Importation de dictionnaires biologiques au format INTEX et utilisation pour le filtrage de motifs

1
Importation de dictionnaires biologiques au
format INTEX et utilisation pour le filtrage de
motifs

• Olivier CANTIN, Tassadit AMGHAR, Bernard LEVRAT
• LERIA - Université dAngers

2
PLAN

• La problématique
• Les ressources biologiques utilisées
• Filtrage des motifs
• Conclusion

3
Problématique

• Exploitation des documents dans un domaine de la
  biologie
• Recherche de relations sémantiques entre termes
  biologiques
• Extraction de motifs biologiques
• ? Utilisation de INTEX

4

• Constitution du corpus dapprentissage

PubMed
Etiquetage du corpus
5
La terminologie biologique

• Évolution constante de la terminologie
• Pas de notation constante des noms de gènes ou de
  protéines.
• Polysémie des mots dans certains cas.

6
Ressources biologiques (1)

• UMLS (Unified Medical Language System)
• Grande source de connaissance biomédicale
  découpée en 3 parties
• le Métathesaurus
• le réseau sémantique
• un lexique médical Specialist Lexicon

7
Ressources biologiques (2)

• LocusLink ou Gene
• ?Base de données du NCBI intégrant les gènes
  disponibles dans lensemble des bases de données
• Environ 40000 entrées

8
Ressources biologiques (3)

• Gene Ontology
• permet de produire un vocabulaire contrôlé
  sappliquant à tous les organismes
• utilisée pour lannotation des Bases de Données
  Génomiques

9

• GO se compose de 3 réseaux structurés de termes
  précis portant sur la description des produits
  des gènes

Fonctions moléculaires Processus
biologiques Composants cellulaires
14000 termes
10
Intégration des données dans INTEX

• 1- LocusLink

gtgt37195 LOCUSID 37195 LOCUS_CONFIRMED
yes LOCUS_TYPE gene with protein product,
function unknown ACCNUM AE00379721626951nana
na TYPE g PROT AAF576047302521 PROT
AAF5760528380717 PROT AAF5760628380718 ACCNUM
AY11337321064296y cn bw spnana TYPE m PROT
AAM2937821064297 OFFICIAL_SYMBOL
CG15109 OFFICIAL_GENE_NAME ALIAS_SYMBOL
CT34984 ALIAS_SYMBOL CT42557 ALIAS_SYMBOL
CT42559
LEMME
VARIANTS
11

• Création de DELAF et DELACF
• CG15109, CG15109.LOC
• CT34984, CG15109.LOC
• CT42557, CG15109.LOC
• Besoin de modifier lalphabet anglais de INTEX gt
  insertion des chiffres et du caractère  - 

12

• 2- UMLS (Lexicon)

baseAPUD cell entryE0000108 catnoun variants
metareg acronym_ofamine precursor uptake
decarboxylase cellE0008543

• Ecriture du DELAF ou DELACF en fonction du lemme
  et des variants trouvés
• APUD cell, APUD cell.ON
• Amine precursor uptake decarboxylase cell, APUD
  cell.UN

13

• 3- GO
• ?Extraction des termes et création du DELAF et du
  DELACF
• Pour chaque réseau de termes, attribution dune
  catégorie
• deoxyribonuclease,deoxyribonuclease.MOLE
• depurination,depurination.BIO
• centromere,centromere.COMP

14
Filtrage des motifs

• Résultats avec INTEX dans sa version originale
• Seulement 45 de termes reconnus
• 70 de termes reconnus avec les lexiques
  spécialisés.
• Besoin de grammaires locales

15

• Application de 12 règles lexicales

Ex ltMOTgt-ltMOTgt
acid-treated ADP-ribose
Terme technique
Molécule

• Besoin dun vérification manuelle des résultats
  obtenus
• ? 90 de termes reconnus

16
Conclusion et perspectives

• Amélioration de 45 à 90 de reconnaissance de
  termes par notre système
• Application de ce système à un autre corpus du
  domaine biologique
• single nucleotide polymorphism ou SNP
• ?corpus de 6729 résumés (10Mo)

17

• Mettre à jour les lexiques spécialisés
• UMLS et Gene
• Améliorer létape de vérification manuelle
• Extraction de connaissance