ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
Phí Văn Thủy
TRÍCH CHỌN SỰ KIỆN Y SINH PHỨC HỢP
DỰA VÀO MÔ HÌNH PHÂN TÍCH CÂY PHỤ THUỘC
TRONG VĂN BẢN VỀ BỆNH UNG THƯ DI TRUYỀN
KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY
Ngành: Công nghệ thông tin
HÀ NỘI - 2013
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
Phí Văn Thủy
TRÍCH CHỌN SỰ KIỆN Y SINH PHỨC HỢP
DỰA VÀO MÔ HÌNH PHÂN TÍCH CÂY PHỤ THUỘC
TRONG VĂN BẢN VỀ BỆNH UNG THƯ DI TRUYỀN
KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY
Ngành: Công nghệ thông tin
Cán bộ hướng dẫn: TS. Phan Xuân Hiếu
Cán bộ đồng hướng dẫn: ThS. Trần Mai Vũ
VIETNAM NATIONAL UNIVERSITY, HANOI
UNIVERSITY OF ENGINEERING AND TECHNOLOGY
Phi Van Thuy
A COMPLEX EVENT EXTRACTION METHOD
BASED ON DEPENDENCY PARSING
FOR CANCER GENETICS DATASET
Major: Information Technology
Supervisor: Dr. Xuan-Hieu Phan
Co-Supervisor: MSc. Mai-Vu Tran
HA NOI - 2013
Lời cảm ơn
Trước tiên, tôi xin gửi lời cảm ơn và lòng biết ơn sâu sắc nhất tới Phó Giáo sư
Tiến sĩ Hà Quang Thụy, Tiến sĩ Phan Xuân Hiếu, và Thạc sĩ Trần Mai Vũ – những
người đã tận tình chỉ bảo và hướng dẫn tôi trong quá trình thực hiện khoá luận tốt
nghiệp.
Tôi xin gửi lời cảm ơn chân thành tới Phó Giáo sư Tiến sĩ Nigel H. Collier,
thuộc Viện Thông tin quốc gia Nhật Bản (NII), người đã tận tình hỗ trợ về kiến thức
chuyên môn, giúp đỡ tôi hoàn thành khóa luận.
Tôi chân thành cảm ơn các thầy, cô và cán bộ của trường Đại Học Công Nghệ
đã tạo những điều kiện thuận lợi cho tôi học tập và nghiên cứu.
Tôi cũng xin gửi lời cảm ơn tới các anh chị và các bạn sinh viên trong phòng thí
nghiệm KT-Lab đã giúp tôi rất nhiều trong việc thu thập và xử lý dữ liệu.
Cuối cùng, tôi muốn gửi lời cảm ơn tới gia đình và bạn bè, những người thân
yêu luôn bên cạnh, động viên tôi trong suốt quá trình thực hiện khóa luận tốt nghiệp.
Tôi xin chân thành cảm ơn !
Hà Nội, ngày 15 tháng 5 năm 2013
Sinh viên
Phí Văn Thủy
TRÍCH CHỌN SỰ KIỆN Y SINH PHỨC HỢP
DỰA VÀO MÔ HÌNH PHÂN TÍCH CÂY PHỤ THUỘC
TRONG VĂN BẢN VỀ BỆNH UNG THƯ DI TRUYỀN
Phí Văn Thủy
Khóa QH-2009-I/CQ , ngành Công nghệ thông tin
Tóm tắt Khóa luận tốt nghiệp:
Thuật ngữ trích chọn sự kiện y sinh học được sử dụng để đề cập đến bài toán trích
chọn sự mô tả về các hoạt động và quan hệ giữa một hoặc nhiều thực thể từ tài liệu y sinh học.
Việc tự động nhận dạng bất kì đối tượng của một lớp sự kiện riêng, trích chọn các tham số
liên quan của chúng và biểu diễn thông tin được trích chọn vào một dạng có cấu trúc từ các
công trình khoa học giúp cộng đồng nghiên cứu y sinh học nhanh chóng thu nhận được các
kết quả nghiên cứu mới nhất trong lĩnh vực liên quan mật thiết tới việc đảm bảo sức khỏe con
người.
