人类基因组测序文本数据挖掘研究

Ｐｏ ａ）的有效词频公式 ｎ＝ （Ｊ１ ， １ ２ ＋８１— ）／ ，其
中 为 判 断高频 词 的最 低 频 次值 ，， 为仅 出现 一 次
的词 的 总 和 ，通 过 计算 所 有 主 题 词 中的高 频 词 进 行
１组最低 频 次值 为 ５ １以上 的 ２ ５个词 为 高频 主题词 ；
对 其题 录信 息进 行提 取 并进 行 共 词聚 类 分 析 ，提 取 高频 主 题 词 ，生 成词 篇 矩 阵 、共现 聚 阵、共 词 聚 类 ，认
为 文本数 据挖 掘技 术 能够很 好地 反 映 学科 发展 状 况及研 究 热点 ，从 而为研 究人 员提供 有 价值 的信 息 。
［ 关键 词 ］ 人 类基 因组 ；测序 ；文本数据 挖掘 ；共词 分析 ；聚 类分析
２． １ 生成 词 篇 矩 阵与 共现 矩 阵 相关 文献 题 录 ２． 下载 后 ，先利 用 书 目共现 系统 （ ｉｌ ｇａ ｈｃＩ ｍ Ｃ Ｂｂｉ ｒｐ ｉ ｔ ｏ ｏ ｅ
一
３ 研 究 结 果
３ １ 高频 主题 词 判定 ．
通 过对 文献 题 录信 息 的提 取 ，第 １组 相 关 文 献
［ 稿 日期 ］ ２ １ —１ —１ 收 ０１ １ ６
［ 作者简介］ 于跃 ，硕士研究 生 ，发表 论文 １篇 ；通讯 作 者 ：王伟 ，博士 ，教 授 ，博 士生 导 师 ，主 要 研究方 向为 医学信息学 、信息计量 学。
部树 和全 部副 主题 词 ，将 检 索 出 的 ２组 文献 用 布 尔 运算 符 “ ｎ ” 连 接 ；选 取 “ ｕ ｎ Ｇ ｎｍ ｅ ａｄ Ｈ ｍａ ｅｏ ｅ Ｓ—
ｎｍ ，Ｈ ｍａ ” Ｍｅｈ ｒ” ｕ ｎｇｎｍｅｓｑｅｃｎ ｏ ｅ ｕ ｎ ［ ｓ ］ｏ ｈｍａ ｅｏ ｅｕｎｉｇ ” ［ ｌＦｅ ｓ ） Ａｌ ｉｄ ］ 。文献 出版时 问 限定 为 ２０ ｌ ０ １年 １ 月
１日 一２ １ ０ １年 ５月 １ １ １ ３，共 检 出相 关 文 献 ７ ３ ４ ８ 篇 。为便 于 比较 ，根 据 文 献 出版 时 间 分 为 ２个 组 ： 第 １组 （ ０ １—２ ０ ２０ ０ ５年 ） 共 ２ ５ ６篇 ；第 ２ 组 ５ （ ０ ６— ０ １年 ） 共 ４ ８ ８篇 。对 相 关 文 献 题 录 选 ２０ ２ １ ２ 取 Ｘ ＭＬ格 式下 载 ，生 成专 题 文献 数据 库 。
第 ２组最 低频 次 值 为 ５ ６以上 的 ３ ７个 词 为 高 频 主 题
词 。见 表 １和表 ２ 。
判 断筛 选 ；利 用 ＢＣ ＭＢ系统 建 立 高 频 词 词篇 矩 ＩＯ
阵 （ 频词 在 每篇 文献 中 出现频 次 的矩 阵 ） 和共 现 高
矩阵 （ 主题 词 共现 情况 的矩 阵 ） 。
于 跃 潘 玮 王 丽 伟 王 伟
