1、文獻挖掘是一種文本數據自動分析方法，涉及到數據挖掘、文本挖掘和自然語言處理等多個研究領域。作為一種從文獻中提取、整合并發(fā)現知識的高效工具，能夠快速處理大量文獻并挖掘得到特定領域的知識。隨著相關算法的引入與語料庫的完善，文獻挖掘的性能與可靠程度不斷提高，因而在科學研究中得到越來越廣泛的應用。 生物醫(yī)學研究積累了大量的文獻數據，其中記載了大量的不同類型的知識。另一方面，生物信息技術研究的目的是管理并分析生物醫(yī)學實驗得到的海量數據，以

2、及提供預測性或者指導性結論。作為生物信息技術研究的一個新興方向，文獻挖掘技術以生物醫(yī)學文獻數據為分析對象，提取和整合散布于文本數據中的知識，從而實現展示并推理文獻中隱含的新知識的目的。本文以PubMed數據為研究對象，開發(fā)并整合多種文獻挖掘方法，提取蛋白質、疾病和化合物相關的知識，并加以整合后用于新知識的發(fā)現。主要研究內容如下： 1) 識別文獻數據中的實體，并映射到分子生物學數據庫。文獻中的實體識別是其他工作的基礎。識別不同領域

3、不同類型的實體所使用的方法各不相同，因而從生物醫(yī)學文獻中識別基因/蛋白質、疾病和化合物三類常見實體采用了不同的方法。利用基于統(tǒng)計的條件隨機場方法，統(tǒng)計學習基因/蛋白質的命名特點與規(guī)律，從文獻中識別出基因/蛋白質實體。利用基于詞典的方法，從文獻中提取出MeSH詞典所描述的21類三級以下的疾病實體。同樣，利用基于詞典的方法從文獻中提取出各類化合物實體。對于識別得到的基因/蛋白質實體，采用了分級映射方法，分別把實體映射到不同規(guī)范化程度的Ent

4、rez Gene數據庫。按照與完備基因詞典、中等基因詞典和精簡基因詞典的匹配程度，把實體分為準確實體、可靠實體、相似實體和未知實體四部分。 2) 制定實體關聯規(guī)則，整合實體之間的關聯，得到六類關聯實體。文本中識別得到的三類實體之間存在六種關聯：蛋白質－蛋白質、疾?。膊?、化合物－化合物、蛋白質－疾病、蛋白質－化合物和疾?。衔铩Ｊ紫韧ㄟ^共出現頻率方法得到存在關聯的各類實體。然后對存在共出現實體的句子進行詞性標注，進而迭代提取出

5、四類共536個描述實體關聯的關聯動詞列表。以關聯動詞列表為基礎，構建實體關聯規(guī)則庫。文本數據與關聯規(guī)則庫匹配后，得到六類關聯實體數據。此外討論了六類關聯實體可能表示的生物醫(yī)學意義以及相應的處理策略。 3) 基于實體關聯數據構建相應的實體關聯網絡，并提供了兩種網絡分解方案來發(fā)現新的知識。以六類實體關聯數據為基礎，構建了6個簡單實體關聯網絡。整合不同的簡單實體關聯網絡后得到了2個雜合實體關聯網絡：分子相互作用網絡與全關聯網絡。分析了

6、8個實體關聯網絡的拓撲性質，并且把網絡分解為連通子圖、Hub子圖和關聯子圖，從而得到存在間接關聯的實體、活躍實體和一組關聯實體構成的關聯途徑等新知識。 4) 構建了基于文獻挖掘的生物醫(yī)學知識發(fā)現平臺的原型系統(tǒng)。平臺整合了文獻挖掘中所需的第三方工具以及自行開發(fā)的工具，提供統(tǒng)一的訪問接口和數據格式。該平臺能夠完成實體識別、實體關聯挖掘和實體關聯網絡構建三類知識發(fā)現任務，并且提供與第三方圖顯示工具兼容的數據格式，滿足實體關聯網絡以及子