Các kết quả mới nhất cho thấy hiệu năng khi trích chọn các sự kiện phức hợp (sự kiện
có thể nhận tham số là thực thể hoặc sự kiện khác) chỉ đạt khoảng 40-50% F1 tại BioNLP
Shared Task 2011. Khóa luận này đề xuất một mô hình học máy cho bài toán trích chọn sự
kiện y sinh phức hợp và áp dụng vào Cancer Genetics (CG) task – một bài toán trích chọn
thông tin trong BioNLP Shared Task (ST) 2013. Mục đích của CG task là trích chọn thông tin
tự động từ các văn bản về quá trình sinh học, liên quan đến sự phát triển và tiến triển của bệnh
ung thư. Mô hình của chúng tôi gồm ba thành phần chính: (1) nhận diện trigger; (2) trích chọn
ứng viên sự kiện; (3) xếp hạng và đưa ra kết quả. Khi đánh giá trên tập dữ liệu phát triển được
cung cấp bởi BioNLP-ST 2013, với khoảng 1000 câu lấy từ PubMed, chúng tôi thu được kết
quả bước đầu khá khả quan: độ đo F1 khi trích chọn các sự kiện phức hợp đạt từ 50% đến
70%. Mô hình mới phù hợp với miền dữ liệu về bệnh ung thư di truyền và cho hiệu năng tốt
hơn mô hình cơ sở chúng tôi đưa ra.
Từ khóa: Event extraction, Dependency tree, Cancer Genetics Task.
i
A COMPLEX EVENT EXTRACTION METHOD
BASED ON DEPENDENCY PARSING
FOR CANCER GENETICS DATASET
Phi Van Thuy
Course: QH-2009-I/CQ , major: Information technology
Abstract:
The term biomedical event extraction is used to refer to the task of extracting
descriptions of actions and relations among one or more entities from the biomedical
literature. Generally, event extraction is to identify any instance of a particular class of events
in a biomedical text, to extract the relevant arguments of the event, and to represent the
extracted information into a structured form. This helps the community of biomedical
researchers to quickly get the latest research results in the fields closely related to ensuring
human health.
The final results enabled to observe the state-of-the-art performance of the community
on the bio-event extraction task, which showed that the automatic extraction of complex
events was a lot more challenging, having achieved 40-50% in F1-score, in BioNLP Shared
Task 2011. In this thesis, we propose a machine learning model for complex event extraction
task and apply to Cancer Genetics (CG) task – the information extraction task in BioNLP-ST
2013. The CG task aims to advance the automatic extraction of information from statements
on the biological processes relating to the development and progression of cancer. Our model
consists of three modules: (1) trigger detection; (2) candidate event extraction; (3) ranking and
returning output. Our approach obtains competitive results in the extraction of complex events
from the BioNLP-ST Shared Task 2013 with a F1-score of 50-70% in development. The new
model fits the data domain of cancer genetics and perform better than the base model we
proposed.
Keywords: Event extraction, Dependency tree, Cancer Genetics Task.
ii
Lời cam đoan
Em xin cam đoan rằng đây là công trình nghiên cứu của mình, có sự giúp đỡ từ
giáo viên hướng dẫn là Tiến sĩ Phan Xuân Hiếu và Thạc sĩ Trần Mai Vũ. Các nội dung
nghiên cứu và kết quả trong đề tài này là trung thực, không sao chép từ bất cứ nguồn
nào có sẵn. Tất cả những tham khảo từ các nghiên cứu liên quan đều được nêu nguồn
gốc một cách rõ ràng từ danh mục tài liệu tham khảo trong khóa luận. Trong khóa
luận, không có việc sao chép tài liệu, công trình nghiên cứu của người khác mà không
chỉ rõ về tài liệu tham khảo.
Nếu phát hiện có bất kỳ sự gian lận nào, em xin hoàn toàn chịu trách nhiệm
trước hội đồng, cũng như kết quả khóa luận tốt nghiệp của mình.
Sinh viên
Phí Văn Thủy
iii
Mục lục
Tóm tắt nội dung ........................................................................................................ i
Lời cam đoan ............................................................................................................. ii
Mục lục...................................................................................................................... iv
Danh sách bảng ........................................................................................................ vi
Danh sách hình vẽ ................................................................................................... vii
Bảng các ký hiệu .................................................................................................... viii
Mở đầu ....................................................................................................................... 1
Chương 1. Bài toán trích chọn sự kiện liên quan đến bệnh ung thư di truyền
trong văn bản y sinh học ........................................................................................... 3
1.1. Giới thiệu chung ......................................................................................3
1.2. Các khái niệm liên quan đến bài toán ......................................................5
1.3. Phát biểu bài toán .....................................................................................7
1.4. Khó khăn và thách thức ...........................................................................8
1.5. Phương pháp đánh giá .............................................................................9
1.5.1.
