[論文レビュー] A Simple Text Mining Approach for Ranking Pairwise Associations in Biomedical Applications

Finn Kuusisto, John Steill+4 more|PubMed|Jun 12, 2019

Biomedical Text Mining and Ontologies参考文献 22被引用数 31

ひとこと要約

本稿では、キーワード一致と文書共起頻度のフィッシャーレンズ検定を用いて、ターゲット用語（例：転写因子や薬剤）とキーフレーズ（例：『胚性幹細胞』や『低血糖』）の対ごとの関連性を順位付けする、シンプルなテキストマイニング手法KinderMinerを紹介する。この手法は、最小限のデータと自然言語処理（NLP）の要件のもとで、顕著な再プログラミング因子やドラッグ・リポジショニングの候補を強く予測することができ、その性能は期待を上回る。

ABSTRACT

We present a simple text mining method that is easy to implement, requires minimal data collection and preparation, and is easy to use for proposing ranked associations between a list of target terms and a key phrase. We call this method KinderMiner, and apply it to two biomedical applications. The first application is to identify relevant transcription factors for cell reprogramming, and the second is to identify potential drugs for investigation in drug repositioning. We compare the results from our algorithm to existing data and state-of-the-art algorithms, demonstrating compelling results for both application areas. While we apply the algorithm here for biomedical applications, we argue that the method is generalizable to any available corpus of sufficient size.

研究の動機と目的

• 膨大な組み合わせ探索空間を効率的に優先順位付けする課題に取り組むこと、例えば細胞再プログラミングのための主要な転写因子や、新たな適応症への再利用が可能な薬剤を同定すること。
• 最小限のデータ前処理と複雑なNLPを要しないが、高品質な関連性の優先順位付けを提供できる、シンプルで軽量なテキストマイニング手法を開発すること。
• 基本的な共起頻度と統計的有意性のアプローチが、専門的な生物医学発見タスクにおいて最先端の結果に匹敵または近づけるかどうかを評価すること。
• 大規模で公開可能なテキストコーパスにアクセスできる限り、この手法が生物学・医学を越えた分野へも一般化可能かどうかを示すこと。

提案手法

• KinderMinerは、検索可能でインデックス化されたテキストコーパス（例：PubMed や Europe PMC）を用い、ターゲット用語、キーフレーズ、およびそれらの共起頻度の文書頻度を数える。
• 各ターゲット用語について、文書数の2×2分割表（両方、ターゲット用語のみ、キーフレーズのみ、いずれでもない）を構築する。
• 共起の統計的有意性を評価するために片側フィッシャーの正確確率検定を適用し、p値のしきい値に基づいて有意でないペアをフィルタリングする。
• 有意な用語は、ターゲット用語とキーフレーズの両方が含まれる文書数を、ターゲット用語が含まれる文書総数で割った比率によって順位付けされる。
• この手法は、名前付きエンティティ認識や複雑なNLPを避ける軽量な設計となっており、正確なキーワード一致と文書数のカウントに依存する。
• 歴史的評価のため、スケーラブルで日付制限付きのクエリが可能なWeb API（例：Europe PMC）を用いて実装されている。

実験結果

リサーチクエスチョン

• RQ1 共起頻度と統計的有意性に基づくシンプルなテキストマイニング手法が、細胞再プログラミングのための主要な転写因子を同定する際、期待を上回る性能を発揮できるか？
• RQ2 ドメイン特化のトレーニングデータなしで、この手法が低血糖のような疾患に対して既知の非適応薬物効果をどの程度同定できるか？
• RQ3 この手法は、専門的な生物医学発見タスクにおいて、最先端のアルゴリズムと比較してどの程度の性能を示すか？
• RQ4 大規模でインデックス化されたテキストコーパスへのアクセスのみを前提とした場合、この手法は生物学・医学を越えた分野へも一般化可能か？

主な発見

• 再プログラミングタスクにおいて、KinderMinerは、ランドマーク論文発表から2年以内の文献を学習データとして用いても、実験的に検証された転写因子（例：Oct4, Sox2, Klf4）をトップ20内に高く順位付けした。
• ドラッグ・リポジショニングの観点から、低血糖関連の薬剤候補として43件の関連薬剤を同定し、そのうち糖尿病以外の薬剤7種が血糖値に既知の影響を示すことが確認され、既知の薬理学的効果と強い一致を示した。
• 名前付きエンティティ認識や高度なNLPを一切使用しないにもかかわらず、両タスクにおいてより複雑なドメイン特化アルゴリズムと同等の性能を達成した。
• 上位にランクされた用語は、既知の生物学的および薬理学的関連性と強く一致しており、文献内での共起パターンが意味のある生物学的関係を反映していることが示された。
• 頻度が低い用語に対しても良好な性能を示したが、非常に低い文書数（例：用語の合計文書数が15件未満）では信頼性が低下する可能性があると指摘され、今後の研究においてしきい値設定や擬似カウントの導入が求められる。