构建基于生物医学文献的抑郁症知识图谱

今天给大家介绍一篇来自兰州大学胡斌教授课题组发表在2021年IEEE BIBM会议上的Construction of Depression Knowledge Graph Based on Biomedical Literature，本文的主要工作是从生物医学文献中抽取抑郁症有关的实体、关系和属性，与结构化数据中提取的实体、关系和属性进行融合，最终构建抑郁症相关的知识图谱。

摘要抑郁症是一种常见的情绪障碍，具有高患病率、高复发率、高致残率和高死亡率的特点。有关抑郁症的医学文献数量众多，但杂乱无章，这无疑会增加生物医学研究人员和医务工作者获取知识的负担，不利于抑郁症发病机制与治疗的研究。因此，我们构建了基于生物医学文献的抑郁症知识图谱，以辅助抑郁症的研究。我们以医学摘要为主要数据源，利用生物医学信息抽取系统SemRep进行知识抽取。其次，使用另一种信息提取工具OpenIE对SemRep提取的数据进行校正。然后，通过将提取的知识与SemMedDB中提取的结构化数据进行融合，最终得到8840个三元组，其中包括3055个实体和30种关系。我们将它们存储到图形库Neo4j中，以可视化知识图谱。 1**.****介绍**抑郁症是一种常见的精神疾病，因其高患病率、高致残性、高死亡率和高复发率而在全球范围内构成严重的健康问题。截至2019年2月，中国抑郁症患者多达9500万。抑郁症已成为生命科学研究的热点，迫切需要利用开放领域的医学知识来促进抑郁症的研究。目前，生物医学信息的主要来源是生物医学数据库，这些数据库大多存在以下问题：首先，大多数生物医学数据库是由人类专家从医学文献中手动提取的，这是一个耗时、费力且效率低下的过程。其次，随着生物医学文献量的快速增长，生物医学数据库中的信息无法及时更新。此外，生物医学数据库中的生物医学知识系统太大，对医生和研究人员来说不直观。与生物医学数据库相比，知识图谱中的知识更新更快，并可以以自动化的方式进行。构建生物医学领域的知识图谱对于生命科学研究至关重要，越来越多的研究者已经将目光投向了这一领域。本文专注于使用生物医学论文来构建抑郁症的知识图谱。首先，很难从如此多不同的数据源中获取数据。其次，生物医学论文包含了大量没有充分利用的知识。PubMed中有很多关于抑郁症的文章，因此，许多文章使得医学研究人员和医疗人员难以充分利用现有的知识，这对抑郁症的研究不利。因此，有必要整合抑郁症的知识，使用知识图谱将是一个不错的选择。在本文中，通过自下而上的方法构建了抑郁症的知识图谱。本文工作的主要贡献可以总结如下： （1）通过SemRep从不同的数据源中提取结构化和非结构化数据，这是一个生物医学信息提取系统。然后，作者将提取的数据存储为事实三元组，以构建知识图谱。 （2）SemRep直接提取的数据存在缺陷。为了进一步提高数据质量，在数据细化过程中引入OpenIE对SemRep提取的数据进行校正，数据合格率达到72.8%。 （3） 然后把这些数据融合起来，存储到图形数据库Neo4j中，本文的知识图谱中有8840个三元组，可以作为抑郁症的辅助治疗工具和研究工具。 **2.**构建方法

图1. 知识图谱的构建处理流程****首先，作者们通过UMLS获取知识图谱的模式和关系。其次，使用SemRep从结构化和非结构化数据中提取关于抑郁症的实体、关系和属性。第三，使用OpenIE对SemRep提取的数据进行校正。第四，这一步的主要任务是实体对齐和实体消歧，并过滤掉有噪声的数据。完成这些步骤后，将得到大量组成知识图谱的事实三元组。这些三元组的质量决定了知识图谱的质量，因此还需要评估这些三元组的质量。最后，将这些高质量的事实三元组存储在Neo4j图数据库中，以可视化知识图谱。

**A.获取模式和关系

由于本文使用自下而上的方法来构建知识图谱，作者需要确定这个知识图谱中的具体概念和内容（称为模式）。这些模式来自统一医学语言系统（UMLS）。作者只选择了UMLS中与抑郁症相关的部分。最后，总结了UMLS的10个模式，包括病因、检查、疾病、DNA、药物、基因、组、蛋白质、症状、治疗。根据这些已确认的医学模式，从UMLS语义网络中筛选出30个关系。 B.数据抽取首先，使用SemRep从非结构化文本数据中提取实体、属性和关系来获得原始三元组。然后，通过基于规则的方法过滤提取的数据，以确保知识图谱的质量。对于结构化数据，使用基于规则的方法从SemMedDB中提取事实三元组。（1）从非结构化数据中提取数据：为了使知识图谱保持最新，作者决定使用生物医学文献和医学指南作为非结构化数据的来源。首先，从PubMed 下载与抑郁症相关的医学文献摘要。以“抑郁症”为主要关键词，辅以“症状”“脱氧核糖核酸”“治疗”“原因”“基因”“检查”等词搜索PubMed，最终从PubMed下载了94735篇相关摘要。获得这些非结构化数据后，接下来的工作是从这些文本中提取事实三元组。作者使用的提取工具是SemRep，一个从非结构化数据中提取三元组的信息提取系统。SemRep是一个基于UMLS的程序。 表1**.KG中的实体属性**

