基于局部和全局上下文的蛋白质交互关系识别

发布时间：2020-08-27 19:53

【摘要】：蛋白质交互(Protein-Protein Interaction,PPI)作为生物医学领域一项重要的研究课题,在发现疾病,探究生命规律方面有重要的应用价值。随着互联网的快速发展,生物医学文献呈指数级增长。依靠人工阅读的方式,从海量非结构化的文本中获取PPI的有效信息很难满足实际需求。因此,如何设计算法从大量文本资源中准确提取信息,实现自动化PPI信息抽取的这个问题亟待解决。目前蛋白质交互关系识别主要采用基于单句和基于大规模文本两种方式。基于单句的蛋白质交互关系抽取,只依赖单个句子,很难掌握目标蛋白质对的全面描述信息。基于大规模文本的交互关系抽取,虽然获取了目标蛋白质对更全面的信息进行PPI判断,但是对于有交互的蛋白质对下会有一些句子没有表达蛋白质之间的交互关系,将所有句子同等看待,会抽取出一些无效的特征,从而影响识别的精度。针对两者各自存在的缺陷,本文首先建立了基于双层逻辑回归分类器框架的基本模型,利用多实例多标记学习关系抽取框架来对目标蛋白质对进行表示,充分结合了蛋白质对的局部信息和全局上下文信息。利用训练后的分类器在测试数据集上进行预测,结果表明,本文的模型取得了较好的识别性能。接下来本文主要从单句级和蛋白质对级两个层面对基本模型进行改进,设计了基于多层次线索的PPI识别改进模型。对于包含核心词的蛋白质对,利用句子重要性、句子相似性以及关键词集等概念对包含核心词集的蛋白质对从蛋白质对级上抽取额外的特征进行特征改进。和基本模型相比,有交互蛋白质对的F1度量最高提高了2.8%,无交互蛋白质对的F1度量最高提高了1.9%。对于无核心词的蛋白质对,观察到有交互的蛋白质之间单词数量明显少于无交互的蛋白质,因此采用图模型来对每一个蛋白质对进行建模,利用不同句子中单词之间以及单词和关键词之间的相似性来构建边。对于最终得到的图模型,利用图的相关属性抽取有效线索来对句子级分类器特征进行更丰富的展示。相较于基本模型,有交互蛋白质对F1度量提高了2.9%,无交互蛋白质对提高了2.5%。整体来说,该改进模型的抽取性能有明显提升,并且抽取结果更加稳定。
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：Q51;TP391.1

【相似文献】