[论文解读] Exploration and Discovery of the COVID-19 Literature through Semantic Visualization

Jingxuan Tu, Marc Verhagen+2 more|arXiv (Cornell University)|Jul 3, 2020

Bioinformatics and Genomic Networks参考文献 12被引用 11

一句话总结

本文提出了一种语义可视化平台，通过应用自然语言处理（NLP）从 CORD-19、INDRA CKN 和 Blender KG 数据集中提取并索引生物医学实体及其关系，从而增强对新冠肺炎文献的探索与发现。通过参数约简技术构建功能关系容器，系统能够通过标签云、热力图和通路浏览器实现复杂网络的交互式可视化，揭示了诸如 TMPRSS2 和 TMPRSS4 在病毒进入过程中双重作用的新生物学推论，以及糖基化与干扰素调控之间新关联等新发现。

ABSTRACT

We are developing semantic visualization techniques in order to enhance exploration and enable discovery over large datasets of complex networks of relations. Semantic visualization is a method of enabling exploration and discovery over large datasets of complex networks by exploiting the semantics of the relations in them. This involves (i) NLP to extract named entities, relations and knowledge graphs from the original data; (ii) indexing the output and creating representations for all relevant entities and relations that can be visualized in many different ways, e.g., as tag clouds, heat maps, graphs, etc.; (iii) applying parameter reduction operations to the extracted relations, creating "relation containers", or functional entities that can also be visualized using the same methods, allowing the visualization of multiple relations, partial pathways, and exploration across multiple dimensions. Our hope is that this will enable the discovery of novel inferences over relations in complex data that otherwise would go unnoticed. We have applied this to analysis of the recently released CORD-19 dataset.

研究动机与目标

• 为解决在快速增长的新冠肺炎文献中发现非显性生物关系的挑战。
• 克服关键词搜索和传统网络可视化在处理异构、多关系生物医学数据方面的局限性。
• 使研究人员能够探索复杂、多步骤的生物通路，并推断成千上万篇论文之间的新关联。
• 开发一种可扩展的交互式可视化系统，以支持生物医学研究中的假说生成。
• 向科学界发布一个即用型网络应用（SemViz），供开放探索 CORD-19 知识库。

提出的方法

• 应用 NLP 流水线从 CORD-19、INDRA CKN 和 Blender KG 数据集中提取命名实体（蛋白质、化学物质、基因、疾病）及关系（如激活、抑制、表达变化）。
• 将提取的实体和关系索引到支持语义类型化的可搜索知识库中，以支持可视化。
• 实施参数约简，将单个关系聚类为功能类型（如“TNF 的下调因子”），实现聚合与可视化，呈现为标签云或热力图。
• 创建“关系容器”，表示相似关系的聚类，支持跨多个维度的完整或部分生物通路可视化。
• 构建基于网络的界面，集成交互式标签云、热力图和通路浏览器，可追踪长达五步的调控级联。
• 将可视化证据链接至原始文献，以确保溯源性和验证性。

实验结果

研究问题

• RQ1 语义可视化技术在多大程度上能提升在庞大而复杂的新冠肺炎文献中发现新颖、非显性生物关系的能力？
• RQ2 将提取的关系参数约简为功能类型，在多大程度上能增强生物医学知识可视化的可解释性与可扩展性？
• RQ3 交互式可视化（如热力图和标签云）能否揭示传统基于关键词的文献搜索所遗漏的生物学显著关联？
• RQ4 在 SARS-CoV-2 病理机制背景下，通过探索多步调控通路，能揭示哪些新的生物学洞见？
• RQ5 该系统在多大程度上能有效支持研究人员识别病毒性感染背景下新的治疗靶点或调控机制？

主要发现

• 该系统成功识别出 TMPRSS2 和 TMPRSS4 均为病毒融合蛋白的调控因子，这一关联此前未被充分强调，提示其作为治疗干预的双重靶点潜力。
• 通过标签云分析，揭示了冠状病毒 M 蛋白糖基化与干扰素调控之间此前被忽视的关联，凸显了冠状病毒中潜在的调控机制。
• 可视化揭示了 DDX58 抑制剂与 NOP53 之间的关联，提示核仁蛋白在冠状病毒感染期间参与干扰素调控，为值得进一步研究的新通路。
• 研究人员通过语义探索发现了以往关键词搜索中遗漏的远距离相关文献，显著丰富了正在进行的研究提案的背景信息。
• 通路浏览器使研究人员能够重建调控级联，例如 IFNA 及其上游激活因子对 MAVS 的激活，且证据可追溯至原始文献。
• 该平台表明，功能类型约简可实现复杂关系的可扩展、高密度可视化，使多关系网络更易于访问与理解。