[论文解读] Transitive Text Mining for Information Extraction and Hypothesis Generation

Johannes Stegmann, Guenter Grohmann|ArXiv.org|Sep 7, 2005

Biomedical Text Mining and Ontologies参考文献 12被引用 4

一句话总结

本文提出一种基于PubMed中MeSH术语共现分析的传递性文本挖掘方法，用于识别不相交文献集之间的隐藏关联，通过中间概念实现假设生成。通过基于等价指数对MeSH术语聚类，并在战略图中可视化，该方法识别出中心度和密度较高的聚类作为潜在中间术语的候选，成功恢复了已知的Swanson关联案例，如偏头痛-镁和雷诺氏病-鱼油。

ABSTRACT

Transitive text mining - also named Swanson Linking (SL) after its primary and principal researcher - tries to establish meaningful links between literature sets which are virtually disjoint in the sense that each does not mention the main concept of the other. If successful, SL may give rise to the development of new hypotheses. In this communication we describe our approach to transitive text mining which employs co-occurrence analysis of the medical subject headings (MeSH), the descriptors assigned to papers indexed in PubMed. In addition, we will outline the current state of our web-based information system which will enable our users to perform literature-driven hypothesis building on their own.

研究动机与目标

• 开发一种基于MeSH术语共现的方法，以识别不相交生物医学文献集之间的隐含、传递性关联。
• 检测连接源（疾病）与目标（治疗）文献集的中间概念，以实现新型假设生成。
• 创建一个可视化与计算框架，用于优先筛选可能包含相关中间概念的MeSH术语聚类。
• 实现并发布一个基于网络的系统（Charité-Mlink），支持用户在其自身文献集中执行传递性文本挖掘。

提出的方法

• 从MEDLINE格式的PubMed文献集中提取MeSH术语，忽略单个文献中的多个子标题。
• 计算等价指数（E_ij = C_ij² / (C_i * C_j)），以衡量MeSH术语对之间的共现强度，设定阈值为E_ij ≥ 0.05。
• 应用层次聚类算法，从E_ij最高的术语对开始，将具有最强关联的术语添加到现有聚类中，限制聚类大小为3至10个术语。
• 使用R将聚类可视化为战略图，基于内部链接强度的平均值（密度）和外部链接总和（中心度）。
• 利用位置和数值特征（如低密度/中心度或源-目标比（STR）≈ 1）作为筛选聚类的指标，以识别潜在的中间或目标术语。
• 将该方法集成到一个基于网络的系统（Charité-Mlink）中，允许用户上传文献集，并探索MeSH术语聚类以实现传递性发现。

实验结果

研究问题

• RQ1 在源文献图中，哪些MeSH术语聚类最有可能包含连接不相交文献领域的中间概念？
• RQ2 MeSH术语的共现模式如何用于识别未明确提及彼此主要概念的文献集之间的传递性关联？
• RQ3 在战略图中，哪些可视化与数值指标（如中心度、密度、STR）可指导用户优先筛选聚类以生成假设？
• RQ4 所提出的方法能否通过MeSH术语聚类成功恢复已知的Swanson关联案例（如偏头痛–镁、雷诺氏病–鱼油）？
• RQ5 基于网络的系统Charité-Mlink在支持用户自主执行传递性文本挖掘与假设发现方面有多高效？

主要发现

• 在源文献图中，中心度和密度较低，或源-中间比（SIR）接近1的聚类，通常包含已知的中间术语，如偏头痛-镁案例中的扩散性皮层抑制和癫痫。
• 血小板聚集的中间文献图成功识别出偏头痛-镁的关联，其源聚类与目标聚类的源-目标比（STR）约为1。
• 在血液黏度的中间文献中，目标术语二十碳五烯酸和鱼油位于一个STR较高（~1）且靠近源聚类的聚类中，表明具有强烈的传递关联潜力。
• 该方法通过MeSH术语共现与聚类，成功恢复了已知的Swanson关联案例，包括雷诺氏病-鱼油和偏头痛-镁。
• Charité-Mlink系统使用户能够上传文献集并导航MeSH术语聚类，系统可自动推荐可能包含中间或目标术语的聚类。
• 尽管STR ≈ 1和靠近源聚类是有效的指标，但部分有效目标术语仍位于这些区域之外，表明仍需进行更广泛的聚类筛查。