长春 １０ ２ ） ３０ １
（ 吉林大学公共卫生学院医药信息与卫生管理学系
［ 要 ］ 对 Ｐ ｂ ｄ数据 库 中 ２ ０ 摘 ｕ Ｍｅ ０ １年 １月 １日 一２ １ ０ ５月 １ １年 １日的人 类 基 因组 测序 相 关 文献 进行 检 索 ，
利用 Ｓ Ｓ ８ ０统计 软件 ，对 ２个 时 间段 高 频 Ｐ Ｓ１．
词 的词篇 矩 阵 进 行 系 统 聚类 分 析 ，用 ｏｈａ 系 数 作 ｃｉ ｉ
为聚 类 系数 ，采 用 类平 均 距 离 法 作 为类 间距 离 的计 算 方 法 ，并 做 出聚 类 树 。另 外 测 定 聚类 所 得 类 团 中 每个 主 题词 的中心 度 ，以确定 每个 类 团 的含 义 。
《自然 》 （ ａｕｅ 和美 国 的 《 学》 （ ｃ ｎｅ 杂 Ｎ ｔｒ） 科 Ｓｉ ｃ） ｅ 志在 ２ １ ０ １年 度 科 研 热 点 预 测 中 ，分 别 将 “ 因组 基
测 序 大爆 发 ” （ ｅ ｏ Ｇ ｎｍｅ—ｓｑ ｅ ｃ ｇ Ｅ ｐｏｉ ） 和 献 中 出 现 该 词 及 其 同 ｕｎ ｉｇ
・
３ ・ ９
医学信 息学杂志
２１ 第 ３ ０２年 ３卷 第 ４期
Ｊ Ｕ Ｎ ＬＯ ＤＣ ＬＮ ＯＲ Ｔ Ｓ ２ １ Ｖ １ ３． Ｏ４ Ｏ Ｒ Ａ Ｆ ＭＥ ＩＡ Ｆ ＭＡ Ｉ ０２．ｏ． Ｎ ． Ｉ Ｃ ３
医学信息 学杂志
２１ ０２年第 ３ ３卷第 ４期
Ｊ Ｒ Ａ Ｆ ＤＣ ＬＩＦ Ｒ＾ Ｔ Ｓ ０２．ｏ ３ Ｎ ． ＯＵ Ｎ ＬＯ ＩＡ Ｏ 』Ａ Ｉ ２ １ Ｖ １３． Ｏ４ ＭＥ Ｎ ＼ Ｃ ．
・医学 信息 研 究 ・
人 类 基 因 组 测 序 文 本 数 据 挖 掘 研 究
表 １ 文 献 高 频 主 题 词 表 （ ０ １— ０ ５ 年 ） ２０ ２０
（ 示前 １ 显 ０位 主 题 词 ）
２． ． 形成 共词 聚 类 ２２
本 文 所 使 用 的主 题 词 共 现
聚类 方 法 是 系 统 聚 类 分 析 （ 称 等 级 聚类 ，Ｈ ｅ— 也 ｉｒ
ａｃ ｉａ Ｃｕｔ ） ｒｈｃ ｌ ｌｓ ｒ 。其 原 理 为 ：文献 标 引 时 由多个 主 ｅ
［ ｂｔａ ｔ Ａ ｓｒｃ］ Ｒ ｔｅｉｇｔｅ ｉ ｒｔｒｓ ｎｈ ｍａ ｅｏ ｅｓｑ ｅｃ ｎ ｙｉｆ ｍ Ｐ ｂ ｅ ｕｌ ｈｄｆ ｍ２ ０ ． ． ｏ ０ ５ １ ， ｘ ｅ ｉ ｎ ｔ ａ ｅ ｕ ｎｇｎｍ ｕｎｅａａ ｓ ｏ ｕ Ｍ ｄｐｂｉ ｅ ｏ ０ １ １ １ｔ２ １． ． ｅ— ｒ ｖ ｈ ｌｅ ｕ ｏ ｅ ｌ ｓｒ ｓ ｒ １ １
Ｒｅ ｅ ｒ ｈ ｏ ｅ ｔＤａ ａ Ｍ ｉ ｇ ｏ ｍ ａ ｎ ｍ ｅ Ｓ ｑ ｅ ｃ ａ ｙ ｉ ｓ ａ ｃ ｎ Ｔ ｘ ｔ ｍｎ ｎ Ｈｕ ｎ Ｇｅ ｏ ｅ ｕ ｎ ｅ Ａｎ ｌ ｓ Ｙ Ｙ ｅ Ａ ｉ ＡＮＧ Ｌ —ｗ ｉ ＡＮＧ Ｗｅ Ｄｅ ａ ｔ ｓ Ｕ ｕ ，Ｐ Ｎ Ｗｅ ，Ｗ ｉ ｅ ．Ｗ ｉ ｐ ｒ—
