||
文章荐读 | 肠道细胞知识图谱构建研究
小编导读:
知识图谱是一种知识表示和管理的方式。近年来,在人工智能的蓬勃发展下,知识图谱已经成为了医学领域的一个新热点,受到国内外学者的广泛关注。来自湖北中医药大学信息工程学院的解丹教授、武汉科技大学张玲教授、武汉大学滕冲教授以及何峰峰等研究人员在期刊 Journal of Artificial Intelligence of Medical Sciences(JAIMS)上发表了题为“Research on Construction of Knowledge Graph of Intestinal Cells” 的文章,研究了肠道细胞知识图谱的构建,并且提供了若干个SPARQL查询案例。
肠道细胞在人体的生理代谢、免疫防护以及神经系统疾病的发展与控制方面起着重要的作用。随着人工智能技术的快速发展和肠道细胞研究热度的到来,如何从海量的医学文献中获取肠道细胞知识并实现知识的可视化给医学研究者带来了巨大挑战。目前,还没有研究构建肠道细胞的知识图谱。本研究提出两个过程来构建肠道细胞知识图谱:概念层设计和实力层构建。概念层设计定义知识图谱的数据模型。在构建实例层的过程中,将细胞作为基本概念单位来系统地梳理肠道细胞术语,将获取到的数据进行预处理,然后将其映射到知识图谱来构建一个知识库。本文提供若干个SPARQL查询案例,医学研究者可以借助查询语句从知识库中高效地获取所需要的知识,从而更好地服务于医学研究。
要点介绍:
人体肠道内的大量细胞对宿主的生理代谢、免疫防护和神经系统疾病的发展与控制等方面起着重要的作用。肠道细胞与宿主之间是一种共生关系,它们共同发挥作用维持着人体的平衡。肠道生态系统的失衡会给宿主带来严重的健康危害,宿主自身的饮食行为和生活习惯反过来也会影响肠道细胞的多样性[1]。近年来,肠道细胞逐渐成为医学领域中热门的研究对象之一。然而,大量的医学文献和复杂的医学概念使得医学研究者们很难串联起他们阅读过的医学知识。随着大数据时代的到来,利用传统数据库的方法有效地存储从大量医学文献中提取的知识并实现知识的融合与可视化,工作量是巨大的。人工智能的快速发展给人们提供了新技术:知识图谱,它能够有效地实现知识的结构化存储和图谱可视化。
Google在2012年正式提出了知识图谱的概念,知识图谱是Google用于增强其搜索引擎功能的辅助知识库[2]。知识图谱的诞生是建立在早期一系列概念的基础之上的,包括1960年提出的语义网络[3],以及随后提出的本体[4]、万维网、Semantic Web[5](语义网)、Linked Data[6]。知识图谱的组成是结点和边,结点可以是实体、概念等,边可以是实体的属性、实体之间的关系等。知识图谱的早期理念来源于语义网[7]。图1所示为知识图谱的架构。由图可知,知识图谱旨在从结构化程度不同的数据中识别和抽取实体或实体之间复杂的关联关系,是知识之间的可计算与可推理模型。在知识图谱构建过程中,将获取到的知识进行规范化表示,映射到知识图谱中。知识库可以实现知识推理,不断提升知识图谱的质量。自知识图谱被提出以来,国内外涌现了大量的知识库项目。国外常见的大规模知识库项目有ConceptNet、Freebase、DBpedia、BabelNet、Yago等等[3]。另外,国内也有中文领域的大规模开放知识图谱平台[3],如OpenKG、清华大学的XLore、上海交通大学的Zhishi.me、中国科学院自动化研究所的Belief-Engine等等。除此之外,研究者们开发了很多医学领域的知识图谱。然而,目前还没有研究构建肠道细胞知识图谱。本研究旨在利用肠道细胞的各种信息来构建一个肠道细胞知识图谱,例如肠道细胞的调节性细胞因子、信号通路和功能等等。这将有利于医学研究者查询相关的知识,以便肠道细胞知识能够在大量的医学文献间有机衔接。
本论文的主要贡献如下:(1)构建肠道细胞的知识图谱,融合肠道细胞的各种信息来形成一个肠道细胞知识库。这能够方便肠道领域的学者研究不同的细胞因子通过调节不同的信号通路所发挥的作用机制,从而更好地服务于医学研究。(2)将肠道细胞知识图谱应用于知识检索,利用SPARQL查询语句对三元组数据进行检索。因此给出若干个SPARQL查询案例使更多的研究者能够掌握SPARQL的基本语法。医学研究人员不仅可以从知识库中获取所需要的知识,还能串联起不同文献间的复杂医学概念。
参考文献
1. Liang Guo, Guowei Chen, Manman Xie, et al. Advances in Function and Influencing Factors of Gut Microbian[J].
Journal of Microbiology, 2017, 37(04): 108-114.
2. Zenglin Xu, Yongpan Sheng, Lirong He, et al. Review on Knowledge Graph Techniques[J]. Journal of University of
Electronic Science and Technology of China, 2016, 45(04): 589-606.
3. Guilin Qi, Huan Gao, Tianxing Wu. The Research Advances of Knowledge Graph[J]. Technology Intelligence Engineering,
2017, 3(01): 4-25.
