在大量基于转移学习的文献中,对大脑连接的知识挖掘是基于转移学习
Xiaokang Chai1, Sile An1, Simeng Chen1
1Britton Chance Center for Biomedical Photonics, Wuhan National Laboratory for Optoelectronics, Huazhong University of Science and Technology, Wuhan 430074, China.
Bioinformatics (Oxford, England)
|December 10, 2024
概括
生物SEPBERT是一种新型的人工智能模型,通过准确地识别科学文献中的大脑区域及其连接,增强了大脑连接映射. 这种工具有助于神经科学家更有效地理解复杂的神经电路.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 绘制复杂的大脑网络的地图对于理解神经功能至关重要.
- 现有的方法难以处理大脑区域和连接数据的多样化表示.
- 文本挖掘的进步为全脑连接分析提供了潜力.
研究的目的:
- 开发一种先进的模型,从生物医学文献中提取全面的大脑连接信息.
- 为了提高命名实体识别和关系提取对大脑区域及其连接的准确性.
- 为了促进神经回路的大规模分析,并增强对大脑连接的理解.
主要方法:
- 提议BioSEPBERT,一个生物医学预训练模型,使用BERT和开始-结束位置指针.
- 集成的专业标识符和增强的自我注意力,用于大脑区域的背景.
- 将模型应用于大量的科学摘要和全文文章.
主要成果:
- 获得了最佳的F1得分85.0% (NER),86.6% (关系提取) 和86.5% (定向关系提取).
- 在这些任务的准确性方面超越了最先进的模型.
- 提取了2260万个标准化的大脑区域和165072个方向关系.
结论:
- 生物SEPBERT显著提高了从文本中提取大脑连接数据的性能.
- 该模型能够快速获取有关神经回路的知识.
- 帮助人们更好地理解不同脑区的大脑连接.
