g u t x .com.tr İpek yolu - Çin'i anlamaya götürürüm

Life-iNet ağ tabanlı yapılandırılmış yaşam bilimleri alan bilgisi keşif ve analiz sistemi

Siz ve "AI'yı Anlamak" arasında yalnızca bir kağıt var

Pek çok okuyucu, Xinjun'un sahne arkasına mesajlar bırakarak, nispeten basit yapay zeka bilimi ve yapay zeka metodolojisi okuduklarını ve derinlik, kalınlık, vizyon ve ağır tat içeren bazı profesyonel makaleler görmek istediklerini söyledi.

Bu amaçla, AI alanındaki birçok uzman ve akademisyenin yardımıyla, bir dizi en iyi konferans belgesini yorumladık ve tercüme ettik. Her makalenin tercümesi ve redaksiyonu tamamlandıktan sonra, Xinjun ve yazı işleri bölümündeki öğretmenler birlikte gülüp çökecekler, tabii bazı kağıtlar için ağlamalıyız.

Şimdi okuyup anlayamamanız önemli değil, ancak Xinjun bir gün yeni bir yapay zeka dünyasına aşık olacağınızı garanti edebilir.

Çekirdek okuyucuların kağıt değişim grubu için lütfen WeChat hesabımızı ekleyin: Zhizhizhuji . Senin için bekleniyor.

Bu, temel okumanın ilk yorumu 4 Bildiriler

ACL 2017Sistem Gösterileri

Life-iNet: Yaşam bilimleri alanında ağ tabanlı yapılandırılmış bir bilgi keşif ve analiz sistemi

Life-iNet: Yaşam Bilimleri için Yapılandırılmış Ağ Tabanlı Bilgi Araştırma ve Analiz Sistemi

Illinois Üniversitesi

Illinois Üniversitesi Urbana-Champaign

Özet Bilimsel literatür arama motorları yaşam bilimcileri tarafından araştırmalarıyla ilgili yayınları bulmak için yaygın olarak kullanılmaktadır. Bununla birlikte, yaşam bilimlerindeki (PubMed gibi) mevcut arama motorları, çok sayıda metin derlemesinde gerçek bilgileri (hastalık-gen ilişkileri gibi) araştırmak ve analiz etmek için uygulandığında sınırlamalara sahiptir. Bu sınırlamalar esas olarak yapılandırılmamış gerçek bilgi metninden kaynaklanmaktadır ve anahtar kelimeler ve MeSH tabanlı kelime sorguları varlıklar arasındaki anlamsal ilişkiyi etkili bir şekilde gösteremez. Sunum, yaşam bilimleri araştırmalarını teşvik etmede mevcut arama motorlarının sınırlamalarını ele almak için Life-iNet sistemini tanıttı. Life-iNet, yapılandırılmamış literatürdeki yapılandırılmış bilginin etkili çalışmasını desteklemek için çok sayıda arka plan belgesi aracılığıyla yapılandırılmış gerçek bilgi ağını otomatik olarak oluşturur. Ayrıca, belirli bir varlık türü için belirli varlıkları bulma ve literatüre dayalı bilgi keşfine (örneğin, ilaç hedefi tahmini) yardımcı olmak için varsayımsal gerçekler oluşturma işlevi sağlar.

1. Giriş

Bilimsel literatür, yaşam bilimleri araştırmalarını teşvik etmek için önemli bir kaynak ve yeni araştırma sonuçlarının yayılması için ana araçtır. Bununla birlikte, İnternette büyük miktarda biyomedikal metin bilgisi bulunabilse de (PubMed'deki yayınlar, Wikipedia'daki Wikipedia makaleleri, gen, ilaç ontolojisi vb.), İlgili olgusal bilgilerin araştırılması ve analizi vardır, ancak yalnızca Büyük miktarda literatürde ilgili olgusal bilginin araştırılması ve analizinde sınırlı destek sağlayabilir (Tao ve diğerleri, 2014) veya mevcut olgusal bilgilerden yeni bakış açıları kazanabilir (McDonald ve diğerleri, 2005; Riedel ve McCallum, 2011). Kullanıcılar genellikle anahtar kelimeleri ve tıbbi konu başlığı (MeSH) terimlerini kullanarak PubMed'de arama yapar ve ardından diğer bilgileri elde etmek için Google'a ve harici biyomedikal ontolojilere güvenirler. Ancak bu yöntem, farklı işletme ilişkilerini (yani gerçekler) veya ilgili içeriğe ilişkin yayınları belirlemede etkili olmayabilir.