Khớp nhau hoàn toàn ......................................................................10
1.5.2.
Khớp biên xấp xỉ ............................................................................10
Chương 2. Các hướng tiếp cận giải quyết bài toán trích chọn sự kiện trong
văn bản y sinh học ................................................................................................... 11
2.1. Trích chọn sự kiện dựa vào phân tích phụ thuộc cú pháp .....................11
2.2. Trích chọn sự kiện dựa vào hệ thống đường ống ..................................12
2.3. Mô hình học máy đã đề xuất cho bài toán trích chọn sự kiện liên quan
đến bệnh ung thư di truyền ..............................................................................14
2.3.1.
Thành phần nhận diện trigger ........................................................15
2.3.2.
Thành phần trích chọn sự kiện đơn ...............................................16
2.3.3.
Thành phần trích chọn sự kiện phức .............................................17
Chương 3. Mô hình giải quyết bài toán trích chọn sự kiện y sinh phức hợp
dựa vào mô hình phân tích cây phụ thuộc ............................................................ 19
iv
3.1. Cơ sở lý thuyết .......................................................................................19
3.1.1.
Chuyển đổi cấu trúc sự kiện sang dạng biểu diễn cây phụ thuộc ..19
3.1.2.
Giải thuật Earley paresr .................................................................21
3.2. Mô hình đề xuất giải quyết bài toán ......................................................23
3.2.1.
Thành phần nhận diện trigger ........................................................24
3.2.2.
Thành phần trích chọn ứng viên sự kiện .......................................25
3.2.3.
Thành phần xếp hạng và đưa ra kết quả ........................................26
Chương 4. Thực nghiệm và đánh giá .................................................................... 28
4.1. Môi trường và dữ liệu thực nghiệm .......................................................28
4.1.1.
Môi trường thực nghiệm ................................................................28
4.1.2.
Dữ liệu thực nghiệm ......................................................................28
4.2. Giới thiệu phần mềm thực nghiệm ........................................................31
4.3. Thực nghiệm ..........................................................................................32
4.3.1.
Hướng tiếp cận thực nghiệm..........................................................32
4.3.2.
Thực nghiệm nhận diện trigger......................................................32
4.3.3.
Thực nghiệm trích chọn sự kiện phức hợp ....................................34
4.4. Nhận xét và thảo luận ............................................................................36
Kết luận và định hướng .......................................................................................... 39
Tài liệu tham khảo .................................................................................................. 40
Tiếng Anh ........................................................................................................40
v
Danh sách bảng
Bảng 1: Các kiểu thực thể trong CG task........................................................................5
Bảng 2: Các kiểu sự kiện trong CG task .........................................................................6
Bảng 3: Kết quả với tập kiểm thử theo các lớp sự kiện .................................................12
Bảng 4: Phân loại các kiểu sự kiện trong CG task .......................................................17
Bảng 5: Kết quả với trích chọn các sự kiện phức hợp liên quan đến bệnh ung thư di
truyền .............................................................................................................................18
Bảng 6: Các loại đặc trưng trong thành phần nhận diện trigger .................................26
Bảng 7: Môi trường thực nghiệm ..................................................................................30
Bảng 8: Thống kê chung về dữ liệu thực nghiệm ..........................................................33
Bảng 9: Thống kê các sự kiện trong tập dữ liệu............................................................33
