[发明专利]从研究文献中提取天然产物数据信息的方法及系统

说明书

本发明公开一种从研究文献中提取天然产物数据信息的方法，包括：对研究文献文本内容进行预处理，以得到多个预处理语句；从所述多个预处理语句中获取生物物种描述语句和化学成分描述语句；从所述生物物种描述语句中获取生物物种信息；从所述化学成分描述语句中获取化学物质信息；至少关联存储所述生物物种信息和所述化学物质信息。本申请实施例自动分析天然产物研究文献的文本内容，并自动识别和提取其中的天然产物化学成分数据信息，用于计算机大规模批量生产具有科学研究价值的天然产物数据，从而避免人工标引数据周期长、成本高等缺陷，达到短时间、低消耗获取一定规模天然产物化学成分数据集的目的。

技术领域

本发明涉及文献信息处理技术领域，尤其涉及一种从研究文献中提取天然产物数据信息的方法及系统。

背景技术

天然产物为生物体自身的组成成分、代谢产物或者提取物，经过了生物体长期进化过程中的自然选择和优化，往往具有独特的化学结构以及能和特定疾病的靶标互相结合的能力，因此具有天然的药物属性，有的可以直接用于疾病的治疗。例如，我国科学家在1972年从传统中药青蒿里提取的青蒿素，是治疗疟疾的高效药物，为人类与疟疾的抗争提供了有力武器，挽救了无数的生命。因此，寻找自然界中的天然产物活性分子，分析其特定的活性骨架、有效基团，研究其对人体运行机制及相关疾病的构效关系，对药物特别是创新药物的发现具有非常重要的指导意义。但是天然产物主要来自于植物、微生物和海洋生物，由有机分子化合物组成，具有化学结构复杂、种类繁多、获取方法困难、尚有大量天然产物未被发现其药用价值等特点。要想从广泛的天然产物中筛选药效化合物，累积或者生产一定规模的天然产物化学成分数据，建立天然产物化学成分数据库，利用现代计算机信息技术从大数据中获取知识和规律来指导药物创新，是药物研发过程中一种非常有效的技术手段。

现有的天然产物化学成分数据采集和生产主要依靠人工标引。人工标引生产天然产物化学成分数据，采用专业数据分析人员浏览相关天然产物化学成分研究文献，通过人工将其中的天然产物数据信息提取出来的方法，进行数据的生产和汇集。人工标引数据需要较大的人力成本投入和时间消耗，无法应对海量大数据的加工和处理，而且随着科学技术的不断发展，天然产物成分研究也在不断推进，天然产物化学成分数据也需要不断补充和实时更新，由于人力资源配置及研发项目时间有限制，因此采用人工标引的数据生产方法可持续性较差。

发明内容

本发明实施例提供一种从研究文献中提取天然产物数据信息的方法及系统，用于至少解决上述技术问题之一。

第一方面，本发明实施例提供一种从研究文献中提取天然产物数据信息的方法，包括：

对研究文献文本内容进行预处理，以得到多个预处理语句；

从所述多个预处理语句中获取生物物种描述语句和化学成分描述语句；

从所述生物物种描述语句中获取生物物种信息；

从所述化学成分描述语句中获取化学物质信息；

至少关联存储所述生物物种信息和所述化学物质信息。

在一些实施例中，在从所述多个预处理语句中获取生物物种描述语句和化学成分描述语句之后还包括：

生成对应于所述生物物种描述语句的第一语句解析模式数据；

生成对应于所述化学成分描述语句的第二语句解析模式数据；

所述第一和第二解析模式数据分别包括：定位标记、定位符、多重标记、分隔符。

在一些实施例中，所述生物物种信息包括生物物种学名、生物名称和取用部位信息；所述化学物质信息包括化学物质名称和化学物质编号。

在一些实施例中，所述从所述生物物种描述语句中获取生物物种信息包括：

根据所述第一语句解析模式数据中的定位标记和定位符，截取当前预处理语句的描述部分；