Şekil 1 Life-iNet yapılandırılmış ağına giriş

Örneğin, kanserle ilgilenen bir biyoloğun, hangi hastalıkların meme tümörleri kategorisine (meme kanseri gibi) ait olduğunu ve hangi genlerin (BRCA1 gibi) ve ilaçların (aspirin, Tafinlar gibi) meme kanseriyle ilişkili olduğunu kontrol etmesi gerekebilir. Bu hastalıklar ve genler arasındaki ilişkiyi tartışmak için bir dizi ilgili literatür çalışmasına ihtiyaç duyulabilir. Kanser uzmanları, hangi genlerin göğüs tümörleriyle (diğer kanserlerle karşılaştırıldığında) önemli ölçüde ilişkili olduğunu, altta yatan göğüs tümörü varlıkları ile ilişkili başka genlerin olup olmadığını ve meme kanserini de tedavi edebilecek başka ilaçların olup olmadığını bilmek isteyebilirler.

Önceki başarılar ve sınırlamalar : Yaşam bilimleri alanında, son çalışmalar (Ernst ve diğerleri, 2016; Szklarczyk ve diğerleri, 2014; Thomas Kim ve diğerleri, 2008;), varlık merkezli literatür erişimini desteklemek için belgeyle ilgili biyomedikal varlık bilgilerine güvenmektedir. . Mevcut bilgi erişim sistemlerinin çoğu, varlık-belge ilişkilerini yakalamak için her PubMed makalesi (Kim ve diğerleri, 2008) için manuel olarak ek açıklamalı MeSH terimlerini veya belgedeki otomatik olarak tanımlanan biyomedikal varlıkları kullanır. Geleneksel anahtar kelime tabanlı sistemlerle karşılaştırıldığında, mevcut varlık merkezli erişim sistemi, belgelerin varlık bilgilerini daha doğru bir şekilde (etkili belge erişimi sağlamak için) tanımlayabilir ve dizine ekleyebilir, ancak belirli bir külliyatta Aşağıda gösterildiği gibi, olgusal bilgiyi (yani varlıklar ve ilişkileri) desteklemenin araştırılması ve analizinde bazı zorluklarla karşılaşılmaktadır.

Gerçek yapı eksikliği : Var olan varlık merkezli sistemlerin çoğu, aralarındaki ilişkiyi yakalamak için iki biyomedikal varlık arasındaki belge / topluluk düzeyinde birlikte oluşma istatistiklerini hesaplar, ancak belirli bir cümlede iki varlık arasındaki ilişkiyi belirleyemezler. Arasındaki anlamsal ilişkinin türü. Örneğin, Şekil 1'de varlıklar arasındaki ilişki CoExpression, genetik etkileşim, fiziksel etkileşim, Yol vb. Olarak sınıflandırılmalıdır. Yapılandırılmamış metin derlemesinden tür varlık ilişkisinin çıkarılması şunları sağlayabilir: (1) Verilen derlemede gerçek bilgilerin yapılandırılmış aranması; (2) Cümle düzeyindeki belgelerin ayrıntılı araştırılması; (3) Daha doğru varlıklar İlişki tanıma.

Sınırlı çeşitlilik ve kapsam : Arama ve veri madenciliği işlevlerini destekleyen çok sayıda biyomedikal bilgi tabanı (KB) (örneğin, GeneOntology, UniProt, STRING (szklarczyket al., 2014), literome (Poonet al., 2014)) vardır. Bununla birlikte, bu KB'ler oldukça uzmanlaşmıştır ve sadece yaşam bilimlerinde nispeten dar bir konuyu kapsamaktadır (Ernst ve diğerleri, 2016). Ek olarak, bu KB'lerin varlıkları arasında sınırlı ara bağlantı vardır (örneğin, ilaçlar, hastalıklar ve genler). Yaşam bilimlerinin tüm yönlerine ilişkin genel görüş hala eksiktir. Ek olarak, birçok yeni varlık mevcut KB'lere dahil edilmemiştir ve manuel yönetim süreci zaman alıcı ve pahalıdır.

