[发明专利]生物医学知识图谱实体清洗装置、方法、系统及存储器

说明书

本发明公开了一种生物医学知识图谱实体清洗方法，包括：从多个知识库中获取疾病名称和同义词，并获取药物副作用词表和蛋白酶词表；统一疾病词表、药物副作用词表、基因词表和蛋白酶词表的同义词字符格式；将具有相同同义词的实体合并成一组同义词，并为其确定一个统一名称；对统一名称后的实体进行统一字符格式操作；以及将统一字符格式后的实体进行同义词替换。

技术领域

本发明涉及化学信息学和生物信息学领域。具体而言，本发明涉及涉及生物医学知识图谱中所有疾病与基因实体的清洗装置、方法、系统及存储器。

背景技术

实体表示客观存在并可相互区别的事物，在本发明中指疾病、基因，如阿兹海默症(alzheimer disease)。生物医学知识图谱通常是一个多关系的有向图，其中结点代表实体，边代表关系，这种图结构的知识库具有巨大的价值，其潜在的应用价值包括提供精确医学和临床决策支持，以及缩短药物研发的时长，降低研发成本。但是，由于实际应用的复杂性和高知识要求，在构建和应用生物医学知识图谱方面仍然存在许多挑战。

生物医学中的实体名称在不同文献、知识库中不尽相同，原因可能是大小写差异、错误拼写、认知进展差异等等。由于同一种实体具有不同的名称，这导致构建知识图谱时会增大图的复杂度，并且降低图谱的质量。

因此，如何将不同名称的同一种实体统一为一个通用名称，是提升图谱质量，以及提升下游应用任务效果的关键所在。目前有许多知识库在收集各种实体的同义名称，但没有一个完全整合统一的疾病、基因同义词表。

当前的生物医学知识图谱已经储备相当丰富，如果能够将众多的知识图谱融合应加以应用，必将能发挥巨大的价值。所以急需一种实体的清洗方法，来将不同名称的同一实体进行整合，对图谱进行融合、“瘦身”。

发明内容

为解决上述问题，本发明立足于将各个知识库的实体同义词进行整合，以此来对任意知识图谱中疾病以及基因实体进行清洗，以提升图谱质量，并在下游任务的应用中，提升模型和方法的实验效果。

根据本发明的一个实施例，提供一种生物医学知识图谱实体清洗方法，包括：

从多个知识库中获取疾病词表、药物副作用词表、基因词表和蛋白酶词表；

统一疾病词表、药物副作用词表、基因词表和蛋白酶词表的同义词字符格式；

将具有相同同义词的实体合并成一组同义词，并为其确定一个统一名称；

对统一名称后的实体进行统一字符格式操作；以及

将统一字符格式后的实体进行同义词替换。

在本发明的一个实施例中，统一疾病词表、药物副作用词表、基因词表和蛋白酶词表的同义词字符格式包括将所有字母转为小写，替换非数字字母为空格，连续空格替换为单空格，最后去除首尾的空格。

在本发明的一个实施例中，将具有相同同义词的实体合并成一组同义词，并为其确定统一名称包括：对疾病和药物副作用实体：

如果疾病词表中存在某个同义词对应多个实体，则将该词独立作为一个实体；以MeshMiner为主疾病词表，并以MESH_ID作为唯一ID，其他疾病词表中具有相同MESH_ID的词合并为MeshMiner中对应实体的同义词；如果其他疾病词表的同义词与MeshMiner同义词对应实体不同，则去除其他疾病词表的同义词，保证唯一性；对药物副作用词表去除在以上得到疾病同义词表中已经存在的同义词，然后将其与以上得到疾病同义词表合并。

在本发明的一个实施例中，将具有相同同义词的实体合并成一组同义词，并为其确定一个统一名称包括：对基因和蛋白酶实体：

如果基因词表、蛋白酶词表中存在某个同义词对应多个实体，则将该词独立作为一个实体；对蛋白酶词表去除在基因同义词表中已经存在的部分，然后将其与以上得到基因同义词表合并。