Bảng 10: Các loại đặc trưng trong nhận diện trigger ..................................................35
Bảng 11: Kết quả với trích chọn các sự kiện phức hợp liên quan đến bệnh ung thư di
truyền dựa vào mô hình phân tích cây phụ thuộc .........................................................36
Bảng 12: Một số kiểu lỗi nhận diện thiếu sự kiện .........................................................36
Bảng 13: Thống kê các kiểu thực thể/sự kiện là tham số cho sự kiện Regulation ........37
Bảng 14: Mẫu các sự kiện phức hợp trong CG task .....................................................38
Bảng 15: So sánh kết quả giữa mô hình cơ sở và mô hình mới đề xuất (dạng bảng) ...38
vi
Danh sách hình vẽ
Hình 1: Trang chủ BioNLP-ST 2013 ..................................................................................4
Hình 2: Ví dụ về trích chọn sự kiện liên quan đến bệnh ung thư di truyền .....................5
Hình 3: Minh họa đầu vào và đầu ra của bài toán trích chọn sự kiện liên quan đến
bệnh ung thư di truyền .....................................................................................................8
Hình 4: Cấu trúc sự kiện y sinh học ................................................................................8
Hình 5: Mô hình của hướng tiếp cận dựa vào phân tích phụ thuộc cú pháp ................11
Hình 6: Hệ thống EventMine .........................................................................................13
Hình 7: Mô hình giải quyết bài toán Trích chọn sự kiện liên quan đến bệnh ung thư di
truyền .............................................................................................................................14
Hình 8a: Câu gốc với các sự kiện .................................................................................20
Hình 8b: Sau khi chuyển đổi sang sự phụ thuộc sự kiện ...............................................20
Hình 9: Mô hình giải quyết bài toán Trích chọn sự kiện y sinh phức hợp trong văn bản
về bệnh ung thư di truyền ..............................................................................................25
Hình 10: Minh họa dạng biểu diễn hai cây sự kiện cho hai sự kiện phức hợp .............27
Hình 11: Các mô-đun chính trong phần mềm thực nghiệm ..........................................34
Hình 12: Ví dụ về một câu trong tập dữ liệu huấn luyện cho nhận diện trigger ...................35
Hình 13: So sánh kết quả giữa mô hình cơ sở và mô hình mới đề xuất (dạng biều đồ)38
vii
Bảng các ký hiệu
Từ viết tắt
Thuật ngữ
BioNLP-ST
BioNLP Shared Task
CG Task
Cancer Genetics Task
SVM
Support Vector Machine
viii
Mở đầu
Trích chọn sự kiện y sinh học là bài toán trích chọn sự mô tả về các hoạt động
và quan hệ giữa một hoặc nhiều thực thể từ tài liệu y sinh học. Đây là một vấn đề khó
trong lĩnh vực xử lý ngôn ngữ tự nhiên [10] [11], nhận được nhiều sự quan tâm của
các nhà nghiên cứu, các hội nghị lớn trên thế giới như: ACL (Association for
Computational Linguistics), BioNLP-ST (BioNLP Shared Task), CoNLL (Conference
on Computational Natural Language Learning) ... Tại BioNLP-ST 2013, trích chọn sự
kiện liên quan đến bệnh ung thư di truyền (Cancer Genetics (CG) Task) là một trong
sáu bài toán mới nhất cần được giải quyết. Nếu một phương pháp được đề xuất cho kết
quả tốt thì nhiều bài toán khác như: xác định đồng tham chiếu1 (Co-reference), xác
định ngữ cảnh phủ định và suy luận của sự kiện (Negative and speculation
recognition), trích chọn quan hệ giữa các thực thể2 (Entity Relations) … sẽ được cải
thiện về chất lượng một cách đáng kể. Các kết quả mới nhất cho bài toán trích chọn sự
kiện, cho thấy hiệu năng với trích chọn sự kiện đơn (simple event) – chỉ nhận các thực
thể là tham số (chẳng hạn gene expression, localization...), có thể đạt khoảng 70% F1,
nhưng với trích chọn các sự kiện phức hợp (complex event) – có thể nhận cả thực thể
và sự kiện khác là tham số (chẳng hạn regulation, positive regulation...), bài toán gặp
rất nhiều thách thức, hiệu năng chỉ đạt khoảng 40-50% F1 [12]. Xuất phát từ lý do đó
và mong muốn nâng cao chất lượng đề tài nghiên cứu khoa học sinh viên 2012 – 2013
(“Một mô hình học máy trích chọn sự kiện y sinh trong văn bản về bệnh ung thư di
truyền”), khóa luận chọn bài toán trích chọn sự kiện y sinh phức hợp trong văn bản về
bệnh ung thư di truyền, là nội dung tập trung nghiên cứu và xây dựng mô hình giải
quyết.