Sınırlı analiz yetenekleri : Olgusal yapı kavramlarının eksikliğinden dolayı, var olan geri getirme ve araştırma sistemleri, varlık ilişkisi analizinde yalnızca sınırlı analiz işlevlerine sahiptir, esas olarak varlık merkezli literatür elde etmeye odaklanır (Ernst ve diğerleri, 2016; Thomas ve diğerleri, 2012) ve Varlıkların birlikte oluşumunu inceleyin (Kimet ark., 2008). Uygulamada, olgusal bilgilere dayalı analiz fonksiyonları (örneğin, ilaç hastalığı hedef tahmini ve benzersiz hastalık geni ilişkilendirmesi tanıma) çok arzu edilir.

Önerilen yöntem: Bu makale, Life-iNet adlı yeni bir sistem önermektedir, bu sistem yapılandırılmamış derlemi yapılandırılmış bir olgusal bilgi ağına dönüştürür ve bir bilgi keşif ağı oluştururken çeşitli sezgisel ve analitik işlevleri destekler. Life-iNet, metin varlıkları arasındaki kelime öbekleri aralığında bahsedilen varlıkların anlamsal kategorisini otomatik olarak algılar ve algılanan varlıklar arasındaki çeşitli ilişki türlerinin ilişkisini belirler. Bu birbirine bağlı bilgi blokları, düğümlerin farklı varlık türlerini temsil ettiği ve kenarların varlıklar arasındaki farklı ilişki türlerini temsil ettiği birleşik bir yapılandırılmış ağa entegre edilmiştir (örneğin, Şekil 1). Life-iNet, sınırlı çeşitlilik ve kapsam sorununu çözmek için tohum koleksiyonları (örneğin, zayıf denetim) ve belirli bir külliyattan (örneğin, bilimsel literatür ve ansiklopedi makaleleri gibi birden çok metin kaynağı kullanma) sağlamak için harici bilgi tabanlarına güvenir. Yapılandırılmış bir ağ oluşturmak için ek varlıkları ve ilişkileri tanımlayın. Bunu yaparak, mevcut bilgi tabanındaki olgusal bilgileri derlemeden çıkarılan bilgilerle bütünleştiririz. Life-iNet, analiz işlevini desteklemek için yapılandırılmış ağda ilişki tahmin işlevini uygular ve içgörü ve analiz yetenekleri sağlamak için benzersiz bir özet işlevi entegre eder (örneğin, "Belirli bir hastalık türünde hangi genler GeneHastalık İlişkisi ile ilişkilidir 'gibi soruları yanıtlama Açıkça ilişkili mi? ").

Şekil 2 Life-iNet sistem mimarisi

Life-iNet, bu fikirleri sistematik olarak entegre etmek için, basit bir ağ yapısı çerçevesi uygulamak için yeni bilgi çıkarma teknolojisini (Renet al., 2017, 2016a, 2015) kullanır (bkz.Şekil 2). Özellikle, zayıf denetim ve harici bilgi tabanlarının (1) algılama kalitesi istemlerinin (Renet diğ., 2015), (2) belirli bir tür hiyerarşisinde ek açıklama için ince taneli varlık türlerinin kullanılması (Renet al., 2016a) kombinasyonuna dayanır. , (3) Varlıklar arasındaki farklı ilişki türlerini tanımlayın (Renet al., 2017). Özellikle, "uygun" etiketi gerçekten simüle etmek için özel bir kayıp işlevi tasarlıyoruz ve örneğin bahsedildiği belirli durum için eğitim örneği için (uzaktan denetimden esinlenerek) "yanlış pozitif" etiketini kaldırıyoruz (Ren ve diğerleri, 2017, 2016a ). Bunu yaparak, zayıf gözetim kullanarak, gürültüye dayanıklı bir şekilde, külliyata özgü bir bilgi çıkarma modeli oluşturabiliriz. Yukarıda önerilen ağ oluşturma çerçevesi, alandan bağımsızdır ve ek manuel açıklama çalışması yapmadan diğer disiplinlere ve bilimsel alanlara hızla aktarılabilir. Life-iNet, oluşturulmuş ağ aracılığıyla, yeni varlık ilişkilerini ortaya çıkarmak için ilişki tahmin algoritmalarını (Tang vd., 2015; Bordes vd., 2013) ve bulmak ve sorgulamak için benzersiz toplama algoritmalarını (Tao vd., 2016) uygular. Bir varlık (veya belirli bir varlık türü) açıkça diğer varlıklarla ilişkilidir.

