混合深度学习模型用于基于文本的基因疾病关联的识别

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
• 自然语言处理自然语言处理.

背景情况:

• 从快速增长的生物医学文献中提取基因疾病关联对于医学研究和临床应用至关重要.
• 手动提取是耗时的,并且很难跟上文学扩张的步伐.
• 需要自动化方法来有效地识别这些关键关系.

研究的目的:

• 开发和评估基于深度学习的混合模型,用于自动基因疾病关联提取.
• 为了比较CNN-LSTM,CNN-GRU和CNN-GRU-LSTM模型与注意力机制的性能.
• 在公开可用的数据集 (EU-ADR,GAD,SNPPhenA) 上评估模型的有效性.

主要方法:

• 使用的公开可用的数据集:EU-ADR,GAD和SNPPhenA.
• 预处理的数据包括实体识别,Word2Vec和fastText字嵌入以及位置嵌入.
• 实施并对比了三个混合深度学习模型:CNN-LSTM,CNN-GRU和CNN-GRU-LSTM,所有这些模型都增强了注意力机制.

主要成果:

• 在SNPPhenA数据集上,CNN-GRU模型实现了91.23%的准确性.
• 在EU-ADR数据集上,CNN-GRU-LSTM模型的准确率达到90.14%.
• 在GAD数据集上,CNN-LSTM模型表现最好,准确率为84.90%.
• 混合模型通过有效捕捉局部和顺序特征而在没有重量级预训练的情况下表现出优于基于BioBERT的方法的性能.

结论:

• 深度学习混合模型为自动基因疾病关联识别提供了强大的方法.
• 开发的模型从生物医学文本中准确有效地提取基因疾病关系.
• 模型和评估数据是公开可用的,用于进一步的研究和应用.