4. Maedche A, Staab S. Ontology learning for the Semantic Web[J]. IEEE Intelligent Systems, 2001, 16(2): 72-79.
5. Berners-Lee T, Hendler J, Lassila O. The semantic web. [J]. Scientific American, 2001, 284(5): 34-43.
6. Bizer C, Universit F, The B, et al. The Emerging Web of Linked Data[C]. International Conference on Intelligent
Semantic Web-services & Applications. ACM, 2011.
7. Semantic Web Road Map. https://www.w3.org/DesignIssues/Semantic.html.
8. Bodenreider O. The unified medical language system (UMLS): integrating biomedical terminology[J]. Nucleic acids
research, 2004, 32(suppl_1): D267-D270.
9. Lee D, de Keizer N, Lau F, et al. Literature review of SNOMED CT use[J]. Journal of the American Medical Informatics
Association, 2014, 21(e1): e11-e19.
10. World Health Organization. The ICD-10 classification of mental and behavioural disorders: clinical descriptions and
diagnostic guidelines[J]. Weekly Epidemiological Record= Relevé épidémiologique hebdomadaire, 1992, 67(30): 227-
227.
11. Duque A, Stevenson M, Martinez-Romo J, et al. Co-occurrence graphs for word sense disambiguation in the biomedical
domain[J]. Artificial intelligence in medicine, 2018, 87: 9-19.
12. Munkhdalai T, Liu F, Yu H. Clinical relation extraction toward drug safety surveillance using electronic health record
narratives: classical learning versus deep learning[J]. JMIR public health and surveillance, 2018, 4(2): e29.
13. Gyrard A, Gaur M, Shekarpour S, et al. Personalized health knowledge graph[J]. 2018.
14. Gentile A L, Gruhl D, Ristoski P, et al. Personalized knowledge graphs for the pharmaceutical domain[C]//International
Semantic Web Conference. Springer, Cham, 2019: 400-417.
15. Lirong Jia, Jing Liu, Tong Yu, et al. Construction of Traditional Chinese Medicine Knowledge Graph[J]. Journal of
Medical Informatics, 2015, 36(08): 51-53+59.
16. Yingying Zhang. Research and Construction of Tongue Image Diagnosis and Treatment System Based on Knowledge
Graph[D]. University of Electronic Science and Technology of China, 2019.
17. Chaoning Cui. Analysis of pain perception Information in Medical Domain And the construction of knowledge graph[D].
Shanxi University, 2019.
18. Yani Jin, Huazhen Wang, Shuo Wang, et al. The Construction and Application of Medical Examination Knowledge
Graph Based on Laboratory Information System[J]. Journal of Fujian Computer, 2020, 36(02): 1-7.
19. Meijie Yang, Xiangchao Xiong. Construction of Diabetes Knowledge Map Based on Reptilian Technology and Electronic
Medical Record[J]. China Digital Medicine, 2020, 15(02): 6-8.
20. Ming Sheng, Yusi Chen, Yong Zhang, et al. Research of an Extensible Framework for Health Knowledge Graph[J].
Journal of Chinese Computer Systems, 2019, 40(10): 2150-2154.
21. Kaiqi Yuan, Yang Deng, Daoyuan Chen, et al. Construction techniques and research development of medical knowledge
graph[J]. Application Research of Computers, 2018, 35(07): 1929-1936.
22. Davis R, Shrobe H, Szolovits P. What is a knowledge representation?[J]. AI magazine, 1993, 14(1): 17-17.
23. GraphDB. http://graphdb.net/.
24. Sparql 1.1 query language. https://www.w3.org/TR/sparql11-query/.
25. Baganz NL, Blakely RD. A dialogue between the immune system and brain, spoken in the language of serotonin[J].
ACS chemical neuroscience, 2013, 4(1): 48-63.
26. Uranga J A, Castro M, Abalo R. Guanylate Cyclase C: A Current Hot Target, from Physiology to Pathology[J].
Current Medicinal Chemistry, 2018, 25(16): 1879-1908.
27. Harkavyi A, Whitton P S. Glucagon-like peptide 1 receptor stimulation as a means of neuroprotection[J]. British
journal of pharmacology, 2010, 159(3): 495-501.
原文信息
F.F H, L. Zhang, W. Qu, C. Teng, D. Xie "Research on Construction of Knowledge Graph of Intestinal Cells", Journal of Artificial Intelligence and Medical Sciences, 2020, DOI: 10.2991/jaims.d.200902.001
关于期刊
Journal of Artificial Intelligence of Medical Sciences (JAIMS,eISSN 2666-1470) 是一本国际性的、经过严格同行评审的开放存取期刊,刊载人工智能在医学、医疗保健和生命科学所有交叉学科方向的理论,方法和应用的研究。编辑团队尤其欢迎在机器/深度学习、数据科学、自然语言处理(NLP)等支持下,为医学诊断、药物开发、护理、精准治疗等领域提供最近见解的原创性研究文章、综合评论、通信和观点。
JAIMS由荷兰阿姆斯特丹自由大学黄智生教授担任创刊主编,来自八个国家的36名领域一流学者担任首届编委会,致力于将期刊打造为医学人工智能领域的首选阵地和开放科学平台。文章成果版权作者保留,不收取任何费用。欢迎各位专家投稿!
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-9-1 13:11
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社