ｔ ｃｓ ｉ ｉ ｒｐ ｉ ｉｆ ｍａｏ ｎ ａ ｉｓ ｕ ｏ— ｏ ｎｌｓ ， ｉ ｅｕｎ ｙｓｂ ｃ ｈａｉｇ ｒ ｅｔ ｃ ｄ ｗ ｒ ａｒ ，Ｃ —ｏ— ｒ ｔ ｂｂ ｏ ａｈｃ ｎ ｒ ｔ ｎａｄｃｒｅ ｔ ａ ｌｇ ｏ ｉ ｒ ｏ ｃ ｗ ｒ ａａｙｉ ｈｇ ｄ ｓ ｈ￣ ｑ ｅｃ ｕｊ ｔ ｅｄｎｓａ ｘ ａｔ ， ｏ ｍ ｔｘ Ｏ ｅ ｅ ｅ ｒ ｅ ｄ ｉ
ｈｏｓ ｔ ｔｐｏｓ，Ｓ ｓｔ ｒ ｖｄｅ ｖ ｌ ａ ｅ ｉ ｆｒ ａｉｎ ｔ ｅ ｅ ｃ ｒ ． Ｏ ａ ｏ ｐ ｏ ｉ ａｕ ｂｌ ｎ ｏｍ ｔ ｏ ｒ ｓ ａ ｈｅｓ ｏ ｒ
［ ｅｗ ｒｓ Ｋ ｙ ｏｄ ］
Ｈ ｍａ ｅｏ ；Ｓｑ ｅｃ ｎｌ ｉ；Ｔ ｘ ｄｔ ｉｉｇ ｏ— ｏｄａａｙｉ；Ｃｕｔｒ ｎｌ ｉ ｕ ｎｇｎｍｅ ｅｕ ｎｅａａｙ ｓ ｅｔ ａａｍ ｎｎ ；Ｃ ｗ ｒ ｎｌｓ ｓ ｓ ｌｓ ａ ｓ ｅａ ｙｓ
２ 资料 与 方 法
２ １ 数 据来 源
“ 应基 因” （ ｄ ｐａ ｏ ｅ ｅ ）列 入全 世界 科学 界 适 Ａ ａ ｔ ｉｎＧ ｎ ｓ ｔ
选 取 Ｐ ｂ ｄ为 数 据 来 源 ，检 索 有 关 人 类 基 因 ｕＭｅ
组测 序 的相 关 文 献 。确 定 “ ｅ ｕｎ ｅＡ ａ ｓ ” 和 Ｓ ｑ ｅ ｃ ｎ ｌ ｉ ｙｓ “ ｅｏ ｅ Ｈ ｍａ ” ２个 Ｍｅ Ｈ主 题词 ，分别 扩 展全 Ｇ ｎｍ ， ｕ ｎ Ｓ
义 词 的文 献进 行 检 索 ，并 将 检 索 结果 与先 前 主 题 检 索途 径 检 出 的文 献 用 布 尔 运 算 符 “ ｒ 进 行 连 接 ， ｏ” 检索 策 略 ： （ Ｓｑ ｅ ｃ ｎ ｌｓ ” Ｍｅｈ ｎ ” ｅ ” ｅ ｕｎ ｅ Ａ ａ ｉ ［ ｓ ］ａｄ Ｇ － ｙｓ
计方 面参 考借鉴 了杨颖 等 论 文 中的方 法 ，并 加 以
修改 。
术 ，对 数据 进 行存 储 、传 输 、检 索及 分 类 显 示 ，从
大 量抽 象数 据 中发 现 新 的 信 息 ，基 因 组 测 序 （ ｅ Ｇ．
ｎ ｍ ｅ ｕｎ ｉｇ ｏ ｅＳｑ ｅｃｎ ）是 目前 科 学研 究 的热 点 ，英 国 的
而 通 过研 究 这 些 类 团 的 变 化 ，继 而 对 该 领 域 的 发 生 、发展 、演 变 、未 来 等 问题 做 出分 析 与 预测 。
２． ３ 确 定 中心 主题 词 在 确 定 每 个 类 团所 表 达 ２． 概念 的过程 中 ，由于 每个 类 团 中 的主 题 词 较 多 ，因 此需 要 确定 每个 类 团 中的 中 心 主题 词 。 由于类 团 中