Katkı: Life-iNet sisteminin katkıları ve özellikleri aşağıda özetlenmiştir.

1. Mevcut bilgi tabanlarını ve çok sayıda belgeden çıkarılan olgusal bilgileri entegre edebilen yeni bir yaşam bilimleri bilgi araştırma ve analiz sistemi.

2. Belirli bir yapılandırılmamış metin külliyatını sağlam bir şekilde kullanarak gerçeklere dayalı bilgiye dayalı olarak yapılandırılmış bir ağı otomatik olarak oluşturmak için zayıf denetim yöntemlerini kullanan basit bir çerçeve.

3. Yaşam bilimleri araştırmalarını teşvik etmek için yapılandırılmış ağlara dayalı araştırma ve analiz yeteneklerine sahip olun.

Life-iNet tanıtım sistemi toplantıdan sonra çevrimiçi olarak kamuya açıklanacaktır.

2 Life-iNet sistemi

Life-iNet yüksek düzeyde iki ana bileşenden oluşur: yapılandırılmış bir ağ inşaatı boru hattı ve bir ağ keşif ve analiz motoru. İlki (yani ağ inşaatı boru hattı) dört işlevsel modülü içerir: (1) varlık algılama, (2) zayıf denetimli üretim, (3) varlık sınıflandırması, (4) ilişki çıkarma; ikincisi (yani ağ keşif ve analiz motoru) ağı uygularken Keşfetme işlevleri, ilişki tahmin algoritmaları (örneğin, LINE (Tang vd., 2015)) ve benzersiz ağ tabanlı toplama algoritmaları (örneğin, CaseOLAP (Tao ve diğerleri, 2016)), farklı desteklemek için yapılandırılmış ağ üzerinde çalışır Kullanıcı sorgusuna yanıt. Şekil 2, sistem mimarisini göstermektedir. Fonksiyonel modüller aşağıda ayrıntılı olarak açıklanmaktadır.

2.1 Yapısal ağ yapısı

Ağ inşaat boru hattı, zayıf denetim yöntemlerini kullanarak belirli bir derlemeden (potansiyel olarak belirli gürültüyle) olgu yapısını (yani varlık, ilişki) otomatik olarak çıkarır ve bunu birleşik bir yapılandırılmış ağ oluşturmak için mevcut bilgi tabanıyla birleştirir. Özellikle yüksek kaliteli, tipik varlıkları ve ilişkileri çıkarmak için, "en uygun" eğitim etiketini ( Renet diğerleri, 2016b, a, 2017).

Veri toplama . Ağ inşası için arka plan metin külliyatını elde etmek için, bilimsel yayınlar ve ansiklopedi makaleleri olmak üzere iki metin kaynağını değerlendirdik. Bilimsel yayınlar için, tüm PubMed kütüphanesinden 26 milyon makale başlığı ve özet ve PubMed Center'dan (PMC) 2,2 milyon tam metin makale topladık. Wikipedia girişleri için WikipediaHealth Porta'dan 62705 ilgili makale topladık. Gösteri amacıyla, Life-iNet'in arka planını oluşturmak için birbiriyle ilişkili iki önemli hastalığı, yani kanser ve kalp hastalığını seçtik. Tablo 1, arka plan külliyatının istatistiksel verilerini özetlemektedir.

Tablo 1 Korpus ve Life-iNet ağının veri istatistikleri

Varlık algılama . Life-iNet'teki varlık algılama modülü, varlık adayları olarak yüksek kaliteli kelimeleri / tümceleri çıkarmak için veri odaklı bir metin segmentasyon algoritması SegPhrase (Liuet diğerleri, 2015) çalıştırır. SegPhrase, sınıflandırıcıyı eğitmek için olumlu bir örnek olarak KB'lerden alınan varlık adını kullanır ve ardından eğitilen sınıflandırıcının ortak olasılığını en üst düzeye çıkararak külliyatı etkili bir şekilde böler. Tablo 1, külliyatta tespit edilen varlıkların istatistiksel verilerini göstermektedir.

