論文の概要: Literature Based Discovery (LBD): Towards Hypothesis Generation and Knowledge Discovery in Biomedical Text Mining

• arxiv url: http://arxiv.org/abs/2310.03766v1
• Date: Wed, 4 Oct 2023 02:13:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 19:19:47.793367
• Title: Literature Based Discovery (LBD): Towards Hypothesis Generation and Knowledge Discovery in Biomedical Text Mining
• Title（参考訳）: 文学に基づく発見(LBD) : バイオメディカルテキストマイニングにおける仮説生成と知識発見を目指して
• Authors: Balu Bhasuran, Gurusamy Murugesan, Jeyakumar Natarajan
• Abstract要約: 文学に基づく発見(英語: Literature Based Discovery, LBD)は、医学用語間の新しい関連を自動的に発見する過程である。 このプロセスは、疾患や症状などの医学用語の概念プロファイルを作成し、それを薬物や治療と結びつけることに焦点を当てている。 このレビューでは、トランスフォーマーモデルとニューラルネットワークに基づくLBDモデルの役割をレビューすることで、LBDのディープラーニング応用についても論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biomedical knowledge is growing in an astounding pace with a majority of this knowledge is represented as scientific publications. Text mining tools and methods represents automatic approaches for extracting hidden patterns and trends from this semi structured and unstructured data. In Biomedical Text mining, Literature Based Discovery (LBD) is the process of automatically discovering novel associations between medical terms otherwise mentioned in disjoint literature sets. LBD approaches proven to be successfully reducing the discovery time of potential associations that are hidden in the vast amount of scientific literature. The process focuses on creating concept profiles for medical terms such as a disease or symptom and connecting it with a drug and treatment based on the statistical significance of the shared profiles. This knowledge discovery approach introduced in 1989 still remains as a core task in text mining. Currently the ABC principle based two approaches namely open discovery and closed discovery are mostly explored in LBD process. This review starts with general introduction about text mining followed by biomedical text mining and introduces various literature resources such as MEDLINE, UMLS, MESH, and SemMedDB. This is followed by brief introduction of the core ABC principle and its associated two approaches open discovery and closed discovery in LBD process. This review also discusses the deep learning applications in LBD by reviewing the role of transformer models and neural networks based LBD models and its future aspects. Finally, reviews the key biomedical discoveries generated through LBD approaches in biomedicine and conclude with the current limitations and future directions of LBD.
• Abstract（参考訳）: バイオメディカルな知識は驚くべきペースで成長しており、ほとんどの知識は科学出版物として表現されている。 テキストマイニングツールは、この半構造化および非構造化データから隠れパターンや傾向を抽出するための自動アプローチである。 生物医学的なテキストマイニングにおいて、文献に基づく発見(英: literature based discovery、lbd)とは、医学用語間の新しい関連を自動的に発見するプロセスである。 LBDのアプローチは、膨大な量の科学文献に隠された潜在的な関連の発見時間を短縮することに成功した。 このプロセスは、病気や症状などの医学用語の概念プロファイルを作成し、共有プロファイルの統計的意義に基づいて薬物と治療を結びつけることに焦点を当てている。 1989年に導入されたこの知識発見アプローチは、今でもテキストマイニングのコアタスクとして残っている。 現在、ABCの原理に基づく2つのアプローチ、すなわちオープンディスカバリとクローズドディスカバリは、主にLBDプロセスで研究されている。 このレビューはテキストマイニングに関する一般的な紹介から始まり、MEDLINE、UMLS、MESH、SemMedDBといった様々な文献資源を紹介している。 これに続いて、ABCの核となる原理と関連する2つのアプローチがLBDプロセスにおけるオープン発見とクローズド発見に簡単な導入がなされた。 本稿では、トランスフォーマーモデルとニューラルネットワークに基づくLBDモデルの役割と今後の展望をレビューすることによって、LBDにおけるディープラーニング応用についても論じる。 最後に, 生体医学におけるLBDアプローチによる重要な生体医学的発見をレビューし, LBDの現在の限界と今後の方向性について結論づける。

関連論文リスト

• Automating Knowledge Discovery from Scientific Literature via LLMs: A Dual-Agent Approach with Progressive Ontology Prompting [59.97247234955861]
  LLM-Duoという,プログレッシブプロンプトアルゴリズムとデュアルエージェントシステムを組み合わせた,大規模言語モデル(LLM)に基づく新しいフレームワークを提案する。 言語治療領域における64,177論文からの2,421件の介入を同定した。
  論文  参考訳（メタデータ） (2024-08-20T16:42:23Z)
• Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models [46.05020842978823]
  大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。 RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
  論文  参考訳（メタデータ） (2024-07-17T07:44:18Z)
• Graph-Based Retriever Captures the Long Tail of Biomedical Knowledge [2.2814097119704058]
  大規模言語モデル(LLM)は、膨大な知識を要約して提示することで、情報の検索方法を変えつつある。 LLMはトレーニングセットから最も頻繁に見られる情報を強調し、まれな情報を無視する傾向があります。 本稿では,これらのクラスタをダウンサンプリングし,情報過負荷問題を緩和するために知識グラフを活用する新しい情報検索手法を提案する。
  論文  参考訳（メタデータ） (2024-02-19T18:31:11Z)
• Diversifying Knowledge Enhancement of Biomedical Language Models using Adapter Modules and Knowledge Graphs [54.223394825528665]
  我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。 バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。 計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
  論文  参考訳（メタデータ） (2023-12-21T14:26:57Z)
• A Survey for Biomedical Text Summarization: From Pre-trained to Large Language Models [21.516351027053705]
  バイオメディカルテキスト要約の最近の進歩を体系的に概観する。 我々は,大規模言語モデルの時代における既存の課題と将来的な方向性について論じる。 リサーチコミュニティを促進するために、利用可能なデータセット、最近のアプローチ、コード、評価指標、パブリックプロジェクトにおけるリーダーボードなど、オープンなリソースをラインアップします。
  論文  参考訳（メタデータ） (2023-04-18T06:38:40Z)
• Knowledge-augmented Graph Machine Learning for Drug Discovery: A Survey [6.288056740658763]
  グラフ機械学習(GML)は、グラフ構造化バイオメディカルデータをモデル化する優れた能力で注目されている。 近年の研究では、より正確で解釈可能な薬物発見を実現するために、外部のバイオメディカル知識をGMLパイプラインに統合することを提案した。
  論文  参考訳（メタデータ） (2023-02-16T12:38:01Z)
• EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
  本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。 DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
  論文  参考訳（メタデータ） (2022-08-01T18:47:03Z)
• Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
  人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。 毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。 生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。 我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
  論文  参考訳（メタデータ） (2021-09-27T17:00:14Z)
• Text Mining to Identify and Extract Novel Disease Treatments From Unstructured Datasets [56.38623317907416]
  Google Cloudを使って、NPRラジオ番組のポッドキャストのエピソードを書き起こします。 次に、テキストを体系的に前処理するためのパイプラインを構築します。 我々のモデルは、Omeprazoleが心臓熱傷の治療に役立てることに成功しました。
  論文  参考訳（メタデータ） (2020-10-22T19:52:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。