Arbeitsgebiet "Textmining"

Textmining ist ein automatisierter Prozess, mit dem natürliche Sprache in Textform analysiert wird. Textmining gliedert sich in verschiedene Teilaufgaben; z.B. beschäftigt sich Information Retrieval (IR) mit dem Auffinden von Dokumenten, die für eine bestimmte Fragestellung relevant sind, Information Extraction (IE) zielt auf das Auffinden von Entitäten (Objekten), Tatsachen oder Ereignissen ab. Named Entity Recognition (NER) ist die Unterdisziplin von IE, die sich mit dem Erkennen von Entitäten in Texten beschäftigt. Das Ziel der Text Klassifikation ist die Gruppierung von Dokumenten mit ähnlichen Inhalten.

Textmining spielt in der Bioinformatik eine wichtige Rolle, da ein Grossteil des biologischen Wissens nur in Form von Text zugänglich ist. Um dieses Wissen zu extrahieren, ist es wesentlich, biologische Objekte in Texten zu erkennen, dies gilt insbesondere für Gene und Proteine.

• Informationen aus Texten zu extrahieren
• Aus Texten Netzwerke zur weiteren Analyse zu generieren
• Text-Informationen zusammen mit Daten aus anderen Quellen (z.B. Genexpressionsdaten) zu analysieren

Suche nach benannten Objekten in biomedizinischen Texten

Die wissenschaftliche Literatur ist die umfassendste Quelle von Informationen über biologische Objekte und ihre Wechselwirkungen. Leider wird in den Freitexten keine einheitliche und standardisierte Nomenklatur von biologischen Objekten (Genen, Proteinen, Krankheiten, Zellen, Organismen, etc.) und von Relationen zwischen den Objekten verwendet. Deshalb sind Textmining Verfahren notwendig um biologische Objekte zu identifizieren (‚named entity recognition (NER)’) und Objekt-Relationen zu extrahieren. Dabei müssen verschiedene Schreibweisen und Abkürzungen erkannt und mehrdeutige Bezeichnungen eindeutigen Objekten zugeordnet werden. Ein häufig verwendetes Verfahren für die NER ist das Durchsuchen der Texte mithilfe von sogenannten Synonymlisten. Synonymlisten für die Gene und Proteine höherer Organismen wie z.B. Mensch umfassen etwa 30-50.000 Objekte mit durchschnittlich ca. 10-15 Synonymen. Dabei sind die Datenmengen recht groß (z.B. simultane Suche von 170K Objekten mit 1.6M Synonymen in 19M Pubmed Abstracts (66 Gb XML, 26 Gb Text)) zum anderen hängt die Qualität des Resultats ganz wesentlich von der Qualität und Kurierung der Synonymlisten ab. Das von uns eingesetzte Programm syngrep ist viel speicher-effizienter und mehr als hundertfach schneller als bekannte Unixtools wie fgrep [3]. Hochwertige Lösungen des NER Problems hat eine Reihe von Anwendungen: Zuordnung von Annotationen an identifizierte Objekte, Erweiterung der Wissensbasis über die identifizierten Objekte durch in der Literatur beschriebene Fakten.

Extraktion von Objekt-Objekt Wechselwirkungen aus biomedizinischen Texten

Es gibt i.W. zwei Verfahren zur Extraktion von Relationen aus Freitexten. Methoden des statistischen Lernens ordnen bestimmten Textpassagen bestimmte Relationen zu, indem sie aus geeigneten annotierten Testmengen lernen. Linguistische Methoden analysieren die grammatikalische Struktur der Sätze und erkennen aus den Satzbestandteilen mit Hilfe geeigneter Regeln die Objektrelationen. Leider ist die Auflösung der Syntax-Strukturen englischer Sätze aus wissenschaftlichen Texten nicht befriedigend gelöst, so dass eine überbordende Menge an Regeln nötig ist, um die Relationen zu extrahieren. Der RelEx Ansatz [Fundel07] verwendet den Stanford Dependency Parser, um sogenannte Abhängigkeitsbäume für die einzelnen Sätze zu berechnen. Durch einige wenige Baumtransformationsregeln Relationen zwischen den ‚named entities’ extrahiert. Abhängigkeitsbäume können Satzteilbeziehungen recht gut modellieren, so dass man sich auf wenige Regeln beschränken kann, die benutzerfreundlich in Prolog werden können. 2007 Papers Katrin Fundel, R. Küffner, Ralf Zimmer. RelEx - Relation extraction using dependency parse trees. Bioinformatics, vol 23, no. 3, pp. 365-371, 2007. DOI BibTex Das manuell kurierte Testset mit Relationen aus der HPRD.