Zayıf denetlenen nesil . Zayıf denetim (Mintz vd., 2009; Ren vd., 2017, 2016a), otomatik olarak büyük miktarda eğitim verisi oluşturmak için harici KB'ler ile belirli bir külliyat arasındaki bilgilerin örtüşmesini kullanır. Tipik iş akışı şu şekildedir: (1) Saptanan varlığı KB'lerdeki varlık ile eşlemek, (2) KB eşleme varlığının KB türünü her varlığın varlık türü kümesine atayın, (3) Her varlık çiftini atayın İlişki türleri kümesi ve bunlar ile KB eşleme varlıkları arasındaki KB ilişkisi tahsis edilir. Bu tür etiket oluşturma süreci biraz gürültüye neden olabilir (Renet al., 2017). Ağ inşaat boru hattımız, etkili bir ekstraksiyon modelini öğrenmek için eğitim sürecine gürültü etiketlerini de dahil eder. Life-iNet'te, genel KB, UMLS (Birleşik Tıp Dil Sistemi) kullanıyoruz ve varlık türü ontolojisini daha da zenginleştirmek için MeSH ağaç yapısını kullanıyoruz. Bu, 6,7 milyon belirli varlık, 10 milyon varlık ilişkisi, 56.000 varlık türü ve 581 ilişki türü ile bir bilgi tabanı üretti. Tablo 1, zayıf denetim istatistiklerini göstermektedir.

Varlık sınıflandırması . Varlık sınıflandırma modülü, mevcut bağlamına (örneğin, cümle) dayalı olarak her bağlanamayan varlık (yani, KB ile eşleştirilemeyen varlık) için belirli bir varlık türü hiyerarşisi altında tek bir tür yolu tahmin eder. Life-iNet, iki aşamalı bir varlık sınıflandırma sürecini benimser. İlk olarak, her bir varlığın kaba taneli etiketlerini (hastalıklar, genler, proteinler, ilaçlar, semptomlar gibi) tanımlar ve ardından kaba taneli etiketleri daha ince taneli tiplere (hastalıklar gibi) dönüştürür. :: Kalp Hastalığı :: Aritmi). Spesifik olarak, her bir ilgisiz kaba taneli tip etiketini tahmin etmek için önce ClusType'ı (Renet al., 2015) çalıştırdık. Daha sonra, kısıtlamalar olarak kaba taneli etiketleri kullanarak, her bir varlığın tek tip yolunu tahmin etmek için AFET (Renet al., 2016a) kullanırız. AFET, görünmez varlıkların tahmine dayalı bir sınıflandırma modelini öğrenmek için zayıf denetim tarafından oluşturulan bir dizi gürültülü aday türünü simüle eder.

İlişki çıkarma . İlişki çıkarmanın görevi, belirli bir cümledeki bir çift varlığın bir çıkar ilişkisini ifade edip etmediğini belirlemektir (yani, belirli bir ilişki türleri kümesi) ve belirli ilişki doğru bir şekilde ifade edilirse, bunları uygun ilişki türleriyle etiketleyebiliriz. Life-iNet, zayıf biçimde denetlenen bir ilişki çıkarma çerçevesine dayanır, CoType (Renet al., 2017) metinden tür ilişkilerini çıkarır. CoType, metin özelliklerini ve ilişki türü etiketlerini benzer semantiğe sahip nesnelerin de birbirine yakın olduğu düşük boyutlu bir alana gömmek için mevcut bağlamdaki bir çift varlıktan çıkarılan çeşitli metin özelliklerini kullanır. Ardından ilişki türünü tahmin etmek için en yakın komşu araması yapın.

