A-B-C链接.
• 集成的SKiM与知识图,利用变压器机器学习模型来解释关系.
• 创建了一个开源的,用户友好的网页界面,包含全面的生物医学概念列表.

主要成果:

• 通过经典LBD,药物重用和癌症相关研究的实验,证明了SKiM在发现A-B-C联系方面的有效性.
• 成功补充了SKiM的知识图来提供关系类型标签.
• 推出了一个可访问的网页界面 (skim.morgridge.org),用于执行SKiM搜索.

结论:

• SKiM是一个多功能,域一般的算法,用于LBD搜索.
• 该工具可以发现用户定义的概念之间的关系,支持数千个C术语.
• 通过识别关系类型,SKiM增强了LBD,超越了简单的关联检测.