선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구의 목적은 생물학적 내용을 담고 있는 연구 논문의 초륵 으로부터 자연언어처리와 마이닝 기술을 이용하여 관심 있는 단백 질간의 상호작용을 파악하고, 이를 바탕으로 단백질 기능과 세포 반응의 분석을 위한 기반을 조성하고자 한다.
제안 방법
- 본 논문에서 제안한 기법은 형태소 분석을 위하여 Brill POS taggerl 사용하였고, 단어의 접미사 변형을 막기 위해 Porter Stemming Algorithme 적용하였다. 그리고 기존의 바이오 텍스트 마이닝 시스템과는 화장성에 차별화着 두어 설계하였다. 확장성이 란, 연구자에 의해 단백질 사전의 내옹을 바꿈으로써, 상호작용 추 출의 범워의 수정이 가능하도록 하고 상호작웅에 사용되는 패턴 또한 연구자에 의해 수정, 추가가 가능함을 말한다.
- 단백질 이롬의 인식을 위한 문자 비교의 범위霍 형태소 분석会 통하여 줗이고자 하였다. 하지만, 단백질 이총이 워낙 다양하여 모든 형태소로 분석이 되었다.
- 하지만, 단백질 이총이 워낙 다양하여 모든 형태소로 분석이 되었다. 따라서 모든 형태소에서 단백질 이릉 울 비교 하였다. 그리고 한 문장 내에서 단백질 이름 동의어인 경우에 잘못된 상호작용 판계를 추출할 수 있기 때문에 이를 방지하기 위하여 한 운장내의 동의어에 대한 중복 처리H 하였다’ 그림2 의 단계 ③에서 추출된 단백질 이큼은 B7, Cytotoxic T-tymphocyte antigen 4, CTLA4 3가지이지만 Cytotoxic T-lymphocyte antigen 4와 CTLA4는 동의어 이모로 단계 ④와 같이 하나의 단백질로 처리된다.
- 본 논문에서는 생물학적 내용읋 담고 있는 연구 논문의 초륵에서 텍스트 마이닝 기술을 적용하여 확장성을 가진 단백질간의 상호작 용욯 추출하는 방법을 제안하였匚h 이 방식을 사용하여 시스템을 구성핳 경우, 연구쟈가 관심 있는 범위의 단백질간의 상호작용을 파악할 수 있고, 특정 단백질의 반웅을 쉽게 찾아낼 수 있어 기존의 모든 유전자와 단백질을 대상으로 처리되던 바이오 텍스트 마 이닝과는 차별화是 보인다. 이러한 연구 방법으로 시스템을 구축 할 경우 생물학 관련 분야뿐만 아니라 의학 분야에서도 도옴이 될 것으로 기대된다.
- 물론 AngioDB[13]에서 상호작용 추查에 대한 내용을 언급하고는 있 지만, 확장성에 대해서는 논의가 되지 않고 있다. 뽄 논문은 생물 하 문서에서 자동화된 단백질 상호작용 추출[1]의 내용을 기반오 로 본 연구 목적에 맞도暑 수정, 설계 되었다.
- 상호작용을 추추할 수 있는 키워드와 비교詈 위해 전 단계에서 분 석된 형태소誓 이용하여 동사篷 추蕾한다. 추출된 동사의 품사변화에 따라 변화되는 접미사養 없애기 위해 Porter Stemming Algorithme이읗 적용하였다.
- 유전자 서열이 밝혀진 둬, 여러 공개 데이터베이스에 공개되었 는데[12], 이 자료룔 통하여 각각의 유전자 기능 및 서열에서의 역할을 분석하게 되었다. 유전자 이외에 단백질 수준에서 구조와 기능을 분석하는 연구의 중요성이 대두되었는데, 유전자에 대한 정보에 비해 단백질에 대한 정보는 비교적 한정되어 있다, 따라서 단백질 데이터베이스의 구축이 필요하며, 이르 바탕으로 단백질간의 상호작용 분석은 미지의 단백질 기능 및 단백질 네트워크의 분 썩으로 세포 내 작용을 밝히고 생呈학적 프로세스養 이해하기 위해 반드시 필요한 부분이다.
- 전 단계에서 Porter Stemming Algorithm을 적용시킨 동사와 상 호작용 추출에 사용되는 키워드豊 비교 한 뒤, 일차적으로 상호작 용울 포함하고 있을만한 문장을 추춯한다’ 확장성을 위하여 키워 드는 추가가 가능하도륵 설계되었다.
대상 데이터
- 단백질 사전은 데이터W이스로 만들어졌기 때문에 연구자에 의해 관심 있는 단백질 리스트로 사전邑 변경할 수 있다. 본 연구에 사용된 단백질 사전은 인간의 건강과 질병에 관련된 기능과 연관 성율 갗는 단백질을 도메인으로 하는 Human Protein Reference Database (www.hp「d.o「g)의 데이터춀 이용하였댜, 구축된 사전메 는 동의어書 포함하여 약 7000개 단백질 이큼을 포함되어 있다.
- 이전 단계에서 상호작용 추출 키워드是 포함하고, 단백질 이좀이 2개 이상인 문장을 추출하였다. 마지막 단계에서는 추誓된 문장웋 패턴비교 알고리즘읗 사용하여 단백짍간의 상호작용욜 추출하게 된다.
이론/모형
- 시스템의 동작 젏차는 그림 1과 같고. 그림 2는 입력된 문장이 처 리되는 과정읗 예!! 동해서 나타낸 것이다, 그림 1의 첫 번짜! 단 계에서는 Brill POS tagger packaQe[9]B 이용하여 입력된 문장의 형태소養 분석한다. 그림 2의 .
- 본 논문에서 제안한 기법은 형태소 분석을 위하여 Brill POS taggerl 사용하였고, 단어의 접미사 변형을 막기 위해 Porter Stemming Algorithme 적용하였다. 그리고 기존의 바이오 텍스트 마이닝 시스템과는 화장성에 차별화着 두어 설계하였다.
- 입력된 파일에 포함된 각 댠어의 형태소■ 분석하기 위해서 Brill POS tagger package[9] 1 사용하였다. 분석에 사용되는 태거는 약 50가지로 나누어지는데 대표적인 것은 표1과 같다.
- 상호작용을 추추할 수 있는 키워드와 비교詈 위해 전 단계에서 분 석된 형태소誓 이용하여 동사篷 추蕾한다. 추출된 동사의 품사변화에 따라 변화되는 접미사養 없애기 위해 Porter Stemming Algorithme이읗 적용하였다. 이는 다음단계에刈 처리될 단백질 상호작용 추추 키워드와의 단순한 비교를 위하여 행해진다.
후속연구
- 또한 이 시스템을 구축하고 정확도와 회수율을 측정해 기존의 시스템과의 비교를 향후과제로 진행할 계획이다.
- 본 논문에서는 생물학적 내용읋 담고 있는 연구 논문의 초륵에서 텍스트 마이닝 기술을 적용하여 확장성을 가진 단백질간의 상호작 용욯 추출하는 방법을 제안하였匚h 이 방식을 사용하여 시스템을 구성핳 경우, 연구쟈가 관심 있는 범위의 단백질간의 상호작용을 파악할 수 있고, 특정 단백질의 반웅을 쉽게 찾아낼 수 있어 기존의 모든 유전자와 단백질을 대상으로 처리되던 바이오 텍스트 마 이닝과는 차별화是 보인다. 이러한 연구 방법으로 시스템을 구축 할 경우 생물학 관련 분야뿐만 아니라 의학 분야에서도 도옴이 될 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.