Trích chọn sự kiện phức hợp liên quan đến bốn kiểu sự kiện trong CG Task:
Regulation, Positive regulation, Negative regulation và Planned process. Các phương
pháp tiếp cận ban đầu chủ yếu dựa trên các phương pháp tiếp cận kinh nghiệm. Cho
tới nay có rất nhiều phương pháp tiếp cận khác nhau đã được đề xuất để giải quyết bài
toán chung trích chọn sự kiện y sinh học. Khóa luận này giới thiệu hai hướng tiếp cận
giải quyết điển hình: dựa vào phân tích phụ thuộc cú pháp và dựa vào hệ thống đường
ống. Những công trình này mang tính ứng dụng cao, đang ngày càng được cải tiến cho
hiệu quả tốt hơn.
1
2
https://sites.google.com/site/bionlpst/home/protein-gene-coreference-task
https://sites.google.com/site/bionlpst/home/entity-relations
1
Dựa trên những hướng tiếp cận này cùng với một mô hình học máy đã đề xuất
trong đề tài nghiên cứu khoa học sinh viên, chúng tôi đề xuất một mô hình phân tích
cây phụ thuộc cho việc giải quyết bài toán trích chọn sự kiện y sinh phức hợp trong
văn bản về bệnh ung thư di truyền. Kết quả thực nghiệm bước đầu cho thấy mô hình
mới phù hợp với miền dữ liệu y sinh và cho hiệu năng tốt hơn mô hình cơ sở đã đề
xuất: độ đo F1 khi trích chọn các sự kiện phức hợp đạt từ 50% đến 70%. Các kết quả này khá
khả quan, thể hiện được ưu điểm của mô hình đề xuất.
Nội dung của khóa luận bao gồm có 4 chương:
Chương 1: Giới thiệu khái quát về bài toán trích chọn sự kiện liên quan đến
bệnh ung thư di truyền cũng như các khái niệm liên quan.
Chương 2: Giới thiệu một số hướng tiếp cận giải quyết bài toán trích chọn sự
kiện y sinh học, bao gồm hướng tiếp cận dựa vào phân tích phụ thuộc cú pháp và
hướng tiếp cận dựa vào hệ thống đường ống. Đây là cơ sở lý thuyết, phương pháp luận
quan trọng để khóa luận đưa ra mô hình trích chọn các sự kiện y sinh phức hợp ở
chương 3.
Chương 3: Trên cơ sở những hướng tiếp cận trình bày ở chương 2 và thông qua
khảo sát miền dữ liệu văn bản y sinh học về bệnh ung thư di truyền, khóa luận đã lựa
chọn phương pháp dựa vào mô hình phân tích cây phụ thuộc là cơ sở của việc giải
quyết bài toán trích chọn sự kiện y sinh phức hợp. Nội dung chính của chương này
trình bày một số đặc trưng của văn bản y sinh học về bệnh ung thư di truyền, bài toán
trích chọn sự kiện y sinh phức hợp và mô hình đề xuất.
Chương 4: Thực nghiệm, kết quả và đánh giá. Tiến hành thực nghiệm nhận
diện trigger và trích chọn các sự kiện phức hợp dựa trên dập dữ liệu phát triển được
cung cấp bởi BioNLP-ST 2013. Trong chương này đánh giá, so sánh kết quả giữa mô
hình đề xuất và mô hình cơ sở mà khóa luận dựa trên.
Phần kết luận và định hướng phát triển: Tóm lược những kết quả đạt được
của khóa luận. Đồng thời đưa ra những hạn chế, những điểm cần khắc phục và đưa ra
định hướng nghiên cứu trong thời gian sắp tới.
2
Chương 1. Bài toán trích chọn sự kiện liên quan đến
bệnh ung thư di truyền trong văn bản y sinh học
1.1. Giới thiệu chung
Trong những năm gần đây, nghiên cứu về khai phá văn bản y sinh học đã có
những tiến bộ đáng kể. Những khám phá mới đã tạo ra một lượng lớn dữ liệu thực
nghiệm và tính toán, cùng với đó số lượng các ấn phẩm mô tả những khám phá này
cũng tăng lên theo cấp số mũ đòi hỏi sự quan tâm của những nhà khoa học để tìm ra
các công cụ khai phá văn bản phát hiện tri thức. Tuy nhiên, hầu hết các tri thức này
đều ẩn giấu trong các bài báo, sách và tạp chí khoa học đã xuất bản. Đến nay đã có
hơn 22 triệu trích dẫn các bài báo như vậy có sẵn trong hệ cơ sở dữ liệu MEDLINE3.
