[论文解读] 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 31

一句话总结

本文提出 KinderMiner，一种简单的文本挖掘方法，通过在文献中共现计数中使用关键词匹配和 Fisher 精确检验，对目标术语（如转录因子或药物）与关键词短语（如“胚胎干细胞”或“低血糖”）之间的成对关联进行排序。该方法在识别关键重编程因子和药物再利用方面表现优异，其性能出乎意料地强，尤其考虑到其仅需极少数据且无需自然语言处理（NLP）要求。

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.

研究动机与目标

• 为解决生物医学研究中庞大组合搜索空间的优先排序挑战，例如识别细胞重编程的关键转录因子或为新适应症寻找药物再利用方案。
• 开发一种简单、低开销的文本挖掘方法，仅需极少数据准备且无需复杂自然语言处理，但仍能实现高质量的相关关联优先排序。
• 评估基于基本共现与统计显著性分析的方法是否能在专业生物医学发现任务中达到或接近最先进水平。
• 通过利用大规模公开文本语料库，证明该方法在生物医学之外的其他领域的可扩展性。

提出的方法

• KinderMiner 使用可搜索、已索引的文本语料库（如 PubMed 或 Europe PMC），统计目标术语、关键词短语及其共现的文献频率。
• 针对每个目标术语，构建一个 2×2 列联表，记录同时包含术语和关键词短语的文献数、仅包含术语的文献数、仅包含关键词短语的文献数，以及两者均不包含的文献数。
• 应用单侧 Fisher 精确检验评估共现的统计显著性，基于 p 值阈值过滤掉不显著的配对。
• 显著的术语按同时包含术语和关键词短语的文献数与包含该术语的总文献数之比进行排序。
• 该方法设计轻量化，避免命名实体识别或复杂自然语言处理，仅依赖精确关键词匹配和文献计数。
• 该方法通过网络 API（如 Europe PMC）实现，支持可扩展的、带时间限制的查询，以实现历史评估。

实验结果

研究问题

• RQ1 基于共现与统计显著性分析的简单文本挖掘方法，是否能在识别细胞重编程关键转录因子方面表现超出预期？
• RQ2 在无领域特定训练数据的情况下，该方法在识别低血糖等疾病相关药物的非标签效应方面能达到何种程度？
• RQ3 在专业生物医学发现任务中，该方法与最先进算法相比表现如何？
• RQ4 仅通过访问大规模索引文本语料库，该方法是否能在生物医学领域之外的其他领域实现泛化？

主要发现

• 在重编程任务中，KinderMiner 即使在仅使用关键文献发表前两年的文献训练下，仍能将实验验证的转录因子（如 Oct4、Sox2、Klf4）排在前 20 名内。
• 在药物再利用方面，该方法识别出 43 种与低血糖相关的药物候选，其中包括 7 种非糖尿病药物，且已知具有调节血糖的作用，显示出与已知药理效应的高度重叠。
• 尽管未使用命名实体识别或高级自然语言处理技术，该方法在两项应用中的表现均与更复杂、领域特定的算法相当。
• 排名靠前的术语与已知的生物和药理学关联高度重合，表明文献中的共现模式编码了有意义的生物学关系。
• 即使在低频术语上，该方法也表现良好，但指出当术语总文献数过低（如 <15）时可能降低可靠性，提示未来工作需引入阈值设定或伪计数。