Ağ inşaatı etkisi . Son teknoloji (zayıf denetimli) bilgi çıkarma sistemi ile performans karşılaştırması, bu yöntemin etkinliğini göstermektedir (Renet al., 2017) -CoType, halka açık BioInfer corpus (yapay olarak etiketlenmiş biyomedikal makaleler) üzerinde elde edilmiştir. F1 puanındaki% 25 artışla, varlık tanıma ve sınıflandırmadaki F1 değeri% 6 artırıldı. Tablo 1, yapılandırılmış yapılandırılmış ağın istatistiksel verilerini özetlemektedir-Life-iNet, zayıf denetime kıyasla% 250'den fazla gerçek bilgi bulmuştur.

2.2 Ağ keşfi ve analizi

Ağ keşif ve analiz motoru, hızlı keşfi desteklemek için ağ yapısını ve ilgili metinsel kanıtları dizine ekler. Ayrıca bilgi keşfini kolaylaştırmak için birkaç ağ madenciliği algoritması uygular.

Ağ keşfi . Her ei varlığı için, varlık sınıfını ve bunlardan bahseden cümleyi alıntı yapıyoruz

(Ve belgeler). Her ilişki ifadesi için cümle ve ilişki türünü indeksliyoruz. Life-iNet, bu veri modelini kullanarak çeşitli yapılandırılmış arama sorgularını destekleyebilir: (1) Belirli bir varlık türündeki varlıkları bulun, (2) Belirli bir varlıkla (varlık türü) belirli bir ilişkisi olan varlıkları bulun, (3) Belirli bir varlık, varlık türü, ilişki veya ilişki türü ile ilgili kağıtları bulun. Sonuçları, nesnenin orijinal oluşum sıklığını kullanarak sıralıyoruz.

İlişki tahmini . Ağdaki yeni ilişkileri keşfetmek için en gelişmiş heterojen ağ tabanlı ilişki tahmin algoritmaları LINE (Tang ve diğerleri, 2015) ve TransE (Bordeset diğerleri, 2013) kullanıyoruz. Sezgisel olarak: İki düğüm ağda benzer komşuları paylaşıyorsa, birbirleriyle ilişkili olmaları gerekir. Bu fikre göre, dağıtılmış varsayıma dayanan algoritma, ağı düşük boyutlu bir alana gömer. İlişkili varlık kelime vektörleri arasındaki benzerlik önceden tanımlanmış bir eşikten daha büyükse, yeni bir kenar oluşturulacaktır. İki varlık arasındaki dolaylı yolun (varsa) alınmasıyla, mevcut ağ yapısı kullanılarak daha fazla açıklanabilir ve tahmin edilebilir.

Benzersiz toplama yöntemi . Biyomedikal alanında, bazı yüksek profilli kuruluşlar aynı anda birçok başka kuruluşla ilişkiye sahip olabilir. Örneğin, bazı genler çok sayıda kalp hastalığı ile ilişkili olabilir. Her tür kalp hastalığı ile açıkça ilişkili olan genleri bulmayı umuyoruz. Bu, farklı varlıklar oluşturmak için bağlama duyarlı, çok boyutlu bir toplama algoritması olan CaseOLAP'ı (Tao ve diğerleri, 2016) benimsememizi sağladı. Temel fikir şudur: Bir varlık, hedef varlık türünün varlığıyla ilişkiliyse, ancak diğer varlık türlerinin varlıkları ile nispeten ilgisiz ise, o zaman varlık açıkça hedef varlık türü ile ilgilidir. Farklı varlık türleri arasında farklı toplu sonuçları önceden hesaplıyoruz ve verimli kullanıcı sorgu yanıtları için geçici sonuçlar olarak hizmet ediyoruz.

3 Demo sahnesi

3.1 İlişki araştırması

Life-iNet, çıkarılan olgu yapısını ve destekleyici belgelerini indeksler. Demomuz, kullanıcıların aramak istedikleri varlık ve ilişki türlerini (kullanıcılara aday türleri sağlayarak) belirtmek için parametre üçlüleri girebilecekleri bir arama arayüzü (bkz. Şekil 3) sağlar. Bir biyologun kardiyomiyopati ile ilgili genleri bulmak istediğini, argüman 1 olarak tip genleri, argüman 2 olarak kardiyomiyopatiyi ve ilişki olarak genetik hastalık ilişkisini girebileceğini varsayalım. Ardından, Life-iNet, farklı kardiyomiyopati varlıklarını (örneğin, endokardiyal fibröz kondroma, merkezi nöomiyopati, Carvajal sendromu) ve ilgili gen varlıklarını (örneğin,) görüntülemek için bir görselleştirme alt ağı aramaya ve oluşturmaya başlayacaktır. TAZ, BIN1, DSC2). Kullanıcı, fare imlecini alt ağdaki kenara (veya düğüme) taşıdığında, Life-iNet, önceden hesaplanmış korelasyon ölçüm yöntemine (ayrıca PubMed ile ilgili) dayalı olarak hedef ilişki (veya varlık) ile ilgili destekleyici kağıtları döndürür. Kütüphane bağlantısı) sıralama listesi. Lütfen Life-iNet'in arayüzdeki 1 ve 2 parametrelerinin girdisi olarak belirli varlıkları desteklediğini unutmayın.