Những bài toán được đưa ra nhằm đánh giá các chiến lược khai phá dữ liệu y
sinh tập trung vào hai bài toán con: nhận diện thực thể và trích chọn sự kiện. Nhận
diện thực thể là một trong những tác vụ quan trọng nhằm xác định những cụm từ
tương ứng với tên thực thể y sinh, những thực thể được quan tâm đến nhiều nhất là
Protein, Gen, Tế bào, Bệnh.... Trước khi có thể xác định được mối quan hệ giữa các
thực thể chúng ta phải xác định được đâu là các thực thể tham gia vào mối quan hệ đó.
Vì vậy, bài toán nhận diện thực thể (BioNER) là bài toán cơ bản và đơn giản nhất
trước khi giải quyết các bài toán phức tạp hơn trong lĩnh vực này. Đến nay đã có rất
nhiều công trình nghiên cứu về BioNER được công bố, cùng với đó là hàng loạt kho
ngữ liệu và ontology được xây dựng nhằm tổ chức và lưu trữ thông tin về nhiều kiểu
thực thể khác nhau (Gene Ontology (gen), CHEBI (hóa chất), Cell type, CARO (cơ thể
chung), PRO (protein)...).
Các bài toán trong khai phá dữ liệu miền y sinh học gần đây tập trung vào trích
chọn sự kiện – chứa quan hệ giữa các thực thể trong văn bản. Mặc dù những nghiên
cứu gần đây trong khai phá văn bản y sinh đã đạt được một sự tiến bộ đáng kể, nhưng
hiệu suất của các hệ thống trích chọn sự kiện hiện tại vẫn còn cần được cải thiện. Ý
thức được tầm quan trọng cũng như tiềm năng của hướng nghiên cứu này, nhóm chúng
tôi tập trung giải quyết bài toán trích chọn sự kiện liên quan đến bệnh ung thư di
truyền trong văn bản y sinh học – một trong những bài toán mới nhất cần được nghiên
cứu giải quyết tại BioNLP Shared Task 2013.
3
http://www.ncbi.nlm.nih.gov/pubmed/
3
Các hội thảo BioNLP Shared Task4 (BioNLP-ST) đại diện cho một xu hướng
toàn cộng đồng trong khai phá văn bản y sinh học nhằm mục đích trích chọn thông tin
(IE) miền y sinh học. Hai sự kiện trước, BioNLP-ST 2009 và 2011 đã thu hút sự chú ý
rộng lớn, với hơn 30 đội (team) xác nhận kết quả cuối cùng. Tại BioNLP-ST 2011, kết
quả tốt nhất cho bài toán chính (GE task) cao hơn khoảng 10% so với kết quả tốt nhất
trên dữ liệu BioNLP-ST 2009 (F1 đạt 53.29%, Miwa và cộng sự, 2010b) [10] [11]
[12]. Các bài toán và dữ liệu của họ đã trở thành nền tảng cho nhiều nghiên cứu, hệ
thống trích chọn sự kiện và tập dữ liệu được công bố.
Hội thảo BioNLP-ST 2013 sắp tới dự kiến diễn ra vào ngày 8-9/8/2013 (các đội
xác nhận kết quả vào khoảng giữa tháng 4/2013) tiếp nối những đặc điểm và mục tiêu
chung của các bài toán trước đó. Các bài toán trong BioNLP-ST 2013 bao gồm nhiều
chủ đề “nóng” trong y sinh học liên quan mật thiết tới nhu cầu của các nhà sinh vật
học. BioNLP-ST 2013 mở rộng phạm vi của những miền ứng dụng khai phá văn bản y
sinh học bằng cách giới thiệu những vấn đề mới như bệnh ung thư di truyền (cancer
genetics). Nó cũng xây dựng dựa trên những tập dữ liệu phổ biến (GENIA, LLL/BI và
BB) đề xuất nhiều bài toán thực tế hơn đã được quan tâm trước đó, gần với yêu cầu
thực tế của việc tích hợp dữ liệu y sinh.