图2.SemRep的输入

图3.SemRep的输出本文使用SemRep从文本中提取实体、关系和属性，包括实体ID、文本名称、实体类型、PMID、开始索引、结束索引、句子和源。表1显示了实体的属性。图2和图3显示了SemRep的示例，图2显示了SemRep的输入，图3显示了SemRep的输出。（2）从结构化数据中提取数据：从SemMedDB数据库中获得了大量与抑郁症相关的结构化数据。然后根据之前设置的模式从结构化数据中过滤所需要的三元组。在数据提取过程中，作者发现从SemMedDB中提取的一些信息出现在非结论句（例如疑问句）中。如果从疑问句中提取三元组可能不准确。因此，使用基于规则的方法来消除疑问句中的三元组。 C.数据细化在使用SemRep提取三元组的过程中有几个挑战，这使得到的三元组的质量不高。第一个挑战是SemRep提取的三元组中有一些可能是不完整的。第二个挑战是SemRep会提取一个句子中所有可能的三元组，其中一些与本文研究的主题无关。第三个挑战是SemRep提取的三元组可能不准确，因为有些句子包含不确定的单词，例如：可能，也许，大概，似乎等。第四个挑战是有些句子不是结论性的，如果从一个疑问句中提取一些三元组，那么三元组很可能不是事实三元组，上述挑战会影响知识图谱的质量，作者提出以下方法来面对这些挑战。作者发现第一个挑战的主要原因是SemRep在提取实体时会丢失一些重要的信息，文章引入了Stanford OpenIE来解决这个问题。具体来说，定义以下规则：对于SemRep提取的实体，如果该实体只包含一个单词，将使用OpenIE从原始句子中重新提取该实体。为了验证规则的有效性，作者手动注释修改后的数据并计算校正率。最后，计算了81.4%的正确率。为了解决第二个挑战，只需要把与主题相关的内容拿出来。对于第三个挑战和最后一个挑战，将删除这些有问题的句子以及从这些句子中提取的三元组。 D.数据融合由于数据源不同，提取的数据两部分之间可能存在冗余，甚至在某些值上发生冲突，因此三元组的两部分不能直接进行融合。为了保证知识图谱的质量，分两步对这些数据进行融合：实体消歧和实体对齐。对于实体消歧，作者发现同一个实体有不同的实体名称，或者同一个实体名称代表不同的实体，比如抑郁症和抑郁障碍都表示精神疾病抑郁障碍，这会对数据融合造成巨大障碍。SemRep从文本中提取实体的标准名称和文本名称（文本名称是句子中实体的名称，实体的标准名称是实体的首选名称），使用实体的文本名称作为实体的属性，使用实体的标准名称作为实体名称。对于相同的实体名称，在SemRep和SemMedDB中可能代表不同的实体。本文提出了一种基于规则的实体对齐方法。对于SemRep和SemMedDB中名称相同的实体，将按顺序比较它们的属性，如果对应的属性值一致，则认为它们代表相同的实体。如果它们的属性值不一致，则将单独保存，手动检查它们。 表2**.识图谱不同实体类别的分布情况**

表3.知识图谱不同关系的分布情况

**表2展示了知识图谱不同类别的分布情况，表3展示了知识图谱中关系的分布情况，这里只展示了数量最多的10个关系。 E.质量评估**使用Jaccard评分测量了重复标注的成对一致性来评估知识图谱的质量。本文的做法是从所有三元组中随机选择1000个三元组，然后将这1000个三元组交给两个注释器对这些三元组进行注释，最后根据两个注释的结果计算出Jaccard分数。 F.数据存储

图4.知识图谱的部分显示如图4所示，neo4j将知识图谱表示为一个巨大的网络，其中节点表示实体，边表示实体之间的关系，生物医学研究人员可以使用neo4j提供的cypher语句来搜索实体和关系。例如，抑郁症与抗抑郁药有关系，从与抗抑郁药相关的结构数据和非结构化数据中提取数据，发现CYP2D6基因与抗抑郁药有关系，因此CYP2D6基因可能与抑郁症有关，这一结果可能有助于生物医学研究人员发现与抑郁症有关的物质。 3**.****结果**本文构建了一个包含大量抑郁症知识的知识图谱，一开始从结构化和非结构化数据中得到12276个事实三元组，但这些数据的合格率较差，然后通过使用OpenIE对数据进行修正，删除冗余数据，过滤有问题的数据，将数据的合格率提高到72.8%，最终的知识图谱包含3055个实体，30个关系，8840个三元组。此外，本文提出的知识图谱还包含大量属性。当生物医学研究人员提出研究假设时，他以通过相应三元组提供的PMID获得相关研究文章。作者认为知识图谱可以支持抑郁症网络的分析，并可能有助于发现抑郁症的潜在机制。 4.****结论在本文中，作者展示了构建关于抑郁症的知识图谱的整个过程。由于SemRep提取的实体和关系不够准确，整体的数据质量仍然不高，需要进一步提高。所以下一步的工作将主要集中在数据提取和数据融合上。此外，可以将基于本文的知识图谱开发一些应用程序，如问答系统、推荐系统等。 参考资料

Li Z, Zhang Y, Huang R, et al. Construction of Depression Knowledge Graph Based on Biomedical Literature[C].2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). IEEE, 2021: 1849-1855. https://doi.org/10.1109/BIBM52615.2021.9669447