Key points are not available for this paper at this time.
HINTERGRUND: Zellulare Ereignisse spielen eine zentrale Rolle im Verständnis biologischer Prozesse und Funktionen und bieten Einblicke sowohl in physiologische als auch in pathogenetische Mechanismen. Die automatische Extraktion von Erwähnungen solcher Ereignisse aus der Literatur stellt einen wichtigen Beitrag zum Fortschritt im biomedizinischen Bereich dar und ermöglicht eine schnellere Aktualisierung des bestehenden Wissens. Die Identifizierung von Auslösungswörtern, die ein Ereignis anzeigen, ist ein sehr wichtiger Schritt in der Ereignisextraktionspipeline, da die nachfolgenden Aufgaben von dessen Ausgabe abhängig sind. Dieser Schritt birgt verschiedene komplexe und ungelöste Herausforderungen, namentlich die Auswahl informativer Merkmale, die Darstellung des textuellen Kontexts und die Auswahl eines bestimmten Ereignistyps für ein Auslösungswort in diesem Kontext. ERGEBNISSE: Wir schlagen TrigNER vor, eine auf maschinellem Lernen basierende Lösung zur Erkennung biomedizinischer Ereignisauslöser, die die Vorteile von bedingten zufälligen Feldern (CRFs) mit einem umfangreichen Merkmalsatz nutzt, einschließlich linguistisch basierter, orthographischer, morphologischer, lokaler Kontext- und Abhängigkeitsparsenmerkmale. Darüber hinaus wird ein vollständig konfigurierbarer Algorithmus verwendet, um den Merkmalsatz und die Trainingsparameter für jeden Ereignistyp automatisch zu optimieren. So werden automatisch die Merkmale ausgewählt, die einen positiven Beitrag leisten, und das CRF-Modell, die n-Gramm-Größen, die Vertexinformationen und die maximalen Sprünge für Abhängigkeitsparsenmerkmale automatisch optimiert. Die endgültige Ausgabe besteht aus verschiedenen CRF-Modellen, von denen jedes auf die linguistischen Merkmale jedes Ereignistyps optimiert ist. SCHLUSSFOLGERUNGEN: TrigNER wurde im BioNLP 2009 Shared Task-Korpus getestet, erreichte ein Gesamtergebnis von 62,7 und übertraf bestehende Lösungen bei verschiedenen Ereignisauslöserarten, namentlich der Genexpression, Transkription, Proteinkatabolismus, Phosphorylierung und Bindung. Die vorgeschlagene Lösung ermöglicht es Forschern, komplexe und optimierte Techniken zur Erkennung biomedizinischer Ereignisauslöser einfach anzuwenden, wodurch ihre Anwendung zu einer routinemäßigen Aufgabe wird. Wir glauben, dass diese Arbeit einen wichtigen Beitrag zur biomedizinischen Textbergbau-Community leistet und zu einer verbesserten und schnelleren Ereigniserkennung in wissenschaftlichen Artikeln sowie zur darauf folgenden Hypothesengenerierung und Wissensentdeckung beiträgt. Diese Lösung ist als Open Source unter http://bioinformatics.ua.pt/trigner kostenlos verfügbar.
Campos et al. (Mi,) untersuchten diese Frage.