BioNLP-ST 2013 gồm sáu bài toán trích chọn sự kiện: [GE] Genia Event
Extraction for NFkB knowledge base construction, [CG] Cancer Genetics, [PC]
Pathway Curation, [GRO] Corpus Annotation with Gene Regulation Ontology, [GRN]
Gene Regulation Network in Bacteria, [BB] Bacteria Biotopes (semantic annotation
by an ontology).
Hình 1: Trang chủ BioNLP-ST 2013
4
http://2013.bionlp-st.org/
4
Cancer Genetics (CG) Task là một trong sáu bài toán trích chọn thông tin trong
BioNLP-ST 2013. Mục đích của bài toán nhằm tự động trích chọn thông tin từ các tài
liệu về quá trình y sinh học liên quan đến sự phát triển và tiến triển của bệnh ung thư.
Hình 2: Ví dụ về trích chọn sự kiện liên quan đến bệnh ung thư di truyền
Số lượng tài liệu khoa học về bệnh ung thư vô cùng lớn, và sự hiểu biết của
chúng ta về cơ chế phân tử của bệnh ung thư đang phát triển nhanh chóng: một truy
vấn PubMed về “cancer” trả về khoảng 2.7 triệu chỉ dẫn bài báo khoa học5, với khoảng
140,000 chỉ dẫn liên quan đến ung thư (cancer). Để xây dựng và lưu trữ các tri thức
cập nhật mới nhất về bệnh ung thư di truyền, việc tự động trích chọn thông tin từ các
tài liệu y sinh học là rất cần thiết.
1.2. Các khái niệm liên quan đến bài toán
Phần này trình bày số khái niệm cơ bản liên quan đến bài toán trích chọn sự kiện
liên quan đến bệnh ung thư di truyền trong văn bản y sinh học:
Thực thể: các thực thể (entity) trong miền y sinh học như protein, tế bào, mô...
Trong CG task, có 18 kiểu thực thể được định nghĩa với tham chiếu đến những
ontology và cơ sở dữ liệu (CSDL) miền chuẩn, đặc biệt là Gene Ontology
(GO), Cell Ontology (CL) và Common Anatomy Reference Ontology (CARO).
Bảng 1: Các kiểu thực thể trong CG task
STT
1
2
3
4
5
6
7
8
9
5
Kiểu thực thể
Organism
Anatomical system
Multi-tissue structure
Developing anatomical structure
Cellular component
Immaterial anatomical entity
Simple chemical
DNA domain or region
Cancer
STT
10
11
12
13
14
15
16
17
18
http://www.ncbi.nlm.nih.gov/pubmed?term=cancer
5
Kiểu thực thể
Organism subdivision
Organ
Tissue
Cell
Organism substance
Gene or gene product
Protein domain or region
Pathological formation
Amino acid
Sự kiện: sự kiện (event) y sinh học được mô tả là một thay đổi về trạng thái của
một hoặc nhiều phân tử sinh học6. Nó được định nghĩa như một quan hệ giữa
một hoặc nhiều thực thể thực hiện các vai trò khác nhau. Trong CG task, có 40
kiểu sự kiện được định nghĩa với tham chiếu đến Gene Ontology (GO),
Biological process subontology.
Bảng 2: Các kiểu sự kiện trong CG task
STT
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Kiểu sự kiện
Development
Blood vessel development
Growth
Death
Cell death
Breakdown
Cell proliferation
Cell division
Remodeling
Reproduction
Mutation
Carcinogenesis
Metastasis
Metabolism
Synthesis
Catabolism
Gene expression
Transcription
Translation
Protein processing
STT
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
Kiểu sự kiện
Phosphorylation
Dephosphorylation
DNA methylation
DNA demethylation
Pathway
Localization
Binding
Dissociation
Regulation
Positive regulation
Negative regulation
Planned process
Acetylation
Glycolysis
Glycosylation
Cell transformation
Cell differentiation
Ubiquitination
Amino acid catabolism
Infection
Một sự kiện có thể là sự kiện đơn hoặc sự kiện lồng nhau (hay sự kiện
phức) [16]. Sự kiện đơn chỉ chứa các tham số là thực thể, trong khi sự kiện
phức hợp có tham số là thực thể hoặc sự kiện khác. Một sự kiện cũng có thể
chứa nhiều tham số giống nhau (chẳng hạn, một sự kiện có hai tham số với vai
trò là Theme được kí hiệu lần lượt là Theme1, Theme2).
