[发明专利]一种抽取蛋白质相互作用关系的方法

说明书

技术领域

本发明属于文本处理技术领域，尤其涉及一种抽取蛋白质相互作用关系的方法。

背景技术

蛋白质作为生命活动最主要的载体和功能执行者，其复杂多样的结构功能、相互作用和动态变化能在分子、细胞和生物体等多个层次上全面揭示生命现象。其中蛋白质相互作用关系(PPI，Protein-Protein Interaction)是指生命活动过程中蛋白质之间存在的相互关系，如绑定、催化、交互等。对蛋白质相互作用关系的研究有助于揭示生命过程的许多本质问题。这些关系对生物知识网络的建立，生物体关系预测，新药研制等均具有重大的意义。随着人类基因组测序的完成，蛋白质的功能、作用机制成为新的研究热点。在生物医学领域已有大量的，并且正在不断涌现的，有关蛋白质之间相互作用关系的研究文献。如何从生物医学文献中挖掘、整理出蛋白质相互作用关系是当今生物信息学的热点任务之一。

蛋白质相互作用关系抽取就是借助于计算机这一手段从生物医学文献中抽取出生物实体-蛋白质之间的相互作用关系，并为蛋白质关系网络的构建提供良好的基础。蛋白质关系抽取的方法可分为基于特征向量的方法和基于核函数的方法。在基于核函数的蛋白质相互作用关系抽取方法中，按所使用的语言信息不同，可分为基于依存关系的方法和基于句法树(Syntactic ParseTree)的方法，并且前者可将蛋白质相互作用关系表示成最短依存路径或依存图。表征蛋白质相互作用关系抽取方法性能的参数主要包括准确率、召回率和F1性能。

上述方法均具有缺陷：最短依存路径提供了表达蛋白质关系实例的最简洁的表示方法，但是由于它由词汇及其依存关系组成，表达形式过于具体，通用性不强，因此基于最短依存路径的方法虽具有较高精度，但其召回率较低；基于依存图的方法则将与两个蛋白质相关的所有依存关系及其词汇构成一个有向图，通过计算图之间的相似度进行蛋白质相互作用关系抽取，但是由于在计算依存图之间的相似度时，只要它们有相同的子图就能实现匹配，因而依存图中包含一定的噪音，导致精度较低，并且计算依存图之间相似度所需的系统开销较大；基于句法树的蛋白质相互作用关系抽取方法则将蛋白质相互作用关系表示成句法树，虽然句法树中包含着丰富的结构化信息，但同时也含有太多的噪音，导致精度较低。因此，上述三种抽取蛋白质相互作用关系的方法，因其召回率或精度较低，导致其总体性能较差。

发明内容

有鉴于此，本发明的目的在于提供一种蛋白质相互作用关系抽取方法，以解决现有技术中总体性能较差的问题，同时提高通用度，并降低系统开销。

为实现上述目的，本发明提供如下技术方案：

一种抽取蛋白质相互作用关系的方法，用于在包含两个蛋白质名称的自然语句中抽取蛋白质相互作用关系，所述方法包括：

对所述自然语句进行句法分析，确定所述自然语句的完全句法树，在所述完全句法树中提取所述两个蛋白质名称之间的最短成分路径；

对所述自然语句进行依存关系分析，确定所述自然语句的依存关系树，在所述依存关系树中提取所述两个蛋白质名称之间的最短依存路径；

根据所述最短依存路径扩展所述最短成分路径，确定扩展后的成分路径为所述自然语句的关系树；

利用预存的分类模型对所述关系树进行二元分类，当不小于0时，确定所述关系树为蛋白质相互作用关系，其中，t_j为分类模型中的支撑向量，a_tj为分类模型中的支撑向量的权重，为分类模型中的支撑向量t_j的实例，为分类模型中的支撑向量t_j的标号，z为所述自然语句的关系树，为卷积树核函数。

优选的，在上述方法中，根据所述最短依存路径扩展所述最短成分路径的过程，包括：

确定所述最短依存路径中位于两个所述蛋白质名称所在的词汇结点之间的词汇结点为待处理结点组；

将所述待处理结点组中的一个词汇结点作为当前词汇结点，并将所述当前词汇结点从待处理结点组中删除；

确定所述当前词汇结点与其下层词汇结点之间的依存类型；

当所述当前词汇结点与其下层词汇结点之间的依存类型为论元类型时，确定所述当前词汇结点处的结点词汇，在所述完全句法树中获取所述结点词汇所在结点连接到所述最短成分路径的扩充路径，所述扩充路径的一端为所述结点词汇所在的结点、另一端为所述最短成分路径中的一个结点；

判断所述待处理结点组是否为空；