Publicação
Development of learning models in biomedical literature on a collaborative platform
| Resumo: | Ao longo das últimas décadas, o avanço científico realizado no campo de aprendizagem automática, em particular na área de processamento de linguagem natural, tem permitindo a modelos o processamento e consequente compreensão da linguagem humana. Este projeto envolve duas componentes, a primeira é dedicada à investigação e desenvolvimento de modelos com base em técnicas de aprendizagem profunda para a realização do processamento de linguagem natural com vista ao reconhecimento de entidades biomédicas, nomeadamente proteínas, genes e doenças. O conjunto de dados JNLPBA, BC2GM e NCBI Disease são referências para o reconhecimento de entidades nomeadas (REN) na área biomédica. O JNLPBA, permite a identificação de entidades to tipo ADN, tipo e linha de célula e proteínas, o BC2GM destina-se a identificar menções de genes, e o NCBI Disease contém anotações de nomes de doenças. Foi desenvolvido um modelo NER para cada conjunto de dados utilizando a biblioteca SpaCy. O modelo treinado no conjunto de dados JNLPBA obteve uma pontuação F1 de 0,942, para o BC2GM uma pontuação F1 de 0,976 e para o NCBI Disease uma pontuação F1 de 0,986. Ao testar os modelos desenvolvidos num conjunto de quatro abtracts [1, 2, 3, 4], O modelo NER desenvolvido manteve pontuações perfeitas para os artigos 2 e 3, mas teve dificuldades com o artigo 4 no conjunto de dados BC2GM, obtendo uma pontuação F1 de 0. Em contraste, os modelos “en_ner_jnlpba_md” e SciBERT mostraram uma variabilidade significativa, particularmente com o reconhecimento de proteínas. O BioBERT foi coerente, mas variou no artigo 4. A fiabilidade e a eficácia do modelo desenvolvido fazem dele uma escolha superior para as tarefas NER. A segunda componente deste projeto, é dedicada ao desenvolvimento de software visando a criação de uma aplicação web utilizando para isso a framework JHipster, resultando numa plataforma colaborativa que permite a utilização de modelos de aprendizagem, desenvolvidos pelos seus utilizadores que são investigadores da área da biologia computacional. Além da possibilidade de os utilizadores da plataforma adicionarem modelos, os modelos desenvolvidos na primeira componente deste trabalho, são disponibilizados na plataforma colaborativa. A plataforma descrita está em contínuo desenvolvimento, sendo que a descrição feita neste documento se refere à versão 1.0, e a mesma está disponível em www.geneticscollab.com [5]. |
|---|---|
| Autores principais: | Barros, José Manuel Alves da Rocha e |
| Assunto: | Aprendizagem automática Processamento de linguagem natural Aprendizagem profunda Reconhecimento do nome de entidade Bioinformática Biologia computational Interação proteína-proteína Desenvolvimento web |
| Ano: | 2025 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade Politécnica de Coimbra |
| Idioma: | inglês |
| Origem: | Universidade Politécnica de Coimbra |
| Resumo: | Ao longo das últimas décadas, o avanço científico realizado no campo de aprendizagem automática, em particular na área de processamento de linguagem natural, tem permitindo a modelos o processamento e consequente compreensão da linguagem humana. Este projeto envolve duas componentes, a primeira é dedicada à investigação e desenvolvimento de modelos com base em técnicas de aprendizagem profunda para a realização do processamento de linguagem natural com vista ao reconhecimento de entidades biomédicas, nomeadamente proteínas, genes e doenças. O conjunto de dados JNLPBA, BC2GM e NCBI Disease são referências para o reconhecimento de entidades nomeadas (REN) na área biomédica. O JNLPBA, permite a identificação de entidades to tipo ADN, tipo e linha de célula e proteínas, o BC2GM destina-se a identificar menções de genes, e o NCBI Disease contém anotações de nomes de doenças. Foi desenvolvido um modelo NER para cada conjunto de dados utilizando a biblioteca SpaCy. O modelo treinado no conjunto de dados JNLPBA obteve uma pontuação F1 de 0,942, para o BC2GM uma pontuação F1 de 0,976 e para o NCBI Disease uma pontuação F1 de 0,986. Ao testar os modelos desenvolvidos num conjunto de quatro abtracts [1, 2, 3, 4], O modelo NER desenvolvido manteve pontuações perfeitas para os artigos 2 e 3, mas teve dificuldades com o artigo 4 no conjunto de dados BC2GM, obtendo uma pontuação F1 de 0. Em contraste, os modelos “en_ner_jnlpba_md” e SciBERT mostraram uma variabilidade significativa, particularmente com o reconhecimento de proteínas. O BioBERT foi coerente, mas variou no artigo 4. A fiabilidade e a eficácia do modelo desenvolvido fazem dele uma escolha superior para as tarefas NER. A segunda componente deste projeto, é dedicada ao desenvolvimento de software visando a criação de uma aplicação web utilizando para isso a framework JHipster, resultando numa plataforma colaborativa que permite a utilização de modelos de aprendizagem, desenvolvidos pelos seus utilizadores que são investigadores da área da biologia computacional. Além da possibilidade de os utilizadores da plataforma adicionarem modelos, os modelos desenvolvidos na primeira componente deste trabalho, são disponibilizados na plataforma colaborativa. A plataforma descrita está em contínuo desenvolvimento, sendo que a descrição feita neste documento se refere à versão 1.0, e a mesma está disponível em www.geneticscollab.com [5]. |
|---|
Atividades financiadas
Não foram encontrados projetos financiados.