Bốn kiểu sự kiện phức hợp: Regulation, Positive regulation, Negative
regulation và Planned Process là mục tiêu chính cho bài toán trích chọn sự
kiện y sinh học được giải quyết trong khóa luận này.
6
http://www.nactem.ac.uk/tsujii/GENIA/SharedTask/
6
Kiểu thực thể/sự kiện: thường được gán nhãn từ một ontology, phân loại kiểu
của thông tin được biểu diễn bởi thực thể hoặc sự kiện (như trong bảng 1 và
bảng 2).
Trigger: từ hoặc cụm từ trong câu, chỉ ra sự xuất hiện của sự kiện và mang kiểu
của sự kiện (chứa trigger đó).
Tham số (của sự kiện): các thực thể hoặc các sự kiện khác góp phần mô tả sự
kiện, cũng là một phần của sự biểu diễn sự kiện, và thường được phân loại theo
vai trò ngữ nghĩa.
Các vai trò tham số: trong CG task, các vai trò của tham số được định nghĩa:
o Theme: thực thể/sự kiện bị tác động bởi sự kiện hiện tại
o Cause: thực thể/sự kiện gây ra sự kiện hiện tại
o AtLoc, FromLoc, ToLoc: vị trí, nguồn hoặc đích xảy ra sự kiện
o Site, CSite: miền/vùng tương ứng với Theme/Cause
o Instrument: thực thể được sử dụng để thực hiện sự kiện Planned process
o Participant: kiểu vai trò chung xác định một entity tham gia vào quá
trình mức khái quát (chỉ áp dụng cho sự kiện Pathway và Infection)
1.3. Phát biểu bài toán
Bài toán trích chọn sự kiện liên quan đến bệnh ung thư di truyền sử dụng dữ
liệu được cung cấp bởi BioNLP-ST 2013 cho quá trình huấn luyện và kiểm thử. CG
task là một bài toán trích chọn sự kiện nối tiếp dạng biểu diễn và các giả thiết từ
BioNLP-ST 2009 và BioNLP-ST 2011. Dạng biểu diễn liên quan đến hai loại gán
nhãn chính: nhãn thực thể và nhãn sự kiện. Các đội tham gia CG task sẽ được cung
cấp nhãn chuẩn cho các thực thể, kể cả dữ liệu kiểm thử. Vì vậy bài toán tập trung vào
nhiệm vụ chính trích chọn sự kiện.
Đầu vào:
Tập văn bản về bệnh ung thư di truyền.
Các thực thể y sinh học được gán nhãn chuẩn bằng tay, liên kết tới văn bản
thông qua vị trí các kí tự (character offset).
Đầu ra:
Các sự kiện y sinh học được trích chọn và biểu diễn theo cấu trúc được định
nghĩa trước.
7
Hình 3: Minh họa đầu vào và đầu ra của bài toán trích chọn sự kiện liên quan đến
bệnh ung thư di truyền
Mục đích của bài toán: nhằm nhận dạng bất kì đối tượng của một lớp sự kiện
riêng trong văn bản về bệnh ung thư di truyền, trích chọn các tham số liên quan của sự
kiện và biểu diễn thông tin được trích chọn vào một dạng có cấu trúc [1]. Sự kiện được
trích chọn bao gồm: một trigger, một kiểu sự kiện và một (hoặc nhiều) tham số.
Trigger
Sự kiện
Kiểu sự kiện
Tham số
Hình 4: Cấu trúc sự kiện y sinh học
Với đầu vào là đoạn văn bản “...binding of SNAP23, syntaxin and VAMP-2...”
và các thực thể (in đậm) được cung cấp sẵn, cấu trúc của sự kiện được trích chọn là:
Trigger: binding
Kiểu: BINDING
Các tham số: Theme1 (PROTEIN), Theme2 (PROTEIN), Theme3 (PROTEIN)
1.4. Khó khăn và thách thức
Bài toán trích chọn sự kiện liên quan đến bệnh ung thư di truyền là một bài toán
khó với nhiều thách thức được đặt ra như:
8
- Xem thêm -