ｍ ｒ ｏ ｄ ａ Ｉ ｏ ｔ ｎａｄＨ ａｔ ｎ ｇｍ ｎ， ｃｏｌ ｕｌ ｅｌ ， ｉｎＵ ｉ ｒｔ， ｈ ｎ ｃｕ ３ ０ １ ｈｎ ｅｔｆＭｅｉ ｌ ｎ ｒ ｉ ｎ ｅｌ Ｍａａ ｅ ｅｔ Ｓｈｏ ｏ Ｐ ｂ ｃ ａｔ Ｊｌ ｎｖ ｓｙ Ｃ ａｇｈ ｎ１ ０２ ，Ｃ ｉａ ｉ ｃ ｆ ｍａ ｏ ｈ ｆ ｉＨ ｈ ｉ ｅｉ
ｃ ｒｅ ｃ ｔ ｘ ｏ—ｗｏ ｄ ｃ ｕ ｔｒｎ ｒ ｏ ｍｕ ａｅ ．Ｉ ｃ ａｉ ｅ ｈ ｔｄ ｔ ｎｎ ｏ ｄ ｗ ｙ ｔ ｒｆ ｃ ｅ ｅｏ ｍｅ ｔ ｔｔ ｓａ ｄ ｒ ｓ ａ ｃ ｕ ｒ ｎ ｅ ｍａｒ ，ｃ ｉ ｒ ｌ ｓｅ ｇ ａ ｅｆ ｒ ｌ ｔｄ ｔ ｌｒ ｉ ｓｔａ ａａ ｍｉ ｉ ｇ ｉ ａ ｇ ｏ ａ ｅ ｅ ｔ ｖ ｌ ｐ ｎ ａｕ ｎ ｅ ｅ ｒｈ ｉ ｆ ｓ ｏ ｌ ｄ ｓ
的主要 主题 词 为 ２０ ７个 ，其 中 出现 次 数 为 １的 主 ４ 题 词有 １ １ １个 ；第 ２组 相 关 文 献 主 题 词 为 ３１３ ８ ０
０ｃ ｒ ｎ ｅＭａ ｉ Ｂ ｉ ｅ ，Ｂ Ｃ ＭＢ）４对 文 献 题 录 ｃｕｒ ｃ ｔ ｘ ｕｌ ｒ Ｉ Ｏ ｅ ｒ ｄ ［ － ３
关 注 的焦 点之 一 ＿ Ｊ １ 。本 文 运 用 数据 挖 掘 和 可 视化
１ 引言
数 据挖 掘 （ ａ ｎｎ ） 是 知识 发 现 的 核 心技 Ｄ ｔ Ｍｉｉｇ ａ
方法 对基 因组 测序 的相关 文 献 进 行分 析 ，揭 示 该 领
域 的研 究 现状 、学 术 前沿 和 发 展趋 势 ，为 医学 科研 和卫 生管 理决策 提 供 有 价值 的信 息 。本 文在 研 究设
中的主题词 （ 为避 免 特 征 词 与 不 相 关 词 的影 响 ，这
里 只提取 主要 主题 词 ）进 行提取 ；根 据 帕欧 （ Ｍ．Ｌ ＿
个 ，其 中 出现 次 数 为 １的 主 题 词 有 １６ ６个 。根 据 ４ 帕欧 的有 效词 频 公 式 和数 据 实 际 分 布情 况 ，确 定 第
２ ２ 研 究 方 法 ．
各 主题 词 之 间的共 现 关 系 与社 会 网络 中的个 体 共 现 关 系类 似 ，因此在 中心 主 题词 确 定 过 程 中 ，借 鉴 社
会 网络 分 析 中确 定 网络 中 个 体 中 心 地 位 的 “ 心 中 度 ” 数 值 对 中心 主 题 词 进 行 判 断 。具 体 方 法 为 ： 利用 Ｕ ｉｅ 软件 对 每个 类 团 的主题 词 共 现 矩 阵 进行 ｃｎｔ 相 对 中心 度计 算 ，主题 词 的 相对 中心 度 越 大 ，其 地 位 越 突 出 ；中心 度最 大 的 ２个 主题 词 即 为 该 类 团 的 中心 主题 词 ，用 以判 断类 团含 义 。