1. Một số tài nguyên cho nhận dạng thực thể y sinh
TRẦN MAI VŨ

2. NỘI DUNG Thực thể y sinh Một số kho dữ liệu về y sinh
Một số công cụ nhận diện thực thể y sinh
Kế hoạch tiếp theo

3. Thực thể y sinh Các thực thể y sinh phổ biến:
Protein, DNA, RNA, Cell line, Cell type, Gene…
Disease (bệnh), Symptom (triệu chứng), Virus, Atom…
=> Kiểu hình(Phenotype), Gene, Bệnh (Disease) , Hóa chất (Chemical)

4. Thách thức Thiếu quy ước đặc tên trong sinh học
Sự đa dạng trong thuật ngữ:
Dùng từ tiếng Anh: Vd: light, map, complement,…tên gene
Sử dụng số: Vd: 9-cis retinoic acid
Sử dụng các ký tự và mã: M(2)201
Sự lồng nhau giữa các tên:
Vd: “[leukaemic[T [cell line]] Kit225]”
Sự phối hợp: “B and T cells”
Sự đồng âm
Tính đa nghĩa
Nhiều biến thể của một tên:
Vd: “-150 CD28 response element (CD28RE)/AP-1 site” cũng là “-150 CD28RE/AP-1 site”.

5. Phenotype Entity Kiểu hình(Phenotype):
Đặc tính ấn định bởi di truyền có thể quan sát được của một tế bào hoặc sinh vật [1]
Tổ hợp của các đặc điểm quan sát được hoặc những đặc điểm của một sinh vật: như hình thái, sự phát triển, đặc tính sinh hóa hoặc sinh lý, vật hậu học (phenology), hành vi, và các sản phẩm của hành vi (chẳng hạn như tổ của một con chim).[2]
Ví dụ: 4-5 finger syndactyly
[1]. Strachan, T., Read, A.: Human Molecular Genetics, 3rd edn. Garland Science/Taylor & Francis Group (2003)
[2].

6. Pubmed
PubMed Central (Trung tâm lưu trữ báo điện tử về y sinh và khoa học đời sống của Viện Y học quốc gia Mỹ)
PubMed cung cấp quyền truy cập miễn phí tới CSDL Medline.
MEDLINE: là csdl thư mục hàng đầu của thư viện y khoa quốc gia Hoa Kỳ, gồm:
nhan đề tạp chí về y khoa
- 19 triệu tham chiếu (references) lưu trữ từ đầu thập niên 50’ đến nay.

7. Pubmed

8. MeSH
MeSH(Medical Subject Heading): Tiêu đề y khoa là tập các từ vựng dùng để phân loại các bài báo trong Medline. Các từ vựng này được mô tả theo cấu trúc cây.
Ví dụ:
21,973 mô tả
Hàng nghìn tham chiếu chéo

9. UMLS
UMLS(Unified Medical Language System): bao gồm các cụm khái niệm y học cùng nghĩa(đồng nghĩa, biến thể của từ, từ trong các ngôn ngữ, từ viết tắt)
Hơn 1.5 triệu từ tiếng Anh nằm trong hơn 60 nhóm và được tổ chức trong 775 nghìn khái niệm

10. MedTag L. Smith và cộng sự. MedTag là CSDL kết hợp của 3 bộ
MedPost: 6700 câu đã gắn nhãn từ loại (POSTagger chính xác 97.4%)
GENETAG: câu đã gắn nhãn Gene và Protein.
ABGene: 4000 câu đã gắn nhãn Gene và Protein

11. GENIA Junichi Tsujii (University of Tokyo) Genia Corpus Genia Ontology
44 nhãn thực thể
Genia Ontology
Genia Tools
GENIA Sentence Splitter: Tách câu (mô hình ME)
GENIA Tagger: PosTag, NER, Shallow parsing

13. CALBC Corpora
CALBC (Collaborative Annotation of a Large Biomedical Corpus)
Challenge task A: Named Entity Recognition
Challenge task B: Concept identification

14. CALBC Corpora CALBC-SSC-III-Small: CALBC-SSC-III-Big:
174,999 Medline abstracts, 2,548,900 annotations
CALBC-SSC-III-Big:
714,283 Medline abstracts, 10,304,172 annotations
16 nhãn ngữ nghĩa và 133 nhãn con tương ứng UMLS

15. Human Phenotype Ontology
Là ontology về các kiểu hình trên người, phát triển dựa trên các thông tin từ kho dữ liệu OMIM (Online Mendelian Inheritance in Man)
Gần 10 nghìn từ về kiểu hình trên người
Gần 50 nghìn chú thích về sự di truyền bệnh

16. Một số Corpora khác

17. ABNER Tác giả Burr Settles
B. Settles (2004). Biomedical Named Entity Recognition Using Conditional Random Fields and Rich Feature Sets. In Proceedings of the International Joint Workshop on Natural Language Processing in Biomedicine and its Applications (NLPBA), Geneva, Switzerland, pages
ABNER
Tác giả Burr Settles
(Java)
Sử dụng mô hình CRF(Mallet) và 2 loại đặc trưng chính:
Chính tả: viết hoa, chữ số,…
Ngữ nghĩa: Thêm đặc trưng lớp ngữ nghĩa của từ
Ví dụ:

18. Banner Tác giả Bob Leaman và Graciela Gonzalez
Leaman, R. & Gonzalez G. (2008) BANNER: An executable survey of advances in biomedical named entity recognition. Pacific Symposium on Biocomputing 13: (2008)
Banner
Tác giả Bob Leaman và Graciela Gonzalez
(Java)
Sử dụng mô hình CRF
Sử dụng thêm đặc trưng phân tích cú pháp ở mức sâu

19. Banner

20. Các loại đặc trưng S SVM sh Dạng tự sy Nhãn cú pháp H HMM gn
Chuỗi gene tr
Luật C
CRF wv
Biến thể của từ ab
Viết tắt M
MEMM ln
Độ dài từ ca
Các thực thể khác lx
Từ vựng gz
Tra từ điển do
Thông tin tài liệu af
Các thông tin liên quan (ngram) po
Nhãn từ loại pa
Dấu ngoặc or
Chính tả np
Nhãn cụm danh từ pr
Sử dụng các nhãn đã dữ đoán

21. Một số phương pháp giải quyết

22. Định hướng tiếp theo
Nhận dạng Phenotype, Gene, Bệnh (Disease), Hóa chất (Chemical)
Vấn đề: Phenotype chưa có tập dữ liệu huấn luyện, chỉ có HPO
Dự kiến:
Sử dụng CALBC làm tập huấn luyện
Dùng HPO nhận dạng các câu có chứa Phenotype, sử dụng các câu tìm được làm câu huấn luyện
Thử nghiệm trên một số đặc trưng đã khảo sát

23. THANK YOU