Şekil 3 Life-iNet'teki ilişki keşfi ve tahmini kullanıcı arayüzünün ekran görüntüsü

3.2 Varsayımsal ilişki oluşturma

Yaşam bilimlerinde, bazı varlık ilişkileri (örneğin, DrugTargetGene, GeneDiseaseAssociation türleri) mevcut literatürde açıkça ifade edilmeyebilir. Bununla birlikte, inşa edilen ağdaki iki izole varlık arasındaki dolaylı bağlantı, aralarında belirli bir ilişki olup olmadığını gösterebilir. Life-iNet, ağın yeni yönlerini oluşturmak için yüksek güvenilirlikli tahminler oluşturabilir ve bilimsel araştırmayı kolaylaştırmak için varsayımsal varlık ilişkileri oluşturabilir (örneğin, belirli genleri hedefleyen yeni ilaçları keşfetme). Bu analiz işlevini ilişkisel arama arayüzümüze entegre ediyoruz. Örneğin, alt ağda bir gen-kalp hastalığı ilişkilendirme araması gerçekleştirirken, kullanıcı Life-iNet tarafından oluşturulan varsayımsal ilişkiyi görüntülemek için "Öngörülen İlişkiyi Göster" seçeneğini tıklayabilir (ağda noktalı bir çizgi olarak vurgulanmıştır). Life-iNet özellikle mevcut ağ yapısını kullanarak tahmin talimatları sağlar Kullanıcı tahmin kenarına tıkladığında, iki izole varlık arasındaki dolaylı yol vurgulanacaktır. Bu nedenle, kullanıcılar varsayımsal ilişkileri daha iyi anlamak için dolaylı yollardaki kenarlarla ilgili dosyaları daha fazla arayabilir.

3.3 Benzersiz varlıkların özeti

Life-iNet, benzersiz özet işlevi için ayrı bir kullanıcı arabirimi sağlar (bkz. Şekil 4). Çoğu durumda, kullanıcıların her varlık tipiyle ilgili karakteristik varlıkları keşfetmek için çeşitli varlık türleriyle (örneğin, farklı kalp hastalığı türleri) ilgili bir varlık koleksiyonunu (örneğin, proteinler) karşılaştırması gerekir. Örneğin, hangi genlerin genellikle aritmi ile ilişkili olduğunu bilmek isteyebilir, ancak kardiyomiyopati ve kalp kapak hastalığı gibi diğer kalp hastalıkları ile değil. Life-iNet, kullanıcıların şunları girmesine olanak tanır: (1) hedef alanı belirtmek için varlık türü (kalp hastalığı gibi), (2) karşılaştırma için hedef varlık türünün birkaç alt türü (kardiyomiyopati, aritmi, kalp kapak hastalığı gibi), (3 ) İlgili varlıklar listesinin varlık türünü (proteinler gibi) ve (4) ilişki türünü (hastalıklarla ilgili proteinler gibi) belirtin. Life-iNet, kullanıcı girişi sorgusu aracılığıyla, her varlık alt tipinin farklı varlıklarını özetlemek için yapılandırılmış bir tablo oluşturur. Ayrıca her bir kuruluşun bağımsızlık puanını da gösterir. Kullanıcılar, ilişkiyle ilgili belgeleri bulmak için her bir özellik varlığına tıklayabilir (ilişkiye dayalı keşifte kullanım durumlarına benzer). Şekil 4, kalp hastalığı özelliklerinin bir özetinin